脑机启侦 | ERP脑机接口模型基准榜重磅发布（01.24）

事件相关电位（ERP）作为一种常用脑机接口（BCI）范式，反映了神经系统对外部刺激或事件的反应，通常与大脑处理特定认知任务相关。ERP-BCI在认知分析、神经疾病检测及心理状态评估中发挥着关键作用。

近年来，基于深度学习的方法在处理自发性EEG及其他非时间锁定任务相关EEG信号方面取得重大进展。然而，其在ERP数据上的有效性尚未充分探索，许多现有ERP研究仍高度依赖人工提取特征。本文开展全面基准研究，系统比较122种传统人工特征、10个深度学习模型）及3个预训练基础模型在ERP分析中的表现。建立统一的数据预处理与训练流程，在12个公开数据集上针对两大代表性任务，ERP刺激分类（捕捉认知响应）与基于ERP的脑疾病检测（神经系统和精神疾病），结合严格的跨个体条件评估这些方法。本研究构建了具有里程碑意义的框架，为未来ERP分析中的方法选择与定制化模型设计提供指导。

研究问题

Q1: 深度学习方法与传统手工特征相比如何？

Q2: 预训练-微调的基座模型是否优于已有深度学习方法？

Q3: 当前最稳定和泛化的ERP分类方法是什么？

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

主要结论

A1: 大部分深度学习方法优于手工特征；

A2: 当前的脑电基座模型没有表现出明显的性能优势；

A3: EEG Conformer取得了当前最有竞争力的平均表现；

A4: 单变量patch方法获得了最有表现。

ERP分析管线

输入的原始脑电数据通过统一的管线进行预处理，包含去除非EEG通道、陷波和带通滤波、坏通道插值、平均重引用、去除伪影、重采样、基线校正、试验epoch和z-score归一化。经过处理的ERP试次被输入给各种模型进行训练和分类。

a) 15种方法在所有12个数据集和3个评估指标上的平均性能排名。例如，EEGConformer的值3.96表示36次评估中的平均排名为3.96。

b) 15种方法在所有12个数据集和3个评价指标上的排名热图。较低的等级和较深的蓝色表示性能更好。

F1常用的多变量、单变量和全变量patch embedding的评分比较。所有其他Transformer组件保持相同。

结论

本文在12个数据集上对ERP刺激类型分类和脑疾病检测两个ERP任务进行了全面的基准研究。其中比较了15种方法，包括2种手动特征提取方法，10种监督深度学习方法和3种预训练权重的基础模型。此外，为了研究最适合基于Transformer的方法策略，我们对三种常用的patch embedding方法进行了对照比较，旨在为ERP特定Transformer架构的设计提供参考。根据36项评估的结果，我们总结了这项基准研究的四个关键结论。首先，深度学习方法在ERP任务上始终优于手动特征提取方法。其次，现有的EEG基础模型与从头开始训练的深度学习模型相比，没有表现出明显的性能优势。第三，在评价的ERP分类方法中，EEG Conformer的综合性能最具竞争力。第四，单变量策略在表现出最强的性能。我们希望这一研究能够从模型构建及数据分析方面为脑机接口和临床疾病诊断研究提供重要参考。

文献链接：https://arxiv.org/pdf/2601.00573

来源：脑机接口社区