通过机器学习自动解码脑信号可以帮助检测病理，并实现脑机接口。因此，它可以减轻医生的工作负担，改善医疗诊断，并提高功能障碍患者的生活质量。
用于脑机接口的运动相关解码
与神经医学人工智能实验室 (https://www.tnt.uni-freiburg.de/) 合作，我们的团队率先使用现代深度学习技术来解码脑电图 (EEG) 脑信号。在一篇具有重要影响力的出版物中，我们进行了第一项全面研究，比较了现代深度学习架构和训练流程与更传统的基于特征的脑信号解码算法，用于从脑电图中解码运动相关信息 (https://onlinelibrary.wiley.com/doi/full/10.1002/hbm.23730)，这是一项与脑机接口高度相关的解码任务。结果表明，我们的深度学习架构的性能至少与成熟的基于特征的基线相当。后续研究表明，我们的深度网络架构可以推广到各种脑信号解码任务，包括自动病理诊断。
用于运动相关解码的滤波器组公共空间模式 (FBCSP) 与卷积神经网络 (ConvNet) 解码准确率。 每个小标记代表一个受试者的准确率，大的方形标记代表两个数据集所有受试者的平均准确率。 标记在虚线之上表示 ConvNet 的性能优于 FBCSP，反之亦然。 星号表示 FBCSP 和 ConvNet 之间存在统计学上的显著差异（Wilcoxon 符号秩检验，P < 0.05: *，P < 0.01: **，P < 0.001=***）。 每个图的左下角：FBCSP 和 ConvNet 解码准确率之间的线性相关系数。 ConvNet 和 FBCSP 的平均准确率非常相似，（小的）统计学上的显著差异在于 ConvNet 的方向。 图来自 https://onlinelibrary.wiley.com/doi/full/10.1002/hbm.23730。
自动诊断
对于自动诊断，我们进行了两项研究，将深度学习方法以及我们自主开发的基于特征的方法应用于从脑电图中解码病理 (https://ieeexplore.ieee.org/document/8257015, https://www.sciencedirect.com/science/article/pii/S1053811920305073)。 这些方法在 81-86% 之间的病理解码准确率上达到了相似水平，已经接近神经科医生之间的典型评估一致性。 我们希望这种自动解码方法在临床专家稀缺的地区具有临床应用价值。 我们的结果还表明，每条记录仅需 1 分钟的训练数据即可获得良好的准确率，并且使用上下文信息（例如患者的年龄或患者是清醒还是睡眠）可以进一步提高准确率。 此外，我们表明自动架构搜索方法可以找到具有合理的病理解码准确率的令人惊讶和简单的架构。
在交叉验证和最终评估期间，所有模型在病理解码上的解码准确率。 Braindecode (BD-TCN) 中实现的 TCN 显示了解码性能。 基于 RG 的解码准确率与 BD-TCN 相似。 BD-Deep4 和 BD-Shallow ConvNets、RF 和 ASC 处于同一水平，而 BD-EEGNet 实现了略低的解码准确率。 SVM 显示出最差的性能。 图来自 https://www.sciencedirect.com/science/article/pii/S1053811920305073#fig6.
可解释性
我们工作的另一个重点是分析训练好的模型，以了解它们从脑电图脑信号中提取了哪些信息。 我们可以证明，我们训练用于解码脑电图的卷积网络提取了已知的生理特征以及传统基于特征的算法使用的更复杂的特征。
用于运动相关解码的深度卷积神经网络的输入扰动网络预测相关图。 类别预测和幅度变化的关联性。 平均于高伽马数据集的所有受试者。 颜色图按头皮图缩放。 所有频段的合理头皮图，例如，手类在伽马频段中的对侧正相关性。 图来自 https://onlinelibrary.wiley.com/doi/full/10.1002/hbm.23730.
Braindecode
最后，我们的工作还促成了深度学习脑电解码工具箱 braindecode 的创建，该工具箱现在被世界各地的多个研究小组使用和开发。
