【行业前沿】EEG解码新趋势：深度学习

脑电波(Electroencephalogram)系统，简称EEG系统，是使用放置在头皮上的电极来捕捉我们认知、行为和情绪等各方面的信息，在大脑研究、健康、情感和情绪监控方面都有运用。

EEG信号收集设备

人工智能(Artificial Intelligence)，简称AI，目前在科研领域主要是指让机器具备观察和感知的能力，机器学习(Machine Learning, ML)就是一种实现AI的方法，它可以用算法来解析数据、从中学习，从而对真实世界中的事件做出决策和预测，而深度学习(Deep Learning, DL)是机器学习领域的新方向。

在这篇文章中，我们将讨论AI和机器学习在处理EEG数据中的作用，以及深度学习在EEG领域应用的新趋势。

为什么处理脑电图数据需要机器学习？

通常，EEG数据收集后还要经历预处理、特征提取和解码三个步骤。

EEG处理的三个步骤

在机器学习应用之前，EGG信号需要专业人士目视检查以辨别异常，例如癫痫。

但问题在于，目视检查不仅费时费力，而且所获的数据无法很好地扩展、转移到如脑机接口等其他应用程序中。

■ 脑机接口（brain-computer interface,BCI）：指在人或动物大脑与外部设备之间创建的直接连接，可实现脑与设备的信息交换。

这种情况下AI和机器学习堪称脑电数据分析自动化、扩展和改善的完美伴侣。

机器学习可以基于对EGG提取的特征进行模式分类，预测或识别。直接在脑电信号的时域或频域进行子采样是一种最简单的特征提取方法。

时域（左）：对经过θ波段滤波的EEG信号的一秒钟窗口进行二次采样，并将相应的值堆叠在特征向量上

频域（右）：计算给定窗口上的EEG的功率谱，并将给定频率范围内的功率堆叠到另一个特征向量中

向量可以单独使用，也可以组合用于进一步处理

机器学习在很大程度上减轻了纯人工数据的分析的难度，但是传统的机器学习方法仍然有局限性。

一方面不同来源的EEG数据无法作为一个数据集处理，所以EEG在数据收集仍然困难，另一方面，传统的机器学习的数据分析模型较弱，无法满足不同的实验条件，想要突破这种瓶颈，可以使用深度学习。

深度学习如何应用于解码EEG？

深度学习——作为目前最热的一种实现机器学习的算法，目的在于模拟人脑进行分析，能够学习样本数据的内在规律和表示层次，对数据的解释有很大的帮助。

深度学习与传统机器学习相比的优势

首先，传统机器学习需要手工进行特征提取和模型匹配，而深度学习极大简化了预处理流程，可自动提取特征并同时完成解码。

其次，深度学习可直接处理眼动、伪影或背景脑电图等常见事件，优化了传统方法，深度学习端对端解码的特性得以发挥。

最突出的是，有些深度学习算法模型可适用于不同的实验条件。

深度学习应用于EEG解码的效果

深度学习在EEG解码领域应用的有效性也在多种评估中得到了良好的体现：

在解码情感状态的评估中，结果准确度达到70％到80％。

在癫痫的检测中，深度学习不仅可以捕获专家知识并将其包含在系统中，还可以进行特征提取，用于检测癫痫发作期间出现的大脑模式，和模拟伪影、眼球运动和背景噪音，结果灵敏度达到90%以上，误报率在5%以下，已达到临床应用的要求。

在睡眠分析的评估中，深度学习实现了人类级别的注释性能，注释准确性提高了10％。

从上到下:原始脑电图数据、谱图、人类标签和预测

图片来自(Biswal, 2017)

深度学习为传统的脑科学研究方法带来了效率和效果，是未来EEG解码的趋势所在。

麓联数据自主研发的 Lunion Stage 睡眠分期计算平台 采用了深度学习，有不仅效提升了睡眠分期的分类精度，使分类精度到95%，而且拥有更强的鲁棒性，可灵活适用于不同实验条件的数据。

今后深度学习也可以应用于更多脑科学研究工作中需要支持的部分，麓联数据期待与您一起抓住机遇，共同解决脑科学研究中的难题，创造出更丰硕的科研成果，未来可期，让我们拭目以待！

参考：

https://www.bitbrain.com/blog/ai-eeg-data-processing

The Difference Between AI, Machine Learning, and Deep Learning? | NVIDIA Blog

责任编辑：