事件相關(guān)電位（ERP）作為一種常用腦機(jī)接口（BCI）范式，反映了神經(jīng)系統(tǒng)對外部刺激或事件的反應(yīng)，通常與大腦處理特定認(rèn)知任務(wù)相關(guān)。ERP-BCI在認(rèn)知分析、神經(jīng)疾病檢測及心理狀態(tài)評估中發(fā)揮著關(guān)鍵作用。

近年來，基于深度學(xué)習(xí)的方法在處理自發(fā)性EEG及其他非時(shí)間鎖定任務(wù)相關(guān)EEG信號方面取得重大進(jìn)展。然而，其在ERP數(shù)據(jù)上的有效性尚未充分探索，許多現(xiàn)有ERP研究仍高度依賴人工提取特征。本文開展全面基準(zhǔn)研究，系統(tǒng)比較122種傳統(tǒng)人工特征、10個(gè)深度學(xué)習(xí)模型）及3個(gè)預(yù)訓(xùn)練基礎(chǔ)模型在ERP分析中的表現(xiàn)。建立統(tǒng)一的數(shù)據(jù)預(yù)處理與訓(xùn)練流程，在12個(gè)公開數(shù)據(jù)集上針對兩大代表性任務(wù)，ERP刺激分類（捕捉認(rèn)知響應(yīng)）與基于ERP的腦疾病檢測（神經(jīng)系統(tǒng)和精神疾?。Y(jié)合嚴(yán)格的跨個(gè)體條件評估這些方法。本研究構(gòu)建了具有里程碑意義的框架，為未來ERP分析中的方法選擇與定制化模型設(shè)計(jì)提供指導(dǎo)。

研究問題

Q1: 深度學(xué)習(xí)方法與傳統(tǒng)手工特征相比如何？

Q2: 預(yù)訓(xùn)練-微調(diào)的基座模型是否優(yōu)于已有深度學(xué)習(xí)方法？

Q3: 當(dāng)前最穩(wěn)定和泛化的ERP分類方法是什么？

Q4: 對ERP分析的Transformer方法，什么patch embedding是最有效的？

主要結(jié)論

A1: 大部分深度學(xué)習(xí)方法優(yōu)于手工特征；

A2: 當(dāng)前的腦電基座模型沒有表現(xiàn)出明顯的性能優(yōu)勢；

A3: EEG Conformer取得了當(dāng)前最有競爭力的平均表現(xiàn)；

A4: 單變量patch方法獲得了最有表現(xiàn)。

ERP分析管線

輸入的原始腦電數(shù)據(jù)通過統(tǒng)一的管線進(jìn)行預(yù)處理，包含去除非EEG通道、陷波和帶通濾波、壞通道插值、平均重引用、去除偽影、重采樣、基線校正、試驗(yàn)epoch和z-score歸一化。經(jīng)過處理的ERP試次被輸入給各種模型進(jìn)行訓(xùn)練和分類。

a) 15種方法在所有12個(gè)數(shù)據(jù)集和3個(gè)評估指標(biāo)上的平均性能排名。例如，EEGConformer的值3.96表示36次評估中的平均排名為3.96。

b) 15種方法在所有12個(gè)數(shù)據(jù)集和3個(gè)評價(jià)指標(biāo)上的排名熱圖。較低的等級和較深的藍(lán)色表示性能更好。

F1常用的多變量、單變量和全變量patch embedding的評分比較。所有其他Transformer組件保持相同。

結(jié)論

本文在12個(gè)數(shù)據(jù)集上對ERP刺激類型分類和腦疾病檢測兩個(gè)ERP任務(wù)進(jìn)行了全面的基準(zhǔn)研究。其中比較了15種方法，包括2種手動(dòng)特征提取方法，10種監(jiān)督深度學(xué)習(xí)方法和3種預(yù)訓(xùn)練權(quán)重的基礎(chǔ)模型。此外，為了研究最適合基于Transformer的方法策略，我們對三種常用的patch embedding方法進(jìn)行了對照比較，旨在為ERP特定Transformer架構(gòu)的設(shè)計(jì)提供參考。根據(jù)36項(xiàng)評估的結(jié)果，我們總結(jié)了這項(xiàng)基準(zhǔn)研究的四個(gè)關(guān)鍵結(jié)論。首先，深度學(xué)習(xí)方法在ERP任務(wù)上始終優(yōu)于手動(dòng)特征提取方法。其次，現(xiàn)有的EEG基礎(chǔ)模型與從頭開始訓(xùn)練的深度學(xué)習(xí)模型相比，沒有表現(xiàn)出明顯的性能優(yōu)勢。第三，在評價(jià)的ERP分類方法中，EEG Conformer的綜合性能最具競爭力。第四，單變量策略在表現(xiàn)出最強(qiáng)的性能。我們希望這一研究能夠從模型構(gòu)建及數(shù)據(jù)分析方面為腦機(jī)接口和臨床疾病診斷研究提供重要參考。

文獻(xiàn)鏈接：https://arxiv.org/pdf/2601.00573

來源：腦機(jī)接口社區(qū)