Deep learning with convolutional neural networks for EEG decoding and visualization
1. 论文地址：
https://arxiv.org/abs/1708.08012
发表时间：2017年
被引用量：471
主要贡献：使用了原始数据输入
源码地址：https://github.com/robintibor/auto-eeg-diagnosis-example
（总的来说非常不错）
2. 摘要：
作者在 TUH EEG 数据集应用卷积神经网络来区分病理与正常脑电图记录，即使用两种基本的，浅层的和深层的卷积神经网络架构来解码来自脑电图的任务相关信息，至少是针对这一目的而设计的已建立的算法；
在脑电图病理解码中，两种卷积神经网络的准确率都比该数据集的唯一公布结果高(≈85% vs.≈79%)，并且在每次记录 1 分钟进行训练和每次记录 6 秒进行测试时，两种方法的准确率都更好；
并且作者还使用了自动化方法来优化架构超参数，并且对文本医学报告的分析也强调了通过整合上下文信息（如受试者的年龄）提高准确性的潜力；
3. 网络结构：
作者采用了直接采用原始时序数据作为输入，输入是 600 个样本（对应 6 秒内按照 100 Hz 采样）；
此外作者还意外发现将池化层的步长移到上一个卷积层有很好的效果；
深层结构：
采取原始数据输入，其中输入大小是 21 通道的 6 秒长的数据，采样频率是 100 Hz；
Block 1：
输入大小为 601×21×1；
首先采用 25 个线性卷积核（无 ReLU 激活），卷积核大小为 10×1，步长为 3×1；
得到大小为 198×21×25 的特征层；
再采用 25 个空间滤波器（Spatial filter），大小为 25×21；
得到大小为 198×25 的特征图；
最后使用 3×1 大小的最大池化层；
Block 2：
输入大小为 196×25；
首先采用 50 个卷积核（ELU 激活），卷积核大小为 10×25，步长为 3×1；
得到大小为 63×50 的特征图；
最后使用 3×1 大小的最大池化层；
Block3&4：
Block3 和 4 的结构类似 Block2；
Classification Layer：
最后通过全连接层得到预测结果；
浅层结构：
4. 数据分布：
5. 实验结果：
