网站首页            期刊简介             编委会             投稿指南             期刊订阅             下载中心             在线留言            联系我们             English
  2025年1月9日 星期四  
文章快速检索
中国生物医学工程学报  2019, Vol. 38 Issue (4): 464-472    DOI: 10.3969/j.issn.0258-8021.2019.04.11
  综述 本期目录 | 过刊浏览 | 高级检索 |
深度学习算法在脑电信号解码中的应用
韦梦莹, 李琳玲, 黄淦, 唐翡, 张治国*
(深圳大学医学部生物医学工程学院, 医学超声关键技术国家地方联合工程实验室, 广东省医学信息检测与超声成像重点实验室, 广东 深圳 518060)
Deep Learning in EEG Decoding: A Review
Wei Mengying, Li Linling, Huang Gan, Tang Fei, Zhang Zhiguo*
(School of Biomedical Engineering, Health Science Center, Shenzhen University, National Regional Key Technology Engineering Laboratory for Medical Ultrasound, Guangdong Provincial Key Laboratory of Biomedical Measurements and Ultrasound Imaging, Shenzhen 518060, China)
全文: PDF (1092 KB)   HTML (0 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 近年来深度学习算法得到飞速发展,在生物医学工程领域的应用也越来越广泛。其中,利用深度学习算法从脑电信号(EEG)中解码生理、心理或病理状态也受到越来越多的关注。综述近年来深度学习算法在EEG解码中的应用,介绍常用算法、典型应用场景、重要进展和现存的问题。首先,论述常用于EEG解码的几类深度学习算法的基本原理,包括卷积神经网络、深度信念网络、自编码器和循环神经网络等。然后,讨论深度学习算法的几个典型EEG解码应用场景,包括脑机接口、情绪与认知识别、疾病辅助诊断。结合应用实例,归纳深度学习算法在EEG解码中的常见问题、解决方案、主要进展和研究趋势。最后,总结深度学习应用于EEG信号解码中仍待解决的一些关键问题,如参数复杂度、训练时间以及泛化能力等。
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
韦梦莹
李琳玲
黄淦
唐翡
张治国
关键词 深度学习神经网络脑电解码脑机接口    
Abstract:In recent years, deep learning algorithms have been developed rapidly, and they are becoming a powerful tool in biomedical engineering. Especially, there has been an increasing focus on the use of deep learning algorithms for decoding physiological, psychological or pathological states of the brain from EEG. This paper overviews current applications of deep learning algorithms in various EEG decoding tasks, and introduces commonly used algorithms, typical application scenarios, important progresses and existing problems. Firstly, we briefly describe the basic principles of deep learning algorithms used in EEG decoding, including convolutional neural network, deep belief network, auto-encoder and recurrent neural network. Then this paper discusses existing applications of deep learning on EEG, including brain-computer interfaces, cognitive neuroscience and diagnosis of brain disorders. Finally, this paper outlines some key issues that need to be addressed in future applications of deep learning for EEG decoding, such as parameter selection, computational complexity, and the capability of generalization.
Key wordsdeep learning    neural network    EEG    decoding    brain-computer interface
收稿日期: 2018-05-09     
PACS:  R318  
通讯作者: *E-mail: zgzhang@szu.edu.cn   
引用本文:   
韦梦莹, 李琳玲, 黄淦, 唐翡, 张治国. 深度学习算法在脑电信号解码中的应用[J]. 中国生物医学工程学报, 2019, 38(4): 464-472.
Wei Mengying, Li Linling, Huang Gan, Tang Fei, Zhang Zhiguo. Deep Learning in EEG Decoding: A Review. Chinese Journal of Biomedical Engineering, 2019, 38(4): 464-472.
链接本文:  
http://cjbme.csbme.org/CN/10.3969/j.issn.0258-8021.2019.04.11     或     http://cjbme.csbme.org/CN/Y2019/V38/I4/464
版权所有 © 2015 《中国生物医学工程学报》编辑部
本系统由北京玛格泰克科技发展有限公司设计开发