研究の関連論文をまとめていきます。
読んだらまとめていきます。（書いていないところは読みたいけど未だまとめられていません）
1.EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification
https://ieeexplore.ieee.org/document/9739771
D. Garrett; D.A. Peterson; C.W. Anderson; M.H. Thaut
github コード
https://github.com/AbbasSalami/EEG-ITNet
1.どんなもの？
EEG-ITNet と呼ばれるエンドツーエンドのディープ ラーニング アーキテクチャと、ネットワークの学習パターンを視覚化するためのよりわかりやすい方法の提案
2.先行研究と比べてどこがすごい？
従来研究では手作業による特徴の抽出や分類前の信号変換を必要とするアプローチが好まれています。しかしながら事前情報や処理をなくすE2Eのニューラルネットワークその推論は、堅牢な BCI システムの開発に大きな影響を与え、専門知識の必要性を減らすことができます。
ShallowNet と DeepConvNet[1]は説明不可能です。
EEGNet[2]は著者がネットワークから抽出された特徴を視覚化して解釈しようとしましたが、結果はあまり直感的ではないらしい(著者感覚)
EEG-Inception[3]は学習プロセスを説明して特徴を抽出しようとしなかったため、ネットワークは解釈可能性に欠けていました。
MI-EEGNET[4]は以前のアーキテクチャよりも優れたパフォーマンスを発揮しましたが、トレーニング可能なパラメーターの数が多いため、解釈が困難でした。
これらの点より優れているアーキテクチャーがEEG-ITNetです。
3.技術や手法のキモはどこ？
インセプションブロック[3]: さまざまなフィルター サイズを持ついくつかの並列 (順次ではなく) 畳み込み層を使用し、それらの出力を畳み込みチャネル次元に沿ってスタックします(インセプション モジュール)。(GoogLeNet の論文でも使用されている。)
時間畳み込み (TC) ブロック:さまざまな有益な周波数サブバンドでソースを抽出した後、TCN アーキテクチャを適用して、時系列の履歴を考慮しながら識別可能な時間的特徴を抽出します。
次元削減 (DR) ブロック:さまざまな周波数スペクトルを持つソースから抽出された時間情報が含まれています。したがって、1×1 畳み込み層を使用して、これらの時間的特徴を組み合わせ、分類タスクの実行に使用される最終的な特徴の数を出力します。
分類ブロック:これはソフトマックスレイヤー
4.どうやって有効だと検証した？
EEGNet、EEG-TCNet、EEG-Inception と精度を比較
EEG-ITNet の開始ブロックは、2、4、および 8 個のフィルターとカーネル サイズがそれぞれ 16、32、および 64 サンプルの 3 つの 2D 畳み込み層で構成され、その後に深さ 1 の 3 つの深さ方向畳み込み層が続きます。信号のサンプリング レートは 125Hz であり、64 サンプルのサイズで最大のカーネルが選択されました。
データはBCIコンペティションを使用
同じ被験者データ内でのトレーニングとテストにデータ拡張を使用すると、HS-CNN のパフォーマンスが向上したことを報告しています。
5.議論はある？
EEGNetやEEG-Inceptionなどが説明や解釈可能かの判断は著者任せ
openBCIなどの一般的な
6.次に読むべき論文は？
[1]Deep learning with convolutional neural networks for EEG decoding and visualization
[2]EEGNet: A compact convolutional neural network for EEG-based brain–computer interfaces
[3]EEG-inception: A novel deep convolutional neural network for assistive ERP-based brain-computer interfaces
2.Deep Representation-Based Domain Adaptation for Nonstationary EEG Classification
He Zhao; Qingqing Zheng; Kai Ma; Huiqi Li; Yefeng Zheng
1.どんなもの？
CSPやFBCSPなどの既存のEEG特徴抽出法では、時間情報のさらなる活用が無視されている。
フィルタバンク空間フィルタリングと深い時間-空間特徴学習を組み合わせたアプローチFBSF-TSCNNが提案さています。
CSPの説明は私の記事を参照ください。
2.先行研究と比べてどこがすごい？
3.技術や手法のキモはどこ？
4.どうやって有効だと検証した？
5.議論はある？
6.次に読むべき論文は？
3.EEG-inception: an accurate and robust end-to-end neural network for EEG-based motor imagery classification
Jin Xie; Jie Zhang; Jiayao Sun; Zheng Ma; Liuni Qin; Guanglin Li; Huihui Zhou; Yang Zhan など
1.どんなもの？
Transformerに基づくアプローチは、運動イメージ脳波の分類を行っています。
脳波信号はEnd-to-End学習の方式をとるためrowデータで学習にかけています。
2.先行研究と比べてどこがすごい？
3.技術や手法のキモはどこ？
4.どうやって有効だと検証した？
5.議論はある？
6.次に読むべき論文は？
4.EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification
Ce Zhang, Young-Keun Kim, and Azim Eskandarian
1.どんなもの？
2.先行研究と比べてどこがすごい？
3.技術や手法のキモはどこ？
4.どうやって有効だと検証した？
5.議論はある？
6.次に読むべき論文は？
5.Deep learning with convolutional neural networks for EEG decoding and visualization
Robin Tibor Schirrmeister,Jost Tobias Springenberg,Lukas Dominique Josef Fiederer,Martin Glasstetter
https://onlinelibrary.wiley.com/doi/full/10.1002/hbm.23730
githubコード
https://github.com/robintibor/braindecode/tree/master/braindecode
1.どんなもの？
2.先行研究と比べてどこがすごい？
3.技術や手法のキモはどこ？
4.どうやって有効だと検証した？
5.議論はある？
6.次に読むべき論文は？
メモ: 読みたい論文
[1]An end-to-end CNN with attentional mechanism applied to raw EEG in a BCI classification task
引用元
-
Autthasan et al., "MIN2Net: End-to-End Multi-Task Learning for Subject-Independent Motor Imagery EEG Classification," in IEEE Transactions on Biomedical Engineering, vol. 69, no. 6, pp. 2105-2118, June 2022, doi: 10.1109/TBME.2021.3137184.
https://arxiv.org/abs/2102.03814 -
J. Chen, Z. Yu, Z. Gu and Y. Li, "Deep Temporal-Spatial Feature Learning for Motor Imagery-Based Brain–Computer Interfaces," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 28, no. 11, pp. 2356-2366, Nov. 2020, doi: 10.1109/TNSRE.2020.3023417.
https://ieeexplore.ieee.org/document/9201542 -
J. Xie et al., "A Transformer-Based Approach Combining Deep Learning Network and Spatial-Temporal Information for Raw EEG Classification," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 30, pp. 2126-2136, 2022, doi: 10.1109/TNSRE.2022.3194600.