基于层次深度特征学习的 EEG 想象语音解码
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
本文通过研究 ConvNets 在 EEG 信号解码中的表现,发现其通过一系列层次逐渐学会了如何识别 EEG 信号的不同特征,其中后期的卷积层可以识别 EEG 信号的复杂特征,这为理解 EEG 时间序列的组合结构提供了洞见。
Nov, 2017
研究提出了一种新的基于注意力机制的 EEG 解码方法,通过注意力变换增强空间特征,采用时间维度的切片进行注意力变换,使用全局平均池化和简单的全连接层对各类 EEG 数据进行分类。该方法在 EEG 的多分类方面达到了最先进水平,并有促进脑机接口的实际应用潜力。
Jun, 2021
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
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
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
通过使用 DDPMs 和条件自编码器 Diff-E 对 EEG 信号进行解码来实现想象语言,结果表明 Diff-E 相较于传统机器学习技术和基准模型,显著提高了解码 EEG 信号想象语言的准确性,这一发现表明 DDPMs 可以成为 EEG 信号解码的有效工具,具有潜在的用于通过想象语言进行交流的脑机接口的意义。
Jul, 2023
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