[论文解读] Toward reliable signals decoding for electroencephalogram: A benchmark study to EEGNeX

Xia Chen, Xiangbin Teng+3 more|arXiv (Cornell University)|Jul 15, 2022

EEG and Brain-Computer Interfaces参考文献 46被引用 6

一句话总结

本研究提出EEGNeX，一种基于1D卷积神经网络的新型深度学习架构，旨在实现跨多种脑-计算机接口（BCI）范式的鲁棒脑电信号解码。在11个运动想象数据集上的评估显示，EEGNeX相较于最先进模型在分类准确率上实现了2.1%至8.5%的统计显著提升，展现出从原始脑电信号中学习优越表征的能力。

ABSTRACT

This study examines the efficacy of various neural network (NN) models in interpreting mental constructs via electroencephalogram (EEG) signals. Through the assessment of 16 prevalent NN models and their variants across four brain-computer interface (BCI) paradigms, we gauged their information representation capability. Rooted in comprehensive literature review findings, we proposed EEGNeX, a novel, purely ConvNet-based architecture. We pitted it against both existing cutting-edge strategies and the Mother of All BCI Benchmarks (MOABB) involving 11 distinct EEG motor imagination (MI) classification tasks and revealed that EEGNeX surpasses other state-of-the-art methods. Notably, it shows up to 2.1%-8.5% improvement in the classification accuracy in different scenarios with statistical significance (p < 0.05) compared to its competitors. This study not only provides deeper insights into designing efficient NN models for EEG data but also lays groundwork for future explorations into the relationship between bioelectric brain signals and NN architectures. For the benefit of broader scientific collaboration, we have made all benchmark models, including EEGNeX, publicly available at (https://github.com/chenxiachan/EEGNeX).

研究动机与目标

• 评估16种神经网络架构在多种基于脑电信号的BCI任务中的泛化性能，以理解其表征学习能力。
• 通过在多样化数据集和范式间建立一致的评估框架，解决脑电信号解码领域缺乏标准化基准的问题。
• 开发一种全新的、完全基于卷积神经网络（ConvNet）的架构——EEGNeX，以增强原始脑电信号中空间、时间及跨通道的表征学习能力。
• 为脑电信号解码研究提供一个公开可用的开源测试平台，降低脑机接口社区的研究实现门槛。
• 在11个运动想象数据集上，通过统计显著性验证EEGNeX相较于现有最先进模型及MOABB基准的优越性能。

提出的方法

• 在四种BCI范式（事件相关电位ERP、运动想象MI、皮层静息电位SMR和错误相关相关电位ERN）中，对16种主流神经网络模型（包括1D和2D卷积神经网络、循环神经网络LSTM和GRU，以及混合架构）进行基准测试。
• 设计EEGNeX为一种深层、完全基于卷积神经网络的架构，灵感源自EEGNet，通过堆叠深度可分离1D卷积和残差连接增强空间与时间建模能力。
• 采用因果填充和空洞卷积，以保持时间分辨率并捕捉脑电信号时间序列中的长程依赖关系。
• 使用批量归一化、ELU激活函数以及丢弃率为0.5的Dropout层，以稳定训练过程并防止过拟合。
• 在所有模型中采用标准化训练协议，包括数据预处理（50Hz陷波滤波、63Hz低通滤波，截取初始250ms）、128Hz下采样，以确保一致性。
• 使用10折交叉验证在MOABB提供的11个运动想象数据集上验证性能，将EEGNeX与最先进模型及基线架构进行比较。

实验结果

研究问题

• RQ1 不同神经网络架构在跨多样化BCI任务解码原始脑电信号时，其泛化能力如何？
• RQ2 完全基于卷积神经网络的架构（如EEGNeX）与混合RNN-CNN模型相比，在表征脑电信号动态特性方面表现如何？
• RQ3 诸如空洞卷积和深度可分离卷积等架构创新是否能显著提升脑电信号解码准确率？
• RQ4 EEGNeX是否在多个脑电数据集上均实现相较于现有最先进模型的统计显著性能提升？
• RQ5 所提出的基准框架如何实现对脑电信号解码模型的公平且可复现的评估？

主要发现

• 在11个运动想象数据集上，EEGNeX相较于现有最先进模型实现了2.1%至8.5%的平均分类准确率提升，且所有增益均具有统计显著性（p < 0.05）。
• 1D卷积神经网络架构的表现优于混合RNN-CNN模型（如CNN-LSTM1D和CNN-GRU1D），表明纯卷积设计在脑电信号表征学习方面更具优势。
• EEGNeX中引入的空洞卷积在不增加模型参数量的前提下，更有效地捕捉了长程时间依赖关系，提升了对长序列脑电信号的建模能力。
• EEGNeX中的深度可分离卷积提升了参数效率并增强了泛化能力，尤其在建模空间与跨通道脑电模式方面表现突出。
• 基准测试揭示，依赖人工特征工程或任务特定预处理的模型在不同数据集上表现不一致，凸显了端到端表征学习的价值。
• EEGNeX在多种脑电数据集（包括MI、ERP、SMR和ERN任务）中均展现出强大的泛化能力，证实其对脑电信号特征分布变化的鲁棒性。