【原】应用深度学习EEGNet来处理脑电信号

脑机接口社区 2021-07-01

展开全文

更多技术干货第一时间送达

本篇文章内容主要包括：

EEGNet论文；
EEGNet的实现。

EEGNet简介

脑机接口(BCI)使用神经活动作为控制信号，实现与计算机的直接通信。这种神经信号通常是从各种研究透彻的脑电图(EEG)信号中挑选出来的。卷积神经网络(CNN)主要用来自动特征提取和分类，其在计算机视觉和语音识别领域中的使用已经很广泛。CNN已成功应用于基于EEG的BCI；但是，CNN主要应用于单个BCI范式，在其他范式中的使用比较少，论文作者提出是否可以设计一个CNN架构来准确分类来自不同BCI范式的EEG信号，同时尽可能地紧凑(定义为模型中的参数数量)。该论文介绍了EEGNet，这是一种用于基于EEG的BCI的紧凑型卷积神经网络。论文介绍了使用深度和可分离卷积来构建特定于EEG的模型，该模型封装了脑机接口中常见的EEG特征提取概念。论文通过四种BCI范式(P300视觉诱发电位、错误相关负性反应(ERN)、运动相关皮层电位(MRCP)和感觉运动节律(SMR))，将EEGNet在主体内和跨主体分类方面与目前最先进的方法进行了比较。结果显示，在训练数据有限的情况下，EEGNet比参考算法具有更强的泛化能力和更高的性能。同时论文也证明了EEGNet可以有效地推广到ERP和基于振荡的BCI。

网络结构图如下：

实验结果如下图，P300数据集的所有CNN模型之间的差异非常小，但是MRCP数据集却存在显著的差异，两个EEGNet模型的性能都优于所有其他模型。对于ERN数据集来说，两个EEGNet模型的性能都优于其他所有模型(p < 0.05)。

如下图每个模型的P300，ERN和MRCP数据集的分类性能平均为30倍。对于P300和MRCP数据集，DeepConvNet和EEGNet模型之间的差异很小，两个模型的性能均优于ShallowConvNet。对于ERN数据集，参考算法（xDAWN + RG）明显优于所有其他模型。

下图是对EEGNet-4,1模型配置获得的特征进行可视化，

（A）每个空间过滤器的空间拓扑。

（B）每个滤波器的目标试验和非目标试验之间的平均小波时频差。

下图中第一排是使用DeepLIFT针对MRCP数据集的三个不同测试试验，对使用cross-subject训练的EEGNet-8,2模型进行的单次试验脑电特征相关性：（A）高可信度，正确预测左手运动;

（B）高可信度，正确预测右手运动;

（C）低可信度，错误预测左手运动。

标题包括真实的类别标签和该标签的预测概率。

第二排是在两个时间点的相关性空间分布图：按钮按下后大约50毫秒和150毫秒。与预期的一样，高可信度试验显示出分别对应左（A）和右（B）按钮对应的对侧运动皮层的正确相关性。对于低置信度的试验，可以看到相关性更加混杂且分布广泛，而运动皮质没有明确的空间定位。

EEGNet网络实现

作者提供的代码用的是旧版本的Pytorch，所以有一些错误。Rose小哥基于作者提供的代码在Pytorch 1.3.1(only cpu)版本下修改，经测试，在Rose小哥环境下可以运行[不排除在其他环境可能会存在不兼容的问题]

# 导入工具包import numpy as npfrom sklearn.metrics import roc_auc_score, precision_score, recall_score, accuracy_scoreimport torchimport torch.nn as nnimport torch.optim as optimfrom torch.autograd import Variableimport torch.nn.functional as Fimport torch.optim as optim

EEGNet网络模型参数如下：

定义网络模型：

class EEGNet(nn.Module): def __init__(self): super(EEGNet, self).__init__() self.T = 120

# Layer 1 self.conv1 = nn.Conv2d(1, 16, (1, 64), padding = 0) self.batchnorm1 = nn.BatchNorm2d(16, False)

# Layer 2 self.padding1 = nn.ZeroPad2d((16, 17, 0, 1)) self.conv2 = nn.Conv2d(1, 4, (2, 32)) self.batchnorm2 = nn.BatchNorm2d(4, False) self.pooling2 = nn.MaxPool2d(2, 4)

