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

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

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

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

通过系统综述了解了基于脑电图 (EEG) 的认知负荷估计。重点包括：确定可靠引发离散和量化认知负荷水平的实验范式，并探究在信号分类中常用的深度神经网络 (DNNs) 的输入形式的特点和表征结构。分析发现一些研究在离线认知负荷分类中使用脑电信号的二维矩阵原始表示，但只有少数研究采用了在线或伪在线的实时认知负荷估计策略。此外，在这项综述中，仅采用了数个可解释的 DNNs 和一个生成模型进行认知负荷检测。总的来说，由于其网络架构的深度提供了巨大的建模能力，DNNs 成为分类脑电信号的宝贵工具。进一步建议采用可解释且可解读的 DNN 模型进行认知负荷估计，因为现有方法在面对非平稳信号时存在局限性。

Sep, 2023

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

综述了 81 篇应用深度表示学习技术进行 BCI 解码的文章，发现自编码器是最常用的深度表示学习技术，同时呼吁为 EEG 信号解码专门设计基础模型，并建立专门的基准和数据集来促进其发展和持续改进。

May, 2024

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

本文介绍了使用深度学习技术从脑电图（EEG）记录中学习区分特征的几种策略，并比较了其效果。这些策略包括跨试验编码，相似性约束编码和 Hydra-nets。通过使用公开可用的 OpenMIIR EEG 数据集对这些策略进行了评估。

Nov, 2015

通过利用从人类参与者的神经处理中测量得到的脑电图（EEG）从 FaceForensics++ 数据集的 Deepfake 刺激中检测深度伪造是这项研究的目标。初步结果表明，人类神经处理信号成功地整合到了 Deepfake 检测框架中，并且暗示了一种能够识别超越训练领域的 Deepfake 的广义神经表征的潜力。此外，我们的研究为理解数字真实主义如何嵌入人类认知系统提供了下一步的步骤，可能推动未来更逼真的数字化身的发展。

May, 2024