[论文解读] Know Your Mind: Adaptive Brain Signal Classification with Reinforced Attentive Convolutional Neural Networks

Xiang Zhang, Lina Yao+4 more|arXiv (Cornell University)|Feb 12, 2018

EEG and Brain-Computer Interfaces参考文献 39被引用 6

一句话总结

本文提出了一种通用的、端到端的原始EEG信号分类框架，采用强化注意力卷积神经网络，可自适应地选择相关特征并建模空间依赖性。该方法在多种认知任务中实现了最先进水平的准确率——包括意图识别、人员身份识别和神经疾病诊断——同时保持了低延迟，并对噪声大和信号不完整的EEG数据具有高度鲁棒性。

ABSTRACT

Electroencephalography (EEG) signals reflect activities on certain brain areas. Effective classification of time-varying EEG signals is still challenging. First, EEG signal processing and feature engineering are time-consuming and highly rely on expert knowledge. In addition, most existing studies focus on domain-specific classification algorithms which may not be applicable to other domains. Moreover, the EEG signal usually has a low signal-to-noise ratio and can be easily corrupted. In this regard, we propose a generic EEG signal classification framework that accommodates a wide range of applications to address the aforementioned issues. The proposed framework develops a reinforced selective attention model to automatically choose the distinctive information among the raw EEG signals. A convolutional mapping operation is employed to dynamically transform the selected information to an over-complete feature space, wherein implicit spatial dependency of EEG samples distribution is able to be uncovered. We demonstrate the effectiveness of the proposed framework using three representative scenarios: intention recognition with motor imagery EEG, person identification, and neurological diagnosis. Three widely used public datasets and a local dataset are used for our evaluation. The experiments show that our framework outperforms the state-of-the-art baselines and achieves the accuracy of more than 97% on all the datasets with low latency and good resilience of handling complex EEG signals across various domains. These results confirm the suitability of the proposed generic approach for a range of problems in the realm of Brain-Computer Interface applications.

研究动机与目标

• 解决传统EEG信号分类方法的局限性，这些方法依赖于耗时的预处理和专家设计的特征。
• 克服现有EEG模型的领域特定性，这些模型在不同认知应用之间缺乏泛化能力。
• 提高对原始EEG信号中固有的低信噪比和混沌动力学的鲁棒性。
• 通过直接处理单个EEG样本而非分段窗口，实现实时、高效的分类。
• 开发一种通用框架，在不同EEG导联数量和不完整信号条件下均保持高性能。

提出的方法

• 采用强化选择性注意力机制，从原始数据中自动识别并聚焦于最具判别性的EEG信号维度。
• 集成卷积映射操作，将所选特征动态转换为具有空间依赖性的表示，以捕捉隐含的信号分布。
• 使用深度强化学习策略，通过指数奖励模型最大化分类准确率，以优化特征选择。
• 应用复制与打乱的数据增强策略，以增强空间依赖性学习并提高模型泛化能力。
• 在原始EEG实例上端到端训练模型，无需人工特征工程或预处理步骤。
• 在强化学习中引入自定义的指数奖励函数，以比标准准确率奖励更有效地引导注意力策略学习。

实验结果

研究问题

• RQ1 深度学习框架是否能在无需人工特征工程或预处理的情况下，实现高准确率的基于EEG的认知活动识别？
• RQ2 基于强化学习的注意力机制在多种认知任务中选择相关EEG特征方面的有效性如何？
• RQ3 在噪声大、信号不完整或导联数较少的EEG条件下，所提框架的性能保持程度如何？
• RQ4 在实时BCI应用中，该框架与最先进方法相比，在延迟和准确率方面表现如何？
• RQ5 该框架是否能在不同EEG数据集和应用领域（如意图识别、人员身份识别和神经疾病诊断）之间实现良好泛化？

主要发现

• 在eegmmidb数据集上，所提框架达到了96.32%的准确率，显著优于传统奖励模型（92.31%）和最先进基线方法。
• 在EEG-S数据集上，框架准确率达到99.84%，表明即使在复杂、高维的EEG信号下也表现出色。
• 在TUH数据集上，模型保持了99.75%的竞争力准确率，表明对导联数较少和信号变异性高的情况具有强鲁棒性。
• 仅使用20%的导联（eegmmidb中12/64个导联），框架仍达到96.32%的准确率，显示出对缺失或不完整数据的极高抗性。
• 推理延迟低于1秒（0.7–0.8秒），其中分类器是延迟主要来源，而卷积映射仅增加0.05秒。
• 强化注意力机制通过过滤无关信号分量，降低了计算开销，从而有助于实现低延迟和高效率。