# Layer 3 self.padding2 = nn.ZeroPad2d((2, 1, 4, 3)) self.conv3 = nn.Conv2d(4, 4, (8, 4)) self.batchnorm3 = nn.BatchNorm2d(4, False) self.pooling3 = nn.MaxPool2d((2, 4))

# 全连接层 # 此维度将取决于数据中每个样本的时间戳数。 # I have 120 timepoints. self.fc1 = nn.Linear(4*2*7, 1)

def forward(self, x): # Layer 1 x = F.elu(self.conv1(x)) x = self.batchnorm1(x) x = F.dropout(x, 0.25) x = x.permute(0, 3, 1, 2)

# Layer 2 x = self.padding1(x) x = F.elu(self.conv2(x)) x = self.batchnorm2(x) x = F.dropout(x, 0.25) x = self.pooling2(x)

# Layer 3 x = self.padding2(x) x = F.elu(self.conv3(x)) x = self.batchnorm3(x) x = F.dropout(x, 0.25) x = self.pooling3(x)

# 全连接层 x = x.view(-1, 4*2*7) x = F.sigmoid(self.fc1(x)) return x

定义评估指标：

acc：准确率

auc:AUC 即 ROC 曲线对应的面积

recall:召回率

precision:精确率

fmeasure：F值

def evaluate(model, X, Y, params = ["acc"]): results = [] batch_size = 100

predicted = []

for i in range(len(X)//batch_size): s = i*batch_size e = i*batch_size+batch_size

inputs = Variable(torch.from_numpy(X[s:e])) pred = model(inputs)

predicted.append(pred.data.cpu().numpy())

inputs = Variable(torch.from_numpy(X)) predicted = model(inputs) predicted = predicted.data.cpu().numpy() """ 设置评估指标： acc：准确率 auc:AUC 即 ROC 曲线对应的面积 recall:召回率 precision:精确率 fmeasure：F值 """ for param in params: if param == 'acc': results.append(accuracy_score(Y, np.round(predicted))) if param == "auc": results.append(roc_auc_score(Y, predicted)) if param == "recall": results.append(recall_score(Y, np.round(predicted))) if param == "precision": results.append(precision_score(Y, np.round(predicted))) if param == "fmeasure": precision = precision_score(Y, np.round(predicted)) recall = recall_score(Y, np.round(predicted)) results.append(2*precision*recall/ (precision+recall)) return results

构建网络EEGNet，并设置二分类交叉熵和Adam优化器

# 定义网络net = EEGNet()# 定义二分类交叉熵 (Binary Cross Entropy)criterion = nn.BCELoss()# 定义Adam优化器optimizer = optim.Adam(net.parameters())

创建数据集

"""生成训练数据集，数据集有100个样本训练数据X_train:为[0,1)之间的随机数;标签数据y_train:为0或1"""X_train = np.random.rand(100, 1, 120, 64).astype('float32')y_train = np.round(np.random.rand(100).astype('float32')) """生成验证数据集，数据集有100个样本验证数据X_val:为[0,1)之间的随机数;标签数据y_val:为0或1"""X_val = np.random.rand(100, 1, 120, 64).astype('float32')y_val = np.round(np.random.rand(100).astype('float32'))"""生成测试数据集，数据集有100个样本测试数据X_test:为[0,1)之间的随机数;标签数据y_test:为0或1"""X_test = np.random.rand(100, 1, 120, 64).astype('float32')y_test = np.round(np.random.rand(100).astype('float32'))

训练并验证

batch_size = 32# 训练循环for epoch in range(10): print("\nEpoch ", epoch)

running_loss = 0.0 for i in range(len(X_train)//batch_size-1): s = i*batch_size e = i*batch_size+batch_size

inputs = torch.from_numpy(X_train[s:e]) labels = torch.FloatTensor(np.array([y_train[s:e]]).T*1.0)

