【基于深度学习的脑电图识别】基于 CNN 的脑机接口：EEGNet 用于基于EEG的脑机接口的紧凑型卷积神经网络

1. 论文地址：

https://iopscience.iop.org/article/10.1088/1741-2552/aace8c/meta

发表时间：2015年
被引用量：225
输入数据：原始数据
源码地址：https://github.com/vlawhern/arl-eegmodels

2. 核心思想：

使用深度分离卷积（MobileNet 中提出的卷积方法）封装了几种众所周知的 EEG 特征提取概念，例如最佳空间滤波和滤波器组构造，同时减少了训练的参数数量；

并且作者通过使用特征可视化和模型消融分析，表明可以从 EEGNet 模型中提取神经生理学可解释的特征，验证了 EEGNet 的体系结构能够从经过充分研究的 BCI 范例中提取神经生理学上可解释的信号的能力，以表明网络性能不受数据中噪声或伪像信号的驱动；

3. 数据描述：

使用了 P300，ERN，MRCP 和 SMR 四个不同的数据集：

4. EEGNet 的网络结构：

作者称之为紧凑的 CNN 网络结构（注意上图参数是按照 Channel First 的结构写出来的）；

其中输入数据采样频率为 128Hz，大小为 $C\ast T\ast 1$，其中 $C$ 表示通道数，$T$ 是采样窗口的长度（时长）；

Block1：

1. 使用大小为 1×64 的 $F_1$ 个卷积核进行卷积，得到大小为 $C\ast T\ast F_1$ 的不同的带通频率的特征层，其中第一个 64 是采样频率 128Hz 的一半，且这里 $F1=64$；（线性激活）
2. 连接一个 BatchNorm 层；
3. 使用 $D$ 组共 $D\ast F_1$ 个大小为 $C\ast 1$ 的深度分离卷积（Depthwise Convolution）进行通道卷积，将 $C$ 个通道的数据融合，每个带通频率的特征层得到 $D$ 个时序特征向量，图中 $D=1$；（线性激活）
4. 连接一个 BatchNorm 层，并使用 ELU 函数激活；
5. 使用大小为 $1\ast 4$ 的平均池化层降采样到 32 Hz；
6. 最后连接一个 Dropout 层，小样本使用 $rate=0.5$，大样本使用 $rate=0.25$；

注意醉作者还使用了最大规范约束：$||W|{|}^2<1$；

输出大小为 $1\ast (T//4)\ast (D\ast F_1)$；

Block2：

1. 使用 $D$ 组共 $D\ast F_1$ 个大小为 $1\ast 16$ 的深度分离卷积（Depthwise Convolution）进行时序卷积（表示 32Hz 下时长 500ms），并通过 $F_2$ 个 $1\ast 1$ 卷积核混合通道特征，得到大小为 $1\ast (T//4)\ast F_2$；（线性激活）
2. 连接一个 BatchNorm 层，并使用 ELU 函数激活；
3. 使用大小为 $1\ast 8$ 的平均池化层降采样；
4. 连接一个 Dropout 层，小样本使用 $rate=0.5$，大样本使用 $rate=0.25$；

输出大小为 $1\ast (T//32)\ast (F_2)$；

预测层：

1. 将特征层线性展开成长度为 $(T//32)\ast F_2$ 的特征向量；
2. 使用 $softmax$ 输出预测；

5. 参数量对比：

这里跟我写的上一篇博客提到的两个网络对比了参数量：

其中 $EGGNet-4,2$ 表示 $F_1=4,D=2$，并且 $F_2=F_1\ast D$；

6. 实验结果：