[论文解读] CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet

Alberto Zancanaro, Giulia Cisotto+3 more|arXiv (Cornell University)|Jan 1, 2021

EEG and Brain-Computer Interfaces参考文献 25被引用 31

一句话总结

该论文提出 DynamicNet，一个基于 Python 的工具箱，用于在运动想象（MI）脑-机接口（BCI）系统中快速实现基于卷积神经网络（CNN）的深度学习模型。结果表明，通过 DynamicNet 实现的 EEGNet 模型在 4 类 MI 数据集上的跨被试分类准确率（59.35%）相比标准 FBCSP 方法（34.01%）提高了约 25%，在跨被试验证方案下显著优于 FBCSP。

ABSTRACT

Motor imagery (MI)-based brain-computer interface (BCI) systems are being increasingly employed to provide alternative means of communication and control for people suffering from neuro-motor impairments, with a special effort to bring these systems out of the controlled lab environments. Hence, accurately classifying MI from brain signals, e.g., from electroencephalography (EEG), is essential to obtain reliable BCI systems. However, MI classification is still a challenging task, because the signals are characterized by poor SNR, high intra-subject and cross-subject variability. Deep learning approaches have started to emerge as valid alternatives to standard machine learning techniques, e.g., filter bank common spatial pattern (FBCSP), to extract subject-independent features and to increase the cross-subject classification performance of MI BCI systems. In this paper, we first present a review of the most recent studies using deep learning for MI classification, with particular attention to their cross-subject performance. Second, we propose DynamicNet, a Python-based tool for quick and flexible implementations of deep learning models based on convolutional neural networks. We show-case the potentiality of DynamicNet by implementing EEGNet, a well-established architecture for effective EEG classification. Finally, we compare its performance with FBCSP in a 4-class MI classification over public datasets. To explore its cross-subject classification ability, we applied three different cross-validation schemes. From our results, we demonstrate that DynamicNet-implemented EEGNet outperforms FBCSP by about 25%, with a statistically significant difference when cross-subject validation schemes are applied.

研究动机与目标

• 调查近期用于跨被试运动想象 EEG 分类的深度学习方法。
• 介绍 DynamicNet，一个用于在 EEG 基 BCI 中灵活且快速实现深度学习模型的开源 Python 工具箱。
• 评估通过 DynamicNet 实现的 EEGNet 模型在 4 类运动想象分类中相对于标准 FBCSP 方法的性能。
• 研究深度学习模型在真实世界 BCI 应用中跨被试泛化能力。

提出的方法

• DynamicNet 是一个模块化、开源的 Python 工具箱，专为快速实现基于 CNN 的 EEG 数据深度学习模型而设计。
• 该工具箱用于实现 EEGNet，一种专为 EEG 信号分类优化的轻量化 CNN 架构。
• 应用了三种训练策略：被试依赖训练、混合训练（使用所有被试的数据进行训练）以及跨被试训练（在除一个被试外的所有被试上训练，对保留的被试进行测试）。
• 研究使用了 BCI 竞赛 IV 数据集 2a，包含 9 名被试的 22 导联 EEG 记录，执行 4 类运动想象任务。
• 预处理包括带通滤波（0.5–100 Hz）和 50 Hz 的陷波滤波，以去除工频噪声。
• 在每种策略下使用 10 折交叉验证评估分类性能，报告准确率及标准差。

实验结果

研究问题

• RQ1 与传统 FBCSP 方法相比，近期的深度学习模型在跨被试运动想象 EEG 分类中的表现如何？
• RQ2 像 DynamicNet 这类灵活的深度学习工具箱能否有效支持 EEG 分类模型的快速原型开发？
• RQ3 基于 CNN 的模型（如 EEGNet）是否在 4 类跨被试运动想象分类中优于 FBCSP？
• RQ4 数据预处理如何影响深度学习模型在 MI-BCI 系统中跨被试的泛化能力？

主要发现

• 通过 DynamicNet 实现的 EEGNet 在所有被试上的平均跨被试分类准确率达到 59.35%，显著优于 FBCSP 的 34.01%。
• 在被试依赖训练下，EEGNet 达到 67.88% 的准确率，优于 FBCSP 的 62.56%。
• 混合训练策略使 EEGNet 的准确率提升至 72.50%，而 FBCSP 下降至 45.85%，表明数据多样性可提升深度学习的泛化能力。
• 研究发现，预处理（滤波与归一化）可能削弱被试无关特征，从而损害跨被试性能，因为原始数据在相同策略下的准确率高于预处理数据。
• 在跨被试场景下，EEGNet 的性能显著优于 FBCSP（p < 0.005），证实其在真实世界部署中的鲁棒性。
• 结果表明，EEGNet 等深度学习模型可在跨被试 MI 分类中实现显著提升，相比 FBCSP 性能提高约 25%，尤其在具有挑战性的跨被试验证中表现更优。