MMMay, 2019

基于深度学习的非侵入式脑信号调查：最新进展和新前景

PDF
TL;DR本论文系统地研究了与脑信号分析相关的脑机接口的类型、深度学习技术以及应用领域，并对过去五年发表的 230 多篇文章进行了综述，同时讨论了深度学习在脑机接口中的挑战和未来方向。
brain-computer interfacedeep learningbrain signal typesbrain signal analysisapplied areas
发现论文，激发创造
  • 基于深度学习方法的脑电信号分析：非侵入性脑电信号研究的最新进展

    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

  • 深度特征学习 EEG 信号：通过启用脑电文本输入实现思维转文字

    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

  • 用于脑机接口诱发电位的跨受试者深度转移模型

    本文介绍一种基于深度学习的脑机接口技术，通过使用多组数据进行训练，实现了一定的性能，同时通过迁移学习，使得该技术能够用于不同用户，从而解决了目前脑机接口技术中需要耗费大量数据搜集的问题，该技术有望提高脑机接口技术的临床应用性和可行性。

    Jan, 2023

  • 物联网与脑机接口相遇：一种统一的深度学习框架实现人物认知交互

    提出了一种基于深度学习的框架，利用强化学习选择性注意机制和修改后的 LSTM 算法等方法，实现了人与物联网对象之间的认知互动，验证了该方法的有效性。

    May, 2018

  • 脑机接口深度表示学习技术评述及建议

    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

  • 人机联合学习框架以提升内生脑机接口训练

    脑机接口（BCIs）提供了从大脑到外部设备的直接路径，具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号，提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验，证明了所提出的联合学习过程在学习效率和效果上的优势。

    Aug, 2023

  • 机器学习与脑电图 (EEG) 的趋势：本科研究人员的综述

    本文提供了一个系统的文献综述，重点研究脑机接口（BCIs）在机器学习的背景下的应用。重点关注 2023 年的脑电图研究最新趋势，目的是为本科研究人员提供 BCI 领域的易读概览，涵盖任务、算法和数据集。通过综合最近的研究成果，我们旨在提供对 BCI 研究的基本理解，识别未来调查的有希望的方向。

    Jul, 2023

  • 通过脑机接口建模用户偏好

    使用脑机接口（BCI）技术研究用户的注意力、认知和情感状态，推导用户偏好以及与视觉内容的关联，并将其应用于信息检索、生成模型的个性化控制以及群体情感估计。

    May, 2024

  • 基于机器学习和深度学习的脑神经计算：综述

    人工智能对生物医学研究和其他领域有着深远的影响。大脑启发式计算是多模态技术和生物医学领域的重要交叉点。该论文全面回顾了大脑启发式计算中机器学习（ML）和深度学习（DL）模型的演变、应用价值、挑战和潜在研究轨迹。

    Dec, 2023

  • EEGNet 家族神经网络的深度比较

    本篇文章对五种神经网络进行了比较，旨在用各类公开数据库获取统计学显著结果，以排出最佳的神经网络，供未来脑机接口设计借鉴。

    Feb, 2023