Are EEG Sequences Time Series? EEG Classification with Time Series Models and Joint Subject Training

与大多数其他数据领域一样，EEG数据分析依赖于丰富的特定领域的预处理。除了这种预处理之外，机器学习者希望像处理任何其他时间序列数据一样处理这种数据。对于EEG分类，已经开发了许多模型，这些模型具有层类型和体系结构，这些类型和结构通常在时间序列分类中不见。此外，通常会为每个单独的受试者学习单独的模型，而不是一个模型适用于所有受试者。在本文中，我们系统地研究了EEG分类模型和通用时间序列分类模型之间的差异。我们描述了三种不同的模型设置来处理来自不同受试者的EEG数据，包括受试者特定模型（大多数EEG文献）、受试者不可知模型和受试者条件模型。在三个数据集的实验中，我们证明了针对每个受试者训练的现成时间序列分类模型的表现接近EEG分类模型，但并没有达到特定领域建模的性能。此外，我们结合时间序列模型和受试者嵌入来训练一个联合受试者条件分类器，该分类器适用于所有受试者。结果表明，在三个数据集中，得到的模型与专用EEG模型相比具有竞争力，在其中一个数据集上甚至优于所有EEG方法。

研究EEG数据分类模型与通用时间序列分类模型之间的差异，探索是否可以使用通用模型来处理EEG数据，以及如何在所有受试者上训练一个联合分类器。

论文系统地研究了三种EEG数据分类模型：特定受试者模型、通用受试者模型和条件受试者模型，并将其与通用时间序列分类模型进行比较。论文还提出了一种使用受试者嵌入的方法来训练一个联合分类器。

论文的实验结果表明，使用通用时间序列分类模型在每个受试者上训练可以接近EEG分类模型的性能。使用受试者嵌入的联合分类器在两个数据集上表现出与专用EEG模型相当的性能，在一个数据集上甚至超过了所有EEG方法。论文开源了代码，并提供了三个数据集。

最近的相关研究包括：1.使用深度学习对EEG数据进行分类的方法；2.使用传统机器学习技术对EEG数据进行分类的方法；3.探索使用时间序列分类模型来处理EEG数据的方法。