Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ

Глубокое обучение с использованием сверточных нейронных сетей (глубоких ConvNet) произвело революцию в области компьютерного зрения благодаря сквозному обучению, то есть обучению на исходных данных. Интерес к применению глубоких ConvNet для сквозного анализа электроэнцефалографии (ЭЭГ) растет, однако по-прежнему необходимо лучше понимать, как проектировать и обучать ConvNet для сквозного декодирования ЭЭГ и как визуализировать информативные признаки ЭЭГ, которые изучают ConvNet. В настоящей работе мы исследовали глубокие ConvNet с рядом различных архитектур, предназначенных для декодирования воображаемых или выполняемых задач по исходным данным ЭЭГ. Наши результаты показывают, что современные достижения в области машинного обучения, включая пакетную нормализацию и экспоненциальные линейные элементы, в сочетании со стратегией обучения на обрезанных фрагментах повысили эффективность декодирования глубоких ConvNet; она достигла как минимум такой же эффективности, как широко используемый алгоритм общих пространственных шаблонов с банком фильтров (FBCSP) (средняя точность декодирования: 82,1% для FBCSP и 84,0% для глубоких ConvNet). В то время как FBCSP разработан для использования модуляций спектральной мощности, признаки, используемые ConvNet, не фиксируются априори. Разработанные нами новые методы визуализации изученных признаков показали, что ConvNet действительно научились использовать модуляции спектральной мощности в альфа-, бета- и высокочастотном гамма-диапазонах, а также оказались полезными для пространственного картирования изученных признаков, выявляя топографию причинных вкладов признаков в различных частотных диапазонах в решение о декодировании. Таким образом, наше исследование показывает, как проектировать и обучать ConvNet для декодирования информации, связанной с задачей, из исходных данных ЭЭГ без специально сконструированных признаков, и подчеркивает потенциал глубоких ConvNet в сочетании с передовыми методами визуализации для картирования мозга на основе ЭЭГ. Hum Brain Mapp 38:5391–5420, 2017. © 2017 Wiley Periodicals, Inc.