面向发展中国家的神经科学即服务
本研究使用电脑建立了一个基于神经网络的智能决策模型,通过 EEG 检测来识别人类主观情绪,并采用一些信号处理技术和算法,实验结果表明该模型能够提高情绪检测的准确性。
Mar, 2023
这篇论文介绍了一种基于深度学习和 P-1D-CNN 的系统,通过提出的增强方案可以有效地检测癫痫,具有 99.1%±0.9%的准确性。
Jan, 2018
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 EEG-GCNN 模型对神经疾病的诊断进行改进,重点是区分由专家分类为 “正常” 的病人的异常头皮脑电波与健康人的头皮脑电波。在两个大型头皮脑电波数据库中的实验表明,EEG-GCNN 模型的 AUC 值达到 0.90,表现显著优于人工基准和传统机器学习基准。
Nov, 2020
本文提出了一种针对脑电图( EEG)信号的自我监督学习( SSL)框架综述,讨论了典型的 SSL 框架、现有的 EEG-SSL 框架以及 SSL 方法在不同下游任务中的适应性和潜在发展方向。
Jan, 2024
本文介绍了记录和分析脑信号的各种非侵入性技术,以及使用不同的深度学习算法分析这些脑信号并应用信号解码策略确定人的神经状态的最新技术。
Dec, 2021
提出了一种基于深度神经网络的 MI-EEG 分类方法,采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征,消除多种伪迹。实验证明,该方法在 MI-EEG 数据集上的分类精度达到了 95.53%,并应用于具体的 BCI 系统中,实现了打字操作。
Sep, 2017
本研究对基于深度学习和神经影像学模态进行的自动癫痫发作检测作了全面的综述,描述了使用脑电图和磁共振成像模态自动诊断癫痫发作的各种方法,分析了使用深度学习的康复系统,并讨论了在诊断自动癫痫发作中使用深度学习技术的优点和局限性,最后提出了最有前景的深度学习模型和未来可能的研究方向。
Jul, 2020
本研究提出了一种理解消费者对广告和产品的正面和负面反应的方法,通过从 18-22 岁志愿者使用低成本单电极头戴设备记录的脑电图(EEG)信号进行分析。使用朴素贝叶斯(NB)、支持向量机(SVM)、k 最近邻和决策树等机器学习方法进行了详细的基于受试者和基于人口统计学的分析,同时提出了一种深度学习模型。结果表明,在基于广告、产品和性别的组别分析中,SVM 表现更好,而 DL 模型的性能与 SVM 相当,尤其在产品和广告分析方面表现得很好。
May, 2022
通过使用 EEG2TEXT 方法,借助 EEG 预训练和多视图变压器,能够从脑电图信号中提取更准确的开放词汇解码,并在绝对 BLEU 和 ROUGE 得分上超过现有基线方法高达 5%,显示出高性能开放词汇脑机接口与文本系统用于促进交流的巨大潜力。
May, 2024