Transformer 网络在原始 EEG 数据分类中的有效性

Feb, 2022

Transformer 网络在原始 EEG 数据分类中的有效性

Efficacy of Transformer Networks for Classification of Raw EEG Data

Gourav Siddhad, Anmol Gupta, Debi Prosad Dogra, Partha Pratim Roy

TL;DR本篇论文探讨了 Transformer 网络用于分类清洗和预处理后的脑电图（EEG）数据的有效性和性能，结果表明，基于 Transformer 的深度学习模型可以成功地消除对 EEG 数据特征提取的需求，实现了脑电图数据的高效分类。

Abstract

With the unprecedented success of transformer networks in natural language processing (NLP), recently, they have been successfully adapted to areas like computer vision, generative adversarial networks (GAN), and reinforcement learning. Classifying electroencephalogram (EEG) data has been challenging and researchers have been overly dependent on pre-processi

transformer network electroencephalogram data deep learning classification feature extraction

发现论文，激发创造

大型 Transformer 模型在 EEG 学习中表现更好

我们展示了从图像和文本中预训练的转换器模型能够直接微调为基于脑电图的预测任务，并提出了 AdaCE 模块，用于将 EEG 数据转换成图像和文本形式以进行微调，取得了最先进的性能。

Aug, 2023

BENDR：使用变压器和对比自监督学习任务从海量脑电数据中学习

本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术，建立起一个单一的预训练模型，用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录，从而取得较好的脑机接口和脑电分类性能。

Jan, 2021

基于 EEG 的图像特征提取与深度学习视觉分类

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

ViT2EEG: 基于混合预训练视觉 Transformer 的 EEG 数据利用

本研究展示了在脑电图（EEG）回归任务上，以 ImageNet 为预训练数据的混合 Vision Transformer（ViT）模型的应用。通过与其他模型进行比较，包括没有 ImageNet 权重的相同结构 ViT 模型，在 EEG 数据上微调后，该模型表现出显著的性能提升。这一发现挑战了对模型泛化的传统理解，表明在合适的微调流程下，预先训练在看似无关的图像数据上的 Transformer 模型可以为 EEG 回归任务提供有价值的先验知识。这种方法的成功暗示了 ViT 模型在视觉任务环境中提取的特征可以轻松地转化为 EEG 预测建模的目的。我们建议不仅在神经科学和相关领域，而且在任何由实际、财务或伦理限制所限制的任务中采用这种方法。我们的结果揭示了预训练模型在与其原始目的明显不同的任务上的潜力。

Aug, 2023

vEEGNet: 通过变分自动编码器学习潜在表示来重构 EEG 原始数据

该论文提出了 vEEGNet 模型，结合了变分自编码器和前馈神经网络，用于对复杂的多维时间序列电脑脑电图（EEG）数据进行分类和重构，取得了最先进的分类性能，并能够重构低频和中频范围的原始 EEG 信号。

Nov, 2023

混合神经网络方法用于时间睡眠阶段分类

本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法，其中利用整流器神经网络和长短期记忆网络来优化分类性能，并找到了单通道 EEG 在额头上的舒适配置，并证明它可以与其他电极一起使用，从而实现了睡眠自动分类的更好性能。

Oct, 2016

基于 Transformer 的脑电解码空时特征学习

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

从脑电图记录学习稳健的深度视觉表征

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

利用 Wasserstein 生成对抗网络提高 EEG 信号分类准确性

提出了一种基于深度学习和 Wasserstein 生成对抗网络的实用解决方案，通过增强小数据集来提高分类器的泛化能力，从而解决脑 - 计算机接口开发中有限的脑电图数据问题。

Feb, 2024

基于脑电谱时特征的卷积神经网络心算任务分类

该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

Sep, 2022