ICLRNov, 2015

使用深度循环卷积神经网络从脑电图中学习表征

PDF
TL;DR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。
cognitive eventseeg datamulti-channel eeg time-seriesrecurrent-convolutional networkmental load classification
发现论文，激发创造
  • 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

  • 使用深度卷积循环神经网络进行脑电信号的多模态分类

    本研究提出了一种新的基于深度神经网络的方法来通过 EEG 数据建模认知事件，同时介绍了光流去表示 EEG 的变量信息，并在此基础上构建了一个混合 BCI 康复支持系统，旨在帮助中风患者执行一些基本操作。

    Jul, 2018

  • 采用脑电图和深度学习将认知负荷建模为自监督的脑波率

    本研究提出了一种新的自我监督的深度学习方法，通过使用连续脑率指数和空间谱拓扑头图从 EEG 数据中进行神经负荷建模，该方法表现出在通常适用性方面的能力，这证明了卷积层学习有意义的高级表示的能力。

    Sep, 2022

  • 神经记忆解码：基于 EEG 数据和表示学习

    使用神经解码的方法从 EEG 数据中提取记忆，通过深度表征学习和监督对比损失将脑电图映射到低维空间，可在训练数据集中没有出现的概念中识别，可应用于信息检索问题。

    Jul, 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

  • 基于脑电谱时特征的卷积神经网络心算任务分类

    该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

    Sep, 2022

  • 深度卷积神经网络用于脑电解码的谱特征的层级内部表示

    本文通过研究 ConvNets 在 EEG 信号解码中的表现，发现其通过一系列层次逐渐学会了如何识别 EEG 信号的不同特征，其中后期的卷积层可以识别 EEG 信号的复杂特征，这为理解 EEG 时间序列的组合结构提供了洞见。

    Nov, 2017

  • 通过知识蒸馏和潜在扩散模型从脑电图解码视觉大脑表示

    本研究通过采用电脑脑波数据对 ImageNet 数据集中的图像进行分类和重建，提出了一种创新的方法。该研究不仅可以从神经活动中解码图像，还能仅利用脑电波数据生成图像的可靠重建，为个性化迅速反馈实验铺平了道路。

    Sep, 2023

  • 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

  • 使用深度学习学习鲁棒特征以自动检测癫痫

    本研究提出并评估了深度神经网络从 EEG 中学习稳健特征以自动检测癫痫的能力，通过同时捕获频谱、时间和空间信息，我们的循环卷积神经网络学习了癫痫的空间不变表示。该方法在交叉患者分类器上的结果显著优于先前的结果，具有较高的灵敏度和低的假阳性率。此外，我们的模型对于缺失通道和不同的电极配置也表现出稳健性。

    Jul, 2016