Giriş Giriş Giriş

Beyin sinyalleri invazif veya invazif kayıtlardan alan, modern bilgisayarlı nörobilimdeki en hırslı sınırlardan biridir. Elektroensepelliografi (EEG), magnetoenseografi (MEG), fonksiyonel manyetik rezonans görüntüleme (FRI), ve elektrokortikografi (ECoG) yüksek boyutlu, gürültülü ve non-kriptüel veri akışlarından elde edilen bu tür sinyallerin sinirsel sinyallerin sayısal olarak incelenmesi, klinik tanınabilme potansiyeline sahiptir.

Beyin sinyalleri düşük sinyale dayalı oranlarla karakterize edilir, yüksek geçici varyanslara göre doğrudan ham veya minimum işlem öncesi kayıtlardan gelen temel özellikleri öğrenebilir.Bu değişim, güçle sınıflandırma, uykulama gibi, motor görüntüleri ve hatta ilgili konuşmaların ayrıntılı bölümlerinin ardından mümkün olan bu tür temel bilgilerinin tespit edilmesiyle mümkündür.

Geleneksel Neural Network Yaklaşımları

Erken beyin sinyalleri için sinir ağları uygulamak, istenen bir çıkışa kadar dayanır.For EEG bazlı BC:1), çoklu frekans gruplarından (delta, alfa, beta, kumar) ve uzaysal filtreler, genellikle ortak uzaysal desenlerden elde edilen bir dizin - ve istenen bir çıkış için. EEG tabanlı BC için, LDA'lar gibi lineer özellikler grup güç tahminlerini içerir.

İlk olarak, MLPs giriş özellikleri bağımsız olarak, BCI deneylerinin uzaysal topolojisini görmezden gelir ve örneklerin zamansal sıralaması ile ilgilidir. İkincisi, beyin sinyallerinin yüksek riskli dinamikleri ile hızla büyür.Bir sonuç olarak, MLP'lerin BCI deneylerinin tipik bir kanıtı (sonsuzca daha az sayıda denemeyi başarmış olsa da, MLP'ler gürültüyü modellemeye ve pratik faydalarını modellemeye karşı hassastır.

Tam Bağlanmış Ağların Sınırları

Yukarıdaki konuların ötesinde, tam bağlantılı tabakalar, bu yerel bağlantıya saygı duyan bir uzaysal yapıyı çok daha verimli bir şekilde görmezden gelir. bir EEG manastırında, bitişik elektrotlar genellikle yakın çevreden ilişkili potansiyeller hakkında kritik bilgiler içerir ve standart bir MLP'nin bu yerel bağlantıya sahip olmadığı belli bir zaman boyunca bu mekansal yapıyı daha verimli bir şekilde ele geçirebilmeleri gerekir.

Convolutional Neural Networks (CNNs) for Spatial Feature Ekstraksiyon

Convolutional sinir ağları, özellikle EEG ve ECoG için beyin sinyalinin temel bir parçası haline geldi. CNNs, uzaysal veya spatio-temporal boyutlarını kullanarak, 2D ızgarada istatistiksel olarak bağlantılı bir ağla kıyaslanırken yerel ilişkileri korumak için uygulamaktadır.

EEGNet ve Beow / Deep ConvNets

En etkili mimarilerden biri, küçük veri setleri üzerinde tren için yeterince özel olmayan filtreler öğrenmektir. Mimarlık, özellikle EEG sınıflandırması için tasarlanmış kompakt bir CNN. EEGNet, kanaldaki derinlikli ve entellektüel kalıpları kullanarak derinlikli bir şekilde sabitlenmiş ve uygun bir şekilde konvolution kullanır (daha sonra özellikte olan haritaları bir araya getirerek) EEGNet, birden fazla BCI'ye kadar rekabetçi performansa sahip olmak için yeterince uygun bir şekilde gösterilir.

Diğer yaygın olarak kullanılan CNN varyantları, Schirrmeister etten al. (2017). sığ değişken süreçler ham EEG, kanal boyunca uzaysal bir havuz ve son yoğun bir katman için etkilidir.Bu, frekans-grup gücü değişikliklerinin belirgin olduğu motor görüntüleri için geçerlidir.The deep stacks multiple convolutional blocks with a scala processes ham EEGG, to more complex choices tasks, ancak trene daha fazla karmaşık bir şekilde daha fazla veri gerektiren.

Seizure Tespiti ve Ötekilerin CNNleri

Klinik uygulamalarda CNN, sürekli EEG kayıtlarının otomatik nöbet algılamasında olağanüstü performans gösterdi. 2D görüntü (kanlar × zaman), CNN, gerçek zamanlı olarak ameliyat sırasında foktal ve interictal aktivite tespit etmeyi öğrenebilir ve test eder.

