基于轻量卷积神经网络的任务相关脑电成分提取方法
A Method to Extract Task-Related EEG Feature Based on Lightweight Convolutional Neural Network
黄琪1 • 丁晶1 • 汪昕1,2
1复旦大学附属中山医院神经内科，上海 200032，中国
2复旦大学脑科学研究院，上海 200032，中国
第一作者：黄琪
通讯作者：丁晶、汪昕
脑电活动与人脑的生理及病理生理过程息息相关。识别与任务相关的脑电频谱成分不仅可增进对不同脑状态的认识，而且可协助构建智能化分类模型。既往已有研究利用卷积神经网络处理脑电数据，并基于卷积核进行可视化分析。这些方法为挖掘任务相关脑电成分提供一定帮助，但因模型参数量巨大易导致过拟合。
本研究通过探索全连接层与任务相关脑电成分的关系，以评估利用轻量卷积神经网络实现可视化分析的可行性。
在I期实验中，研究人员使用Bonn数据集构建2个二分类任务（任务1：睁眼状态 vs 闭眼状态；任务2：癫痫发作期 vs 发作间期）。十折交叉验证显示该模型的拟合效能随卷积核长度的增加逐渐提高；与SincNet及Morlet相比，传统卷积核构建方式有优势。随后，研究人员对模型中全连接层进行频谱分析，结果示α频段及θ频段的功率分别在任务1、任务2中显著增高，该结果优于卷积核的可视化水平且与已知的电生理变化相符。最后，研究者发现脑电活动在相同状态下仍存在异质性，这在一定程度上会影响模型的准确率（图1）。
图1 基于Bonn数据集的模型评价。A, B 不同模型架构在任务1（睁眼状态 vs 闭眼状态，A）及任务2（癫痫发作期 vs 发作间期，B）中的分类准确率。C,D 不同模型架构在任务1（C）及任务2（D）中的模型可视化程度。E 卷积神经网络各模块在训练前的频谱特征。F 针对任务1进行训练后，卷积神经网络各模块的频谱特征。G 针对任务2进行训练后，卷积神经网络各模块的频谱特征。H 发作间期脑电数据的预测结果。I 发作期脑电数据的预测结果。J 一例被模型正确识别的发作期脑电片段。K 一例被模型错误识别的发作期脑电片段。
在II期实验中，研究人员利用该模型挖掘与手运动相关的脑电特征。基于高密度脑电图数据的分析显示中央区域的脑电活动具有较好的分类价值。其中右中央区（C2、C4、CCP4h、CCP6h）脑电活动与左手运动更为密切，而左中央区（C1、C3、CCP3h、CCP5h）脑电活动与右手运动更为密切。进一步的频谱分析显示上述优势区域在手运动时存在共同的频谱改变。与手运动相关的脑电频谱特征聚焦于δ频段（1.55Hz，图2）。
图2 基于High Gamma数据集的模型评价。A 不同区域脑电信号在任务1（左手运动 vs 安静状态）中的分类表现。B 不同区域脑电信号在任务2（右手运动 vs 安静状态）中的分类表现。C 针对任务进行训练后全连接层的频谱特征。
综上所述，通过优化卷积神经网络架构可提高全连接层的可解释性。基于该特点，本研究所构建的模型在实现卷积神经网络可视化的同时，极大地减少了模型的参数量，这将为挖掘任务相关的脑电成分提供帮助。
关键词：卷积神经网络；全连接层；可视化分析；脑电图
特别致谢：感谢复旦大学类脑智能科学与技术研究院于玉国教授对本研究的大力支持
文章查阅请扫描下方二维码或复制原文链接查看网络版：
https://link.springer.com/article/10.1007/s12264-024-01236-9
▲长按识别二维码阅读论文
点击 / 阅读全文
