ICLRNov, 2015

脑电记录的深度特征学习

PDF
TL;DR本文介绍了使用深度学习技术从脑电图（EEG）记录中学习区分特征的几种策略，并比较了其效果。这些策略包括跨试验编码，相似性约束编码和 Hydra-nets。通过使用公开可用的 OpenMIIR EEG 数据集对这些策略进行了评估。
eeg recordingsdeep learningdiscriminative featurescross-trial encodinghydra-nets
发现论文，激发创造
  • 基于 EEG 的图像特征提取与深度学习视觉分类

    本研究采用一种有效的编码方式将脑电信号编码为图像，从而实现对深度学习模型中的脑信号进行更细致的理解，并将其与标准图像特征相结合，以提高深度学习模型的可解释性。通过在六个受试者的层数据集上对 39 个图像类别进行编码分类，该方法在 82% 的准确率方面优于现有工作，从而证明了该理论的可行性。

    Sep, 2022

  • 从脑电图记录学习稳健的深度视觉表征

    该研究使用脑电图 (EEG) 信号进行图像重建和分类，通过深度学习的特征提取方法在多个数据集上展示了其在大脑与计算机交互中的可广泛应用性，并提出了一种在 EEG 空间中转换未见图像并进行近似重建的新框架，显示出优于生成对抗网络现有性能的潜力。

    Oct, 2023

  • vEEGNet: 通过变分自动编码器学习潜在表示来重构 EEG 原始数据

    该论文提出了 vEEGNet 模型，结合了变分自编码器和前馈神经网络，用于对复杂的多维时间序列电脑脑电图（EEG）数据进行分类和重构，取得了最先进的分类性能，并能够重构低频和中频范围的原始 EEG 信号。

    Nov, 2023

  • hvEEGNet: 基于层次变分自编码器对脑电数据进行的神经科学应用

    该研究提出了两种变分自编码器模型（vEEGNet-ver3 和 hvEEGNet），用于解决脑电重建中的问题。hvEEGNet 能够以非常高的准确度重建脑电数据，并发现了之前研究结果可能受到的腐败脑电记录的影响，同时提供了潜在的表征，用于其他分类问题和脑电数据生成。

    Nov, 2023

  • 基于深度学习的脑电图分析：系统综述

    通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

    Jan, 2019

  • 使用深度循环卷积神经网络从脑电图中学习表征

    该研究中提出了一种新方法，可以从多通道 EEG 时间序列中学习稳健的特征，以提高认知负荷分类任务的分类准确率。

    Nov, 2015

  • BENDR：使用变压器和对比自监督学习任务从海量脑电数据中学习

    本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术，建立起一个单一的预训练模型，用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录，从而取得较好的脑机接口和脑电分类性能。

    Jan, 2021

  • 基于层次深度特征学习的 EEG 想象语音解码

    本文提出了一种混合深度神经网络策略，将卷积神经网络和递归神经网络并行组合，级联自编码器和全连接层，以自动识别 EEG 中的想象语音，并演示了相对于基线方法约 23.45％的准确度改进，展示了混合 DNN 方法在复杂时空分类问题上的潜力。

    Apr, 2019

  • 变分自编码器为基于脑电信号的肥胖症分类学习更好的特征表征

    本文提出了一种基于深度学习的框架来从放松状态脑电图信号中提取肥胖和健康人群的特征，并使用时空变分自动编码器和一维卷积神经网络分类。结果显示，该方法在分类精度、特征可视化和特征表示的杂质度方面具有优势。未来的方向包括在从神经学的角度深入了解模型所学习的空间模式以及允许发掘任何时间相关信息来提高模型的可解释性。

    Feb, 2023

  • 广义 Deepfake 检测的脑电图特征

    通过利用从人类参与者的神经处理中测量得到的脑电图（EEG）从 FaceForensics++ 数据集的 Deepfake 刺激中检测深度伪造是这项研究的目标。初步结果表明，人类神经处理信号成功地整合到了 Deepfake 检测框架中，并且暗示了一种能够识别超越训练领域的 Deepfake 的广义神经表征的潜力。此外，我们的研究为理解数字真实主义如何嵌入人类认知系统提供了下一步的步骤，可能推动未来更逼真的数字化身的发展。

    May, 2024