Mar, 2018

用于异步稳态视觉诱发电位分类的紧凑卷积神经网络

PDF
TL;DR本文介绍了如何使用仅需原始脑电波信号的紧凑型卷积神经网络 (Compact-CNN)，来对 12 类 SSVEP 数据集进行信号解码，较之手工方法具有更高的平均精度。同时，我们发现 Compact-CNN 提取了与数据集结构有关的其他相位和振幅相关特征，并探讨如何利用此方法加强我们对视觉皮层基础处理的理解。
ssvepbrain-computer interfaceconvolutional neural networkfeature extractionasynchronous bci
发现论文，激发创造
  • 基于卷积神经网络的基于 SSVEP 的干电脑脑电信号分类

    本文提出了一种新颖的卷积神经网络方法，用于分类原始干性脑电信号，具有较高的分类准确度和泛化能力，并与传统的机器学习方法进行了比较。

    May, 2018

  • 基于 Transformer 深度神经网络的 SSVEP 分类模型

    研究使用 Transformer 结构的深度学习模型，命名为 SSVEPformer，应用于 SSVEP 分类任务的首个应用，结果表明该模型能够在跨受试者情况下提高分类准确性和信息传输速率，成为缓解 SSVEP BCI 系统实际应用中校准程序的潜在模型。

    Oct, 2022

  • 脑 - 计算机接口扩展现实框架中的自适应 SSVEP 识别

    提出了一个简单的自适应集成分类系统来处理 SSVEP-BCI-AR 应用中的个体间变异性，并评估了在带有头部旋转的应用中我们的集成算法的性能。在多个受试者上进行的测试在 PC 上达到了平均 80% 的准确率，并且在 HoloLens AR 耳机上达到了 77% 的准确率，均超过了前期研究中采用个体分类器和头部运动的结果。此外，我们的视觉刺激时间相对较短，为 5 秒，并表明我们的集成分类方法在 SSVEP-BCI 中表现优于个体分类器。

    Aug, 2023

  • 基于 EEG 的脑 - 计算机接口的紧凑卷积网络 EEGNet

    本文主要介绍一种基于深度卷积神经网络的脑 - 计算机接口通信模型 EEGNet，该模型考虑到不同 BCI 范式中 EEG 信号的特点，成功解决了不同信号间的分类问题。

    Nov, 2016

  • 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

  • 一种基于新型生成对抗网络的短时 SSVEP 数据扩展框架

    本文提出了一个基于 GAN 的端到端信号转换网络 TEGAN，用于数据长度扩展，能够生成人工 SSVEP 信号，应用于频率识别和深度学习等任务，能够显著提高传统和深度学习方法在有限校准数据下的分类性能，缩短校准时间并降低成本，具有高度实用性。

    Jan, 2023

  • 脑机接口手势识别的卷积脉冲网络

    本文提出了一种简单而有效的基于机器学习的方法，使用混合 Convolutional Spiking Neural Network 和生物启发式事件驱动突触可塑性规则进行手势分类的训练和测试。该方法在不同受试者和任务中进行了测试，可以对不同的手势类别和运动想象任务进行准确的识别，准确率达 92.74％至 97.07％。

    Apr, 2023

  • 通过势辅助的脉冲神经网络实现基于事件的视频重建

    本文提出了一种基于全脉冲神经网络 (SNN) 架构的事件相关视频重建框架 (EVSNN)，并采用 Leaky-Integrate-and-Fire (LIF) 神经元和自适应膜电位中间电位助推框架 (PA-EVSNN)，通过对事件相关图像信息的处理， 实现与基于人工神经网络（ANN）的模型相当的性能，而且在事件驱动硬件上具有更高的计算效率。

    Jan, 2022

  • 基于对比学习的卷积神经网络在 ERP 脑机接口中的应用

    该论文提出了一种对 ERP 信号进行跨受试者识别的对比学习训练框架和 Inception 模块，以提取多尺度的时空特征，代表 ERP 信号的主体不变组成成分。该算法在 P300 数据集的单试验二值分类任务中取得了最佳的 AUC 性能，并与现有算法相比，在拼写解码任务中表现出显著的优化。

    Jul, 2024

  • 基于 SSVEP 的脑机接口轮椅控制系统

    针对运动失能的残疾人，本文提出了一种基于 SSVEP 的脑机接口技术并应用于电动轮椅控制，使用 Butterworth 和 FFT 算法处理 EEG 信号并采用谐波分类法，实验结果表明该系统易于操作且可实现最少 1 秒的延迟，具有未来推广应用的巨大潜力。

    Jul, 2023