Mar, 2020

基于关注力的脑电运动想象分类任务中的小样本关系学习

PDF
TL;DR通过深度学习的 FEW-SHOT 架构，提高结合关系得分分类 MI EEG 信号的准确度。
brain-computer interfaceselectroencephalographymotor imagerydeep learningfew shot network
发现论文，激发创造
  • 端到端深度迁移学习用于无校准运动想象脑机接口

    该研究使用深度迁移学习开发了一种无需校准、面向不同个体的 MI-BCI 分类器，通过对原始 EEG 信号采用端到端的深度学习方法进行处理，并使用开放数据集进行训练和比较了三种深度学习模型，结果显示不同模型的性能有显著差异。

    Jul, 2023

  • 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

  • 基于脑电心智模拟的独立主体深度架构 EEG 分类

    提出了一种新颖的主体无关的半监督深度架构（SSDA），它包括两个部分：无监督部分（CST-AE）从训练样本中提取潜在特征，并降低表示的维度，保证其可辨识性；监督部分利用无监督部分获取的特征，学习基于标记训练样本的分类器，并通过中心损失减小类中每个点到其中心的嵌入空间距离。SSDA 在测试阶段表现出优越性能，仅使用少量标记训练样本即可获得强大的分类性能。

    Jan, 2024

  • 基于运动意向脑电的脑机接口的人工智能方法的演变

    本文研究了应用于不同年份和不同设备采集的数据集的人工智能方法在运动想象电生理信号脑机接口数据上的演变和影响，提供了简洁而全面的调查。

    Oct, 2022

  • 基于脑机接口的基于 EEG 的意图识别的串联和并行卷积循环神经网络

    本文提出了级联和并行卷积循环神经网络，以有效学习 EEG 数据流的组合时空表示。通过转换 EEG 数据流，将其转换成 2D 网格结构以及使用 LSTM 循环神经网络来提取 EEG 数据流的微妙时序依赖性。在大规模 MI-EEG 数据集上进行了广泛的实验，证明了该方法在准确性方面具有高达 98.3％的优越性，相对于基线方法和大多数最新的深度学习 EEG 识别模型，有着 18％的准确率提升。

    Aug, 2017

  • 3D-CLMI：基于 3D-CNN、LSTM 和注意力机制的运动想象 EEG 分类模型

    本研究提出了一种结合三维卷积神经网络与长短期记忆网络并具有注意力机制的模型来对运动想象 - 电子脑接口信号进行分类，实验结果表明该模型在运动想象任务领域取得了更高的分类准确度和 F1 值，对于用户的运动想象意图的分类准确度有较大的提升。

    Dec, 2023

  • EEGEncoder: 基于 Transformer 的运动想象分类推动 BCI 发展

    EEGEncoder 是一种深度学习框架，运用 transformer 模型克服了传统 EEG 信号分类方法中的一些挑战，并在 BCI 竞赛数据集 2a 上取得了最新的最佳表现，这标志着 BCI 技术的重大进步。

    Apr, 2024

  • 基于脑电信号的运动想象分类的特征重新加权

    使用非侵入性脑电信号进行运动想象分类是一项重要的目标，近期的研究表明基于卷积神经网络的方法在运动想象 - 脑电分类中得到广泛应用，文章提出了一种新的特征重新加权方法，有效降低了无关信息的影响并在实验中取得了显著的分类性能提升。

    Jul, 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

  • 使用深度学习对脑机接口系统中的脑电运动想象进行分类

    本文利用经过训练的 T1 类卷积神经网络模型，通过预处理的脑电数据，探究其成功识别运动想象能力。使用小样本数据验证实时数据分类准确性。

    May, 2022