《表2 深度神经网络应用于认知典型研究成果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的头皮脑电信息解码研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于EEG的神经疾病诊断与预测，是最早应用深度学习的领域。通过EEG的疾病诊断本质是对大脑状态进行判断，包括病患在节律与激活反应上的差异，RNN表现出了良好的性能。Hussein与Tsiouris在使用LSTM进行癫痫检测的研究中，虽然分别采用手选特征与原始EEG，但都在公开数据集中获得了100%的真阳性率[49，57]，其他基于CNN的研究也普遍达到了90%以上的真阳性率，其中Ullah使用1-D卷积策略在公开数据集中获得了99%真阳性率[88-89]。其他已被报道的疾病还包括阿兹海默症与抑郁症[90-91]。深度模型也早已应用于人类认知研究，主要在于对不同精神状态下EEG模式的识别，包括情绪、睡眠、脑力负荷、学习状态等。在情绪分类与睡眠分期研究中，由于EEG模式的变化具有渐变性，很多研究者采用了手动提取特征的策略，并使用RNN捕获状态的转变[56，92]。EEG模式的改变是人类在工作学习过程中精神状态变化的客观反映。Hajinoroozi等在研究驾驶员疲劳状态中对比了深度模型与浅学习方法的性能，指出对疲劳程度的判断正确率深度学习方法要优于浅学习方法[93]。基于此，Hefron等进一步使用深度网络，实现了跨个体的负荷检测[94]。Ni等则设计使用了双向LSTM（bi-directional long short-term memory，BiLSTM），对学生在学习网络视频课程时的学习状态进行鉴别，通过在学习过程中同步采集的EEG，判断学生是否对学习内容感到困惑[50]。可以发现，无论是传统领域还是新方向，深度学习的信息挖掘能力使人们能够获得很多浅模型无法实现的功能，未来在认知状态检测领域，深度学习势必会有更多新的应用。表2展示了部分深度学习在认知领域的研究成果。