第11期
论文周报
抱歉各位脑机接口社区的好朋友，今天分享来晚了。Rose小哥昨天回家了，坐了一天的车，今天一大早又赶着外甥女的生日，这会才抽出时间来分享。估计在家的这段时间里，分享时间可能会不固定，提前和朋友们说一声，感谢大家的关注。
下面是这期的论文周报。
验证深度神经网络对脑电信号运动想象的在线解码
导读
基于脑电(EEG)的非侵入性(无创性)运动想象脑机接口(BCI)通过对不同想象任务（如手部运动）引起的EEG模式进行分类，将受试者的运动意图转换为控制信号。这种类型的BCI已经得到了广泛的研究，并作为残疾患者(如脑干卒中或脊髓损伤患者)的交流和环境控制的替代模式。传统的机器学习方法在脑电信号分类方面取得了一定的成功，但这些方法依赖手工提取特征。而脑电信号具有高度的非平稳性，提取这些EEG特征属于一项较为困难的任务，这也是分类性能停滞不前的主要原因。近年来。深度学习方法的快速发展使得无需任何特征工程的端到端学习成为可能，这有利于BCI运动想象应用的发展。论文中提出了三种深度学习模型：
（1）长短期记忆（LSTM）；
（2）基于谱图的卷积神经网络模型（CNN）；
（3）递归卷积神经网络（RCNN）。
用于直接从原始EEG信号中解码运动想象，而无需任何人工特征工程。
在论文作者自己的公开可用的，从20个受试者中收集的EEG数据以及在”BCI竞赛IV”中称为2b EEG数据集的现有数据集上评估了结果。总的来说，与目前最先进的机器学习技术相比，深度学习模型可以获得更好的分类性能，这为开发新的鲁棒性脑电信号解码技术开辟了新的道路。作者通过演示使用基于CNN的BCI对机器人手臂的成功实时控制更加证实了这个结论。
数据采集
为了记录MI-EEG数据，本实验招募了20名健康的受试者(25.5~36.5岁)[右撇子], 进行了一系列的动觉性MI任务，共进行了750次试验。所有记录会话都在实验室进行，并且设置如图1所示。每节课4次，每次12分钟，中间休息10分钟，以避免精神疲劳。每次运行由几个MI任务组成，每个任务10 s长。在t=4.5 s时，显示一个指向左侧或右侧的箭头，并发出声音警告音(1 kHz，70 ms)。要求受试者根据显示的提示想象一个动作(向左或向右)，持续4秒钟。MI任务之后是1.5s的放松期，这两个试验是分开的。在实验记录期间，未请求执行任何移动。数据记录和采样频率为256Hz，记录和采样系统为用g.tec和g.USBamp脑电系统，根据10/20系统定位32个活性电极。
方法效果
本论文对传统分类方法和神经网络分类方法进行实验比较。效果如下：
下图a中为传统分类算法的结果。总体而言，QLDA优于所有其他分类器，CSP和log-BP特征下的平均准确率分别为79.5%和78%。DT表现最差，平均准确率为67%。根据QLDA分类器的性能，将20名参与者分为三组：(G1)受试者S3和S14的平均准确率低于75%。(G2)受试者S1、S2、S4、S5、S7、S8、S9、S10、S11、S12、S13、S15、S16、S17、S19和S20的平均准确度在75%到79%之间。(G3)受试者S6和S18的平均准确率分别为80.52%和82.09%。值得注意的是，使用QLDA进行测试时，使用小波方法获得了75%的平均精度。
下图b对比了使用改进的神经分类器(RCNN、LSTM、pCNN)和Schirrmeister等人提出的另外两种模型dCNN和sCNN得到的分类精度。值得注意的是，dCNN和pCNN模型优于其他所有已开发的分类器，并且具有更高的准确性。
使用5个不同的分类器对9个受试者进行MI分类。极坐标柱状图显示了9个研究对象的5个模型的精度范围(平均标准偏差)。下面的面板包含了每种算法实现的9个平均精度，黑色条表示中值结果。
实时脑电信号解码和Katana机器人手臂控制的实时设置。P(L)和P(R)分别代表左手和右手移动的概率。
Conclusion
本文详细介绍了三种深度学习模型(LSTM、pCNN、RCNN)对脑电信号想象手部动作的在线解码。并与文献中提出的两种模型(dCNN、sCNN)进行了比较。总体而言，两种CNN架构(dCNN和pCNN)表现出了更好的性能，在20个参与者中获得了高于84%的平均准确率，RCNN模型获得了77.72%的平均准确率，LSTM模型获得了与最新结果相当的准确率。
传统的脑电数据解码方法主要有(1)数据预处理、(2)特征工程和(3)分类。这三个处理步骤的方法有很多，但是必须经过专家的仔细选择和联系。神经网络可以合并步骤(2)和步骤(3)，并自动识别相关数据特征。神经网络的好处在于它们可以根据不同的试验、不同的受试者，甚至可能是不同的任务，可以自动地，动态地使特征的选择和权重适应不同的试验。
