通过在频域操作，并针对噪声进行卷积滤波来实现脑电信号的去噪，可以有效地去除神经活动中的噪声源和生理性伪迹。

Oct, 2023

本研究通过使用 TUH EEG Seizure Corpus 数据集，评估了一种新型的循环卷积神经网络，该网络在每 24 小时内的假警报率为 7 次，灵敏度达到 30%。研究表明，深度学习结构集成空间和时间信息对于达到最先进的表现至关重要，并将推动出一代临床可接受的技术。

Dec, 2017

本文提出了一种将多通道信号转换为灰度图像并利用迁移学习进行高性能癫痫检测的端到端系统，其具有简单的前后处理操作，计算轻便，低延迟，可用于实时临床应用，性能达到了 42.05% 的灵敏度，每 24 小时 5.78 个假警报，运行速度快于实时（0.58xRT），内存使用 16 Gbytes，延迟仅为 300 毫秒。

Feb, 2022

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

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

本文提出了一种新的框架，可以自动捕捉到基于权威睡眠医学指导的人类睡眠的脑电图信号的时频特性，并通过使用时间 - 频率补丁序列划分输入的 EEG 频谱图的信息特征和基于注意力的架构并行地有效地搜索划分的时频补丁与睡眠阶段的定义因素之间的相关性来对其进行定义。提出的方法在只使用脑电图信号的情况下，在 Sleep Heart Health Study 数据集上得出了新的最先进结果，分别获得了 0.93、0.88 和 0.87 的 F1 得分，并且具有高达 0.80 kappa 的高度一致性。我们还可视化了睡眠分期决策和所提出方法提取的特征之间的对应关系，为我们的模型提供了强大的可解释性。

Apr, 2022

这篇论文综述了使用机器学习方法和不同特征对于 EEG 信号中癫痫发作进行检测的研究现状，通过实验选取了数个有显著预测能力的特征以提高检测效果。

Aug, 2019

提出了利用 EEG 数据作为时序数据的基于图像的数据表示方法的测试平台，并对六种常用的表示方法进行了十一种流行的深度学习架构的评估。发现在表示方法的选择中，存在着偏差与方差之间的权衡，然而某些表示方法在突出增加数据的信噪比方面更加有效。通过 EEG 数据呈现了实验结果，并开源了我们的测试框架，以促进未来在这方面进行的比较分析。

Dec, 2023

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

本研究提出了一种基于无序神经网络和贝叶斯神经网络的不确定性估计和减少模型（UNCER），用于减少脑电图解码中的不确定性，包括把模型参数的不确定性和输入信号的不确定性结合起来，进一步提出了基于数据增强的方法进行不确定性减少。

Dec, 2021