Temporal Dynamics için Mevcut Neural Networks (RNNs) ve LSTM

Beyin sinyalleri, son tarih tarafından yoğun olarak ele alınan, her zaman güncel olan gizli bir durumu sürdürmek için tasarlanmıştır. Erken RNNs, 16.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D

LSTMs for continuous EEG Sınıfları

LSTM'ler, zamansal bağlamın uzun süre evrimleştiği görevler için istihdam edildi; bir LSTM bu uzun vadeli bağımlılıkları kodlayabilir veya EEG mikro- LSTM'den konuşmayı hayal edindi. Örneğin, uykuda hem de zaman içinde 8 saniyelik bir polizonografi verilerinin bölümlerini kullanarak, bir LSTM bu daha uzun süre boyunca evrimleşen karakteristik kalıpları içerebilir.

LSTM'leri beyin sinyalleri için kullanma zorluklarından biri, özellikleri tekrarlayan katmanlara beslemeden önce yüksek örnekleme oranıdır (örneğin 250 Hz veya daha yüksek), bu sonuçları çok uzun giriş sıralarında hafifletebilir.Bunu azaltmak için, birçok mimarlık ilk olarak ham sinyalini veya bir araya getirmek için, CNN'nin her kısa sürede uzaysal desenleri beslemeden önce geçici olarak azaltmaktadır.

GRU ve Dikkat-Augmented RNNs

GRUs, LSTM'lerden daha basit bir gating mekanizması sunar ve daha az parametre ile karşılaştırılabilir performans gösterdi ve birçok EEG veri setlerine kıyasla benzer performans gösterdi. Araştırmacılar ayrıca RNN çerçeveleri içinde artırılmış RNN'ler, ağın en bilgilendirici zamana odaklanmasına izin verir. Örneğin, bir sonraki açıklanan bir başlangıç / yeni başlayan mimarlıkta, model, temelden daha önce temelden ziyade stim sunumlarına katılmak için başvurabilir.

Transformers ve Dikkat Mechanisms

Dönüşümlü mimari, başlangıçta doğal dil işleme için gelişmiştir, beyin sinyalinin etkileyici sonuçlarla uyumlu hale getirilmesi için uyarıldı.In its core, the dönüştürücü şişen kazanabilirsiniz:0) Kendi dönüşüm mekanizması) ve zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman (zaman noktaları) ilişkileri, RNN'lerin eşdeğerli şişenleri olmadan yüksek sesle ifade etmesine izin verebilir.

EEGTransformer ve Variants

En erken adaptasyonlardan biri, pozisyona sahip standart bir encoder-sadece dönüşüme sahiptir.Bu mimari, motor görüntü ve duygu tanıma yöntemleri üzerinde elde edilen sonuçları elde eder. hesaplama karmaşıklığı azaltmak için, birçok iş bir araya gelir ve sonra dönüştürücü katmanlar ile standart bir encoder-sadece dönüşüm yapar.The architecture-Transformer[tr|Döneticileri ve duygular tanıma kıyaslama kriterlerini azaltır).

Bir başka önemli değişken, bir yama ızgarası olarak EEG için uyarlanmış olan URL Transformer (ViT)) için uyarlanmış ve bir yama ağı olarak kullanılabilir.[D EEG görüntü (kanlar × zaman) ViT yaklaşımı, çapraz-subject nöbet algılama ve uyku aşaması için bir araya getirilmiştir.Daha yeni modeller, örneğin EEGTCNet veFLT:4EEG-Conformer, birleşik modüller, geçiş noktaları ile birlikte geçiş yapmak için bir araya getirilmiştir.

Çok fazlaModal Transformers ve Cross-Attention

Beyin sinyali, her modality ve sonra çapraz geçiş için çoklu yöntemlerden sık sık sık yararlanır, örneğin EEG ve fMRI veya EEG ve göz ardı etmek gibi. Transformers doğal olarak multi-modal girdileri destekler ve sonra her modality ve sonra çapraz-tavılışlar için ayrı kodlayıcılar kullanarak. Bu paradigma, gerçek dünyadaki iş için umut vericidir, BCG sinyalleri ve periferik fizyolojik sinyalleri (ECG, GSR) kullanarak.

Hibrit Mimarlıklar: CNN'leri, RNN'leri ve Transformers'ları birleştirmek

Tek bir mimarlık tüm beyin sinyallerini genişletmiyor. En etkili çağdaş modeller genellikle her bina bloğunun güçlülerini kullanan karmalardır. Tipik bir hibrit boru hattı ilk olarak yerel mekansal özellikleri çıkarmak için bir dizi convolu katmanları geçerlidir (örneğin, elektrot montages) ve kısa vadeli zaman zamanlayıcıları üretir (örneğin, CNN'in çıktıları daha sonra tekrarlayıcı veya dikkat çekici bir modüle girer.

