47、脑电信号分类的深度学习模型研究与应用

脑电信号分类的深度学习模型研究与应用

实验过程与模型评估

探索性数据分析（EDA）

在本次研究中，使用了GAL - 数据集，并对其进行了标准的预处理。预处理过程充分考虑了物理动作（这里主要指手部动作）的对应时间位置及其持续时间。对所有32个脑电图（EEG）通道都进行了这样的预处理，图1展示了经过EDA和预处理后得到的时间序列示例，这些示例展示了EEG信号最具特征的部分，有助于更好地理解EEG大脑活动的细节。此外，还可以基于简单循环神经网络（RNN）、门控循环单元（GRU）、长短期记忆网络（LSTM）及其组合等深度神经网络（DNN）对EEG数据通道的各种组合进行处理。

DNN训练、验证和测试阶段

在所有设置中，针对每个手部动作测量了AUC（曲线下面积）值，并计算了其微观和宏观平均值。宏观平均AUC独立计算每个类别的AUC指标，然后求平均值，所有类别被平等对待；微观平均AUC则将所有类别汇总以获得平均指标。这些指标对于多类别分类问题非常重要，微观平均AUC考虑了类别不平衡，即结果值基于每个类别的比例，大类别对结果的影响更大；而宏观平均CSA不考虑类别不平衡，是各类别性能的简单平均，每个类别权重相等。

对最简单的（“基线”）RNN、GRU、LSTM（在TensorFlow Keras实现中）模型进行了单轮次的5折交叉验证，并计算了不同验证子集的平均AUC值。以下是基线模型的相关数据：
| 模型 | AUCmacro | 参数 | 训练时间（s） |
| — | — | — | — |
| SimpleRNN Dense | 0.758 | 761,604 | 3,284 |
| GRU Dense