# wrap them in Variable inputs, labels = Variable(inputs), Variable(labels)

# zero the parameter gradients optimizer.zero_grad()

# forward + backward + optimize outputs = net(inputs) loss = criterion(outputs, labels) loss.backward()

optimizer.step()

running_loss += loss.item()

# 验证 params = ["acc", "auc", "fmeasure"] print(params) print("Training Loss ", running_loss) print("Train - ", evaluate(net, X_train, y_train, params)) print("Validation - ", evaluate(net, X_val, y_val, params)) print("Test - ", evaluate(net, X_test, y_test, params))

Epoch 0

['acc', 'auc', 'fmeasure']

Training Loss 1.6107637286186218
Train - [0.52, 0.5280448717948718, 0.6470588235294118]
Validation - [0.55, 0.450328407224959, 0.693877551020408]
Test - [0.54, 0.578926282051282, 0.6617647058823529]

Epoch 1
['acc', 'auc', 'fmeasure']
Training Loss 1.5536684393882751
Train - [0.45, 0.41145833333333337, 0.5454545454545454]
Validation - [0.55, 0.4823481116584565, 0.6564885496183207]
Test - [0.65, 0.6530448717948717, 0.7107438016528926]

Epoch 2
['acc', 'auc', 'fmeasure']
Training Loss 1.5197088718414307
Train - [0.49, 0.5524839743589743, 0.5565217391304348]
Validation - [0.53, 0.5870279146141215, 0.5436893203883495]
Test - [0.57, 0.5428685897435898, 0.5567010309278351]

Epoch 3
['acc', 'auc', 'fmeasure']
Training Loss 1.4534167051315308
Train - [0.53, 0.5228365384615385, 0.4597701149425287]
Validation - [0.5, 0.48152709359605916, 0.46808510638297873]
Test - [0.61, 0.6502403846153847, 0.5517241379310345]

Epoch 4
['acc', 'auc', 'fmeasure']
Training Loss 1.3821702003479004
Train - [0.46, 0.4651442307692308, 0.3076923076923077]
Validation - [0.47, 0.5977011494252874, 0.29333333333333333]
Test - [0.52, 0.5268429487179488, 0.35135135135135137]

Epoch 5
['acc', 'auc', 'fmeasure']
Training Loss 1.440490186214447
Train - [0.56, 0.516025641025641, 0.35294117647058826]
Validation - [0.36, 0.3801313628899836, 0.2]
Test - [0.53, 0.6113782051282052, 0.27692307692307694]

Epoch 6
['acc', 'auc', 'fmeasure']
Training Loss 1.4722238183021545
Train - [0.47, 0.4194711538461539, 0.13114754098360656]
Validation - [0.46, 0.5648604269293925, 0.2285714285714286]
Test - [0.5, 0.5348557692307693, 0.10714285714285714]

Epoch 7
['acc', 'auc', 'fmeasure']
Training Loss 1.3460421562194824
Train - [0.51, 0.44871794871794873, 0.1694915254237288]
Validation - [0.44, 0.4490968801313629, 0.2]
Test - [0.53, 0.4803685897435898, 0.14545454545454545]

Epoch 8
['acc', 'auc', 'fmeasure']
Training Loss 1.3336675763130188
Train - [0.54, 0.4130608974358974, 0.20689655172413793]
Validation - [0.39, 0.40394088669950734, 0.14084507042253522]
Test - [0.51, 0.5400641025641025, 0.19672131147540983]

Epoch 9
['acc', 'auc', 'fmeasure']
Training Loss 1.438510239124298
Train - [0.53, 0.5392628205128205, 0.22950819672131148]
Validation - [0.42, 0.4848111658456486, 0.09375]
Test - [0.56, 0.5420673076923076, 0.2413793103448276]

参考

论文周报 | 第6期

更多阅读

EEG信号特征提取算法

EEMD算法原理与实现

EMD算法原理与实现
 EEGNet: 神经网络应用于脑电信号

特征提取算法 | 共空间模式 Common Spatial Pattern(CSP)

功率谱估计-直接法原理与案例