CNNLSTM ve CNN-Transformer

En başarılı hibrit çerçevelerden biri, Bi-LSTM'nin 0.70'in üzerinde bir kappa değeri elde ettiği, örneğin, genel BCI Yarışması IV veri kümesinde (2a), derin bir şekilde (bazen Conformer) takip edilen bir CNN-LSTM'nin, genel olarak CNN-only temel özelliklerini önemli ölçüde bilgilendirdiği bir değere sahip olması, bu tür özellikleri ve daha genişleyen yüksek çözünürlükte yer alan özellikleri azaltmaktadır.

Ensemble ve Multi-Scale Yaklaşımlar

Hibrit modeller aynı zamanda çok ölçekli işleme de dahil edebilir. Örneğin, bir model üç zamanlı kararlarda sinyali yapabilir (örneğin, 2 ve 4) faktörlerle altüst etmek ve özellikleri dikkat yoluyla birleştirmektedir. Bu mimikler, beyindeki süreçleri yavaş kortical ritimlerden yavaşlamak için kritik bir şekilde birleştirir.

Future Yol ve Açık Meydanlar

Etkileyici ilerlemeye rağmen, birkaç zorluk, sinir ağlarının beyin sinyallerinin yayılması klinik ve ticari olarak uygulanabilir hale gelmeden önce kalır.

Transfer Öğrenme ve Genelleştirme

Büyük bir şişenck, konu genelindeki kötü genelleme, seanslar ve cihazlar.En derin öğrenme modelleri, tek bir konu (veya küçük kohort) ile veri üzerinde eğitilir ve yeni bir kullanıcı ile dağıtım yapar. ”Ücretsiz öğrenme[Dönetici) ve yüksek çözünürlükte bir şekilde, EEG kodlu bir ana modele uyum sağlamak için yüksek çözünürlükte olan GEE'nin genel veri kümesine uyum sağlar.

Denetimsiz ve Kendi Kendine Güvenmiş Öğrenme

Etiketli beyin sinyali verileri daha az etiketle aktarılabilir ve test etmek için zaman alıcıdır.Innetsiz ve kendi denetimli yöntemler, istenmeyen sinyallerden anlamlı temsiller öğrenir, bu da daha sonra daha az etiketli görevlere aktarılabilir.Kontrastive learning, tahmin edici kodlama, ve maskeli otoencoding tüm orijinal ağların %10'undan daha azına uygulanabilir.

Gerçek Zaman ve Low-Latency Decoding

Birçok BCI uygulaması için, iyi mimarileri araştırmak, örneğin sinir ağları[FLT], biyolojik nörologlar ve etkinlik bazlı veriler üzerinde çalışmak ve minimum geç kalmış verilerle gerçek zamanlı olmalıdır. Büyük dönüştürücü modeller, ) büyük modelleri mobil veya donanım için uygun versiyonlarına sahip olmak için uygun şekilde araştırmak için.

Açıklanabilirlik ve Güven

Klinikler ve son kullanıcılar, özellikle tıbbi kararları etkileyen bir dekoding sistemine güvenmeleri gerekir. Derin öğrenme modelleri genellikle kara kutular olarak adlandırılır, ancak son zamanlarda beyin sinyalleri için fizyolojik olarak ilgili özellikler ortaya çıkabilir - örneğin, bir dekansım belirli bir frekans bandına veya belirli bir beyin bölgesine odaklanır.

Multi-Task ve Multi-Subject Modelling

Mevcut modeller genellikle tek bir görev için eğitilmiştir (örneğin, motor görüntü veya nöbet algılama tespiti) Ortak bir temsilin aynı anda birkaç ilgili görevde eğitildiği, bireysel görev performansını artırma konusunda söz verdi. Benzer şekilde, çok yükleyici modeller, konu genelinde ortak bir anatomik ve işlevsel temsili öğrenebilmeleri için: herhangi bir kalibrasyon verileri olmadan bir roman konusunu bir paradigma değişikliğini ortadan kaldırmak.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Beyin sinyali için neural ağ mimarisi, basit tam bağlantılı ağlardan, bu elemanları birleştirir, genellikle veri kıtlığı yakalama konusunda başarılı olur.Genellikle ilgili modeller ve LSTM'ler model zaman bağımlılıkları; dönüştürücüler güçlü küresel bağlam ve destek multi-modal füzyon sağlar.En etkili modern modeller, bu elemanları birleştirir ve veri kıvrımlarını ve bir sonraki bilgisayar destekli bir şekilde takip etmeyi bekleyebilirler.