Nov, 2017

使用深度卷积神经网络解码和可视化人类观察者的脑电图信号中的机器人动作成功签名

PDF
TL;DR研究深度卷积神经网络在配合 EEG 信号用于识别人机交互中的机器人错误检测时的准确率，表明深度卷积神经网络是一种可靠的 EEG 解码技术工具。
发现论文，激发创造
  • 卷积神经网络的深度学习用于 EEG 病理解码和可视化

    本研究使用卷积神经网络来区分病态 EEG 记录和正常的 EEG 记录，进一步建立自动 EEG 诊断的基础，研究中使用多种模型和可视化技术，最终获得较高的准确度和谱特征的变化对于疾病诊断有一定的指导意义，并且整个研究为未来的相关工作提供了一定的参考。

    Aug, 2017

  • 深度学习人类思维用于自动化视觉分类

    本文利用人类脑电图与神经网络结合的方法，研究了使用人类的视觉能力辅助计算机视觉系统进行分类的可能性，并取得了较好的实验结果。

    Sep, 2016

  • 带条件识别信息的脑电解码

    通过将个体的条件识别信息纳入神经网络中，将 EEG 信号解码与个人特征相结合，从而提高 EEG 可解释性和相关识别特征的理解，以提高模型表达能力。在 WithMe 数据集上的测试结果表明，这种方式显著提高了训练集和未知个体的准确性，具有改善 EEG 解释性和理解相关识别特征的潜力。

    Mar, 2024

  • 深度学习实时神经解码握握动作

    该研究论文采用深度学习技术，基于猴子运动皮层的神经记录数据，通过利用 LSTM 网络对神经信号进行解码以实现物体抓取类型分类，取得了显著的分类准确率提升，并比较了该方法与其他先前方法的表现。

    Nov, 2023

  • 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 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

  • 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

  • RLEEGNet：将脑 - 机接口与自适应人工智能相结合，实现直观响应和高准确性的运动意象分类

    基于强化学习与深度 Q 网络的 1D-CNN-LSTM 结构的 RLEEGNet 模型通过反馈不断优化控制策略，实现连续的适应性和响应性，以提高脑机接口系统的可适应性和响应速度。

    Feb, 2024

  • 使用卷积神经网络从 EEG 信号中检测抓取和举起

    本文提出了一个从 32 通道 EEG 信号中自动检测 Grasp-and-Lift (GAL) 任务的方法，该方法结合了预处理和端到端检测步骤，消除了手工特征工程的要求，使用离散小波变换 (DWT) 的去噪滤波器、数据标准化和 CNN 模型，实现了平均 ROC 曲线下面积为 0.944 的极佳检测效果。

    Feb, 2022

  • 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