[论文解读] Deep Learning with ConvNET Predicts Imagery Tasks Through EEG

Apdullah Yayık, Yakup Kutlu+1 more|arXiv (Cornell University)|Jan 1, 2019

EEG and Brain-Computer Interfaces参考文献 17被引用 3

一句话总结

本研究提出一种无需特征工程的主体无关深度卷积神经网络模型，直接从原始脑电信号（EEG）中预测想象中的左右手运动，利用自适应优化（Adam）、批量归一化和Dropout技术。该方法在109名受试者上实现了79.16%的准确率，优于基于手工谱特征的传统全连接网络。

ABSTRACT

Deep learning with convolutional neural networks (ConvNets) have dramatically improved learning capabilities of computer vision applications just through considering raw data without any prior feature extraction. Nowadays, there is rising curiosity in interpreting and analyzing electroencephalography (EEG) dynamics with ConvNets. Our study focused on ConvNets of different structures, constructed for predicting imagined left and right movements on a subject-independent basis through raw EEG data. Results showed that recently advanced methods in machine learning field, i.e. adaptive moments and batch normalization together with dropout strategy, improved ConvNets predicting ability, outperforming that of conventional fully-connected neural networks with widely-used spectral features.

研究动机与目标

• 开发一种无需先验特征工程的主体无关深度学习模型，直接利用原始EEG数据预测想象中的运动活动。
• 评估现代深度学习技术（特别是Adam优化、批量归一化和Dropout）在EEG基运动想象分类中的影响。
• 比较端到端卷积神经网络模型与传统全连接网络在手工谱特征（如Welch周期图）上训练的性能表现。
• 评估深度卷积神经网络在109名受试者的大规模群体中的泛化能力，提升超越以往受试者数量有限研究的可扩展性。

提出的方法

• 设计了一个包含3个卷积层的深度卷积神经网络架构，采用2D卷积以保留多通道EEG中电极之间的空间关系。
• 在每个卷积层后应用批量归一化和ReLU激活函数，以稳定训练过程并改善梯度流动。
• 采用非重叠窗口的最大池化操作下采样特征图，降低计算负载。
• 在全连接层后集成Dropout层（p = 0.5），以防止过拟合。
• 使用三种优化策略进行模型训练：Adam、RMSProp和带动量的SGD，初始基础学习率为0.001，每10个周期衰减一次。
• 基于验证损失采用早停策略防止过拟合，回滚至性能最佳的模型检查点。

实验结果

研究问题

• RQ1 能否通过直接在原始EEG数据上训练的深度卷积神经网络，在主体无关设置下实现高准确率预测想象中的左右手运动？
• RQ2 现代深度学习技术（如Adam优化、批量归一化和Dropout）如何影响卷积神经网络在原始EEG数据上的性能表现？
• RQ3 端到端卷积神经网络方法是否优于在手工谱特征（如Welch周期图）上训练的传统全连接网络，用于运动想象分类？
• RQ4 与以往受试者数量有限的研究相比，该模型在109名受试者组成的大型多样化群体中的泛化性能如何？

主要发现

• 所提出的深度卷积神经网络模型在EEGMMI数据集上，基于原始EEG数据，实现了79.16%的主体无关分类准确率。
• Adam优化策略优于RMSProp和带动量的SGD，在三种训练策略中取得了最高准确率。
• 批量归一化和Dropout的集成显著提升了模型在原始EEG输入上的泛化能力，并有效减少了过拟合。
• 端到端卷积神经网络方法超越了在手工谱特征（如Welch周期图）上训练的传统全连接网络，后者未能实现可靠的预测结果。
• 该模型在109名受试者中表现出稳健性能，表明其具备超越个体受试者适配的强泛化能力。
• 仅需极少的预处理，卷积神经网络即可学习到有意义的时空表征，凸显其直接从原始信号中提取分层特征的能力。