基于深度学习的脑电图分析研究综述.docVIP

基于深度学习的脑电图分析研究综述

一、脑电图信号特征与分析难点

脑电图（Electroencephalogram,EEG）是大脑神经元电活动在头皮表面的宏观记录，其信号本质是多通道、非平稳、非线性的弱生物电序列，通常幅值在5-200μV区间，频率覆盖0.5-30Hz及以上频段。常规EEG分析通常将信号划分为δ波（0.5-4Hz，深度睡眠期特征）、θ波（4-8Hz，困倦或认知负荷状态）、α波（8-13Hz，清醒放松状态）、β波（13-30Hz，专注思考状态）、γ波（30Hz以上，高级认知活动特征）五个典型频段，不同频段的能量分布、同步性特征与大脑生理状态、病理变化存在直接关联。

临床与科研场景中的EEG分析面临多重固有难点：一是信号信噪比极低，易受眼动、肌电、工频干扰、电极接触噪声等伪迹影响，伪迹形态与真实脑电信号高度重叠，传统滤波方法易造成有效信息丢失；二是个体差异显著，不同年龄、性别、健康状态的受试者脑电特征分布差异大，通用模型泛化能力不足；三是标注成本极高，临床EEG数据标注需要专业医师逐帧判读，多数公开数据集标注规模仅为数千条样本，难以满足大数据驱动模型的训练需求；四是时空耦合特性复杂，EEG信号既包含单通道的时序演化规律，又存在多通道之间的空间功能连接模式，传统方法难以同时捕捉两类特征。

二、深度学习在EEG分析中的主流模型架构

2.1卷积神经网络（CNN）的空间特征提