Глубокое обучение для задач классификации электроэнцефалограмм (ЭЭГ): обзор

ЦЕЛЬ: Анализ электроэнцефалографии (ЭЭГ) является важным инструментом нейронауки, применяемым в нейронауке, нейроинженерии (например, в интерфейсах мозг–компьютер, BCI), а также в коммерческих приложениях. Многие аналитические инструменты, используемые в исследованиях ЭЭГ, применяют машинное обучение для выявления значимой информации, необходимой для нейронной классификации и нейровизуализации. В последнее время доступность больших наборов данных ЭЭГ и достижения в области машинного обучения привели к внедрению архитектур глубокого обучения, особенно для анализа сигналов ЭЭГ и понимания информации, которую они могут содержать о функционировании мозга. Надёжная автоматическая классификация этих сигналов является важным шагом к тому, чтобы сделать использование ЭЭГ более практичным во многих приложениях и менее зависимым от специально подготовленных специалистов. Для достижения этой цели был проведён систематический обзор литературы по применению глубокого обучения для классификации ЭЭГ, направленный на рассмотрение следующих ключевых вопросов: (1) Какие задачи классификации ЭЭГ исследовались с использованием глубокого обучения? (2) Какие способы представления входных данных применялись для обучения глубоких сетей? (3) Существуют ли специфические структуры сетей глубокого обучения, подходящие для определённых типов задач? МЕТОДЫ: Систематический обзор литературы по классификации ЭЭГ с использованием глубокого обучения был проведён по базам данных Web of Science и PubMed; всего было выявлено 90 исследований. Эти исследования анализировали по типу задачи, методам предварительной обработки ЭЭГ, типу входных данных и архитектуре глубокого обучения. ОСНОВНЫЕ РЕЗУЛЬТАТЫ: В задачах классификации ЭЭГ свёрточные нейронные сети, рекуррентные нейронные сети и сети глубокого убеждения превосходят многослойные авто кодировщики и нейронные сети с многослойным перцептроном по точности классификации. Задачи, в которых применялось глубокое обучение, относились к пяти основным группам: распознавание эмоций, моторное воображение, умственная нагрузка, обнаружение приступов, обнаружение потенциалов, связанных с событиями, и оценивание сна. Для каждого типа задач описываются конкретные inp...