May, 2018

基于卷积神经网络的基于 SSVEP 的干电脑脑电信号分类

PDF
TL;DR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。
convolutional neural networkdry-eeg signalssteady state visual evoked potentialbci applicationsclassification accuracy
发现论文，激发创造
  • 用于异步稳态视觉诱发电位分类的紧凑卷积神经网络

    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。

    Mar, 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

  • 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

  • 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

  • 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

  • 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

  • 混合神经网络方法用于时间睡眠阶段分类

    本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法，其中利用整流器神经网络和长短期记忆网络来优化分类性能，并找到了单通道 EEG 在额头上的舒适配置，并证明它可以与其他电极一起使用，从而实现了睡眠自动分类的更好性能。

    Oct, 2016

  • 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

  • 一种基于深度学习方法的脑电 EEG 信号癫痫自动检测系统

    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

  • SCVCNet：滑动交叉向量卷积网络用于跨任务和个体集合基于脑电的认知负荷识别

    该研究提出了一种通用方法，通过分析功率谱密度中更精细结构的脑电图模式，利用神经网络 SCVCNet 来消除 EEG 中任务和个体集相关的干扰，并结合输出通道池化和分类层构建模型，验证其在三个数据库上的性能表现高于之前的工作。

    Sep, 2023