腦機啟偵 | ERP腦機接口模型基準榜重磅發布（01.24）

事件相關電位（ERP）作為一種常用腦機接口（BCI）范式，反映了神經系統對外部刺激或事件的反應，通常與大腦處理特定認知任務相關。ERP-BCI在認知分析、神經疾病檢測及心理狀態評估中發揮著關鍵作用。

近年來，基于深度學習的方法在處理自發性EEG及其他非時間鎖定任務相關EEG信號方面取得重大進展。然而，其在ERP數據上的有效性尚未充分探索，許多現有ERP研究仍高度依賴人工提取特征。本文開展全面基準研究，系統比較122種傳統人工特征、10個深度學習模型）及3個預訓練基礎模型在ERP分析中的表現。建立統一的數據預處理與訓練流程，在12個公開數據集上針對兩大代表性任務，ERP刺激分類（捕捉認知響應）與基于ERP的腦疾病檢測（神經系統和精神疾病），結合嚴格的跨個體條件評估這些方法。本研究構建了具有里程碑意義的框架，為未來ERP分析中的方法選擇與定制化模型設計提供指導。

研究問題

Q1: 深度學習方法與傳統手工特征相比如何？

Q2: 預訓練-微調的基座模型是否優于已有深度學習方法？

Q3: 當前最穩定和泛化的ERP分類方法是什么？

Q4: 對ERP分析的Transformer方法，什么patch embedding是最有效的？

主要結論

A1: 大部分深度學習方法優于手工特征；

A2: 當前的腦電基座模型沒有表現出明顯的性能優勢；

A3: EEG Conformer取得了當前最有競爭力的平均表現；

A4: 單變量patch方法獲得了最有表現。

ERP分析管線

輸入的原始腦電數據通過統一的管線進行預處理，包含去除非EEG通道、陷波和帶通濾波、壞通道插值、平均重引用、去除偽影、重采樣、基線校正、試驗epoch和z-score歸一化。經過處理的ERP試次被輸入給各種模型進行訓練和分類。

a) 15種方法在所有12個數據集和3個評估指標上的平均性能排名。例如，EEGConformer的值3.96表示36次評估中的平均排名為3.96。

b) 15種方法在所有12個數據集和3個評價指標上的排名熱圖。較低的等級和較深的藍色表示性能更好。

F1常用的多變量、單變量和全變量patch embedding的評分比較。所有其他Transformer組件保持相同。

結論

本文在12個數據集上對ERP刺激類型分類和腦疾病檢測兩個ERP任務進行了全面的基準研究。其中比較了15種方法，包括2種手動特征提取方法，10種監督深度學習方法和3種預訓練權重的基礎模型。此外，為了研究最適合基于Transformer的方法策略，我們對三種常用的patch embedding方法進行了對照比較，旨在為ERP特定Transformer架構的設計提供參考。根據36項評估的結果，我們總結了這項基準研究的四個關鍵結論。首先，深度學習方法在ERP任務上始終優于手動特征提取方法。其次，現有的EEG基礎模型與從頭開始訓練的深度學習模型相比，沒有表現出明顯的性能優勢。第三，在評價的ERP分類方法中，EEG Conformer的綜合性能最具競爭力。第四，單變量策略在表現出最強的性能。我們希望這一研究能夠從模型構建及數據分析方面為腦機接口和臨床疾病診斷研究提供重要參考。

文獻鏈接：https://arxiv.org/pdf/2601.00573

來源：腦機接口社區