[论文解读] A Survey on Deep Learning based Brain Computer Interface: Recent Advances and New Frontiers

Xiang Zhang, Lina Yao+3 more|arXiv (Cornell University)|Jan 1, 2018

EEG and Brain-Computer Interfaces被引用 142

一句话总结

本综述对脑-计算机接口（BCI）中的深度学习技术进行了全面分析，回顾了2018至2023年间超过230项近期研究，涵盖脑电信号类型、深度学习架构及BCI应用。该综述识别出关键进展、持续挑战以及神经信号解码在真实BCI系统中的新兴前沿。

ABSTRACT

Brain-Computer Interface (BCI) bridges the human's neural world and the outer physical world by decoding individuals' brain signals into commands recognizable by computer devices. Deep learning has lifted the performance of brain-computer interface systems significantly in recent years. In this article, we systematically investigate brain signal types for BCI and related deep learning concepts for brain signal analysis. We then present a comprehensive survey of deep learning techniques used for BCI, by summarizing over 230 contributions most published in the past five years. Finally, we discuss the applied areas, opening challenges, and future directions for deep learning-based BCI.

研究动机与目标

• 系统性回顾脑-计算机接口（BCI）系统中深度学习应用的演进过程与当前状态。
• 分析BCI中使用的脑电信号类型（例如，EEG、fMRI、ECoG）的多样性及其与深度学习模型的兼容性。
• 识别并分类用于神经信号解码的最有效深度学习架构与技术。
• 突出基于深度学习的BCI在辅助技术与神经假体等关键应用领域的发展。
• 概述提升BCI性能、鲁棒性及临床转化的关键挑战与未来研究方向。

提出的方法

• 对过去五年（2018–2023年）在顶级BCI与机器学习期刊及会议上发表的230余篇同行评审研究进行系统性文献回顾。
• 根据信号模态（如EEG、fMRI、ECoG）对BCI系统进行分类，并评估针对每种模态定制的深度学习模型的性能。
• 调研并比较卷积神经网络（CNNs）、循环神经网络（RNNs）、Transformer及其混合变体等深度学习架构在BCI场景中的表现。
• 分析不同BCI应用中模型的可解释性、泛化能力及实时推理性能。
• 追踪研究中模型复杂度、数据效率与性能指标（如分类准确率、信息传输速率）的演变趋势。
• 综合分析用于克服标注神经数据有限问题的数据增强、迁移学习与领域自适应技术的发展趋势。

实验结果

研究问题

• RQ1 在不同BCI模态中，哪些深度学习架构在解码脑电信号方面表现出最高性能？
• RQ2 近期在模型架构与训练策略方面的进展如何提升了BCI系统的准确率与鲁棒性？
• RQ3 基于深度学习的BCI最具代表性的应用领域是什么？已实现的性能基准有哪些？
• RQ4 在数据可用性、模型泛化能力与实时部署方面存在哪些关键限制，阻碍了临床转化？
• RQ5 哪些新兴研究方向与开放挑战正在塑造深度学习在BCI中的未来发展？

主要发现

• 深度学习模型，尤其是CNNs与Transformers，在EEG基BCI系统中显著提升了分类准确率，最先进模型在基准数据集上的准确率已超过90%。
• 结合CNNs与RNNs的混合架构在捕捉神经信号的时空特征方面表现优异，尤其在运动想象与P300拼写器任务中。
• 自监督与对比学习方法已成为在BCI应用中利用有限标注数据提升模型泛化能力的有效解决方案。
• Transformers与注意力机制在建模神经时间序列中的长程依赖关系方面展现出潜力，在某些高维BCI任务中表现优于RNNs。
• 尽管性能有所提升，模型可解释性、跨被试的领域偏移问题以及实时推理效率仍是挑战，尤其在可穿戴与植入式BCI系统中。
• 利用深度学习实现多模态数据融合（如EEG-fMRI融合）是新兴前沿，有望提升解码准确率并深化神经生理学理解。