Electroencephalogram (EEG) decoding aims to identify the perceptual, semantic, and cognitive content of neural processing based on noninvasively measured brain activity. Traditional EEG decoding methods have achieved moderate success when applied to data acquired in static, well-controlled lab environments. However, an open-world environment is a more realistic setting, where situations affecting EEG recordings can emerge unexpectedly, significantly weakening the robustness of existing methods. In recent years, deep learning (DL) has emerged as a potential solution for such problems due to its superior capacity in feature extraction. It overcomes the limitations of defining handcrafted features or features extracted using shallow architectures but typically requires large amounts of costly, expertly labeled data, something not always obtainable. Combining DL with domain-specific knowledge may allow for the development of robust approaches that decode brain activity even with small-sample data. Although various DL techniques have been proposed to tackle some of the challenges in EEG decoding, a systematic tutorial overview, particularly for open-world applications, is currently lacking. This article therefore provides a comprehensive survey of DL methods for open-world EEG decoding and identifies promising research directions to inspire future studies for EEG decoding in real-world applications.

中文翻译：

---

通过深度学习走向开放世界脑电图解码：一项综合调查

脑电图 (EEG) 解码旨在基于无创测量的大脑活动识别神经处理的感知、语义和认知内容。传统的脑电图解码方法在应用于静态、控制良好的实验室环境中获取的数据时取得了一定的成功。然而，开放世界环境是一个更现实的环境，影响脑电图记录的情况可能会意外出现，从而显着削弱现有方法的稳健性。近年来，深度学习（DL）因其在特征提取方面的卓越能力而成为此类问题的潜在解决方案。它克服了定义手工特征或使用浅层架构提取的特征的限制，但通常需要大量昂贵的、经过专业标记的数据，而这些数据并不总是可以获得的。将 DL 与特定领域的知识相结合，可以开发出强大的方法，即使使用小样本数据也能解码大脑活动。尽管已经提出了各种 DL 技术来解决 EEG 解码中的一些挑战，但目前缺乏系统的教程概述，特别是对于开放世界应用程序。因此，本文对用于开放世界脑电图解码的 DL 方法进行了全面调查，并确定了有前景的研究方向，以激发未来脑电图解码在实际应用中的研究。特别是对于开放世界的应用程序，目前缺乏。因此，本文对用于开放世界脑电图解码的 DL 方法进行了全面调查，并确定了有前景的研究方向，以激发未来脑电图解码在实际应用中的研究。特别是对于开放世界的应用程序，目前缺乏。因此，本文对用于开放世界脑电图解码的 DL 方法进行了全面调查，并确定了有前景的研究方向，以激发未来脑电图解码在实际应用中的研究。