Dec, 2021

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

PDF
TL;DR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。
brain signalselectroencephalographmagneto-encephalographmagnetic resonance imagingdeep learning
发现论文，激发创造
  • 基于深度学习的非侵入式脑信号调查：最新进展和新前景

    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。

    May, 2019

  • 基于深度学习的脑电图分析：系统综述

    通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

    Jan, 2019

  • 基于 EEG 信号的智能分析评估消费者决策：神经营销研究

    本研究提出了一种理解消费者对广告和产品的正面和负面反应的方法，通过从 18-22 岁志愿者使用低成本单电极头戴设备记录的脑电图（EEG）信号进行分析。使用朴素贝叶斯（NB）、支持向量机（SVM）、k 最近邻和决策树等机器学习方法进行了详细的基于受试者和基于人口统计学的分析，同时提出了一种深度学习模型。结果表明，在基于广告、产品和性别的组别分析中，SVM 表现更好，而 DL 模型的性能与 SVM 相当，尤其在产品和广告分析方面表现得很好。

    May, 2022

  • 基于信号处理和深度神经网络的优化脑电情绪检测

    本研究使用电脑建立了一个基于神经网络的智能决策模型，通过 EEG 检测来识别人类主观情绪，并采用一些信号处理技术和算法，实验结果表明该模型能够提高情绪检测的准确性。

    Mar, 2023

  • 基于机器学习和神经网络的 EEG 信号情绪分析

    本研究通过使用 SVM，KNN 和 RNN (LSTM) 等算法，对 DEAP 数据集中的 EEG 信号进行分类和测试，以探究如何使用脑信号来改进情绪识别的性能，并进一步研究情绪随时间变化的规律。

    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

  • 使用深度学习技术的癫痫发作检测：综述

    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

  • 一种基于深度学习方法的脑电 EEG 信号癫痫自动检测系统

    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

  • 解码神经信号为语音

    在该论文中，我们首次探索了基于跨注意力的 “whisper” 模型，通过 MEG 信号直接生成文本，而无需教师强制，实现了令人印象深刻的 60.30 和 52.89 的 BLEU-1 得分，该论文还对有关神经解码任务的语音解码形成进行了全面的回顾。

    Mar, 2024

  • 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