研究深度卷积神经网络在配合 EEG 信号用于识别人机交互中的机器人错误检测时的准确率，表明深度卷积神经网络是一种可靠的 EEG 解码技术工具。

Nov, 2017

本研究旨在使用脑电图解码手部抓握动作，以用于熟练的神经临床和脑机接口应用，特别是对于运动障碍患者。通过使用新的基于脑电图的脑机接口平台和小波信号处理来区分两种复杂的自然力度和精准的抓握，并与无运动状态（中性条件）进行比较，利用机器学习技术和新颖的小波特征，我们实现了高平均准确率：对于多分类为 85.16％，对于无运动与力度抓握的区分为 95.37％，对于无运动与精准抓握的区分为 95.40％，对于力度与精准抓握之间的区分为 88.07％，展示了这些特征在基于脑电图的抓握区分中的有效性。与以往研究相比，我们研究的关键部分是排列特征重要性分析，它突出了抓握分类的关键特征。结果显示，在抓握过程中，最关键的脑活动发生在脑运动皮层中的阿尔法和贝塔频带内。这些见解展示了小波特征在实时神经临床技术和脑机接口应用中的潜力。

Jan, 2024

本文提出了一种简单而有效的基于机器学习的方法，使用混合 Convolutional Spiking Neural Network 和生物启发式事件驱动突触可塑性规则进行手势分类的训练和测试。该方法在不同受试者和任务中进行了测试，可以对不同的手势类别和运动想象任务进行准确的识别，准确率达 92.74％至 97.07％。

Apr, 2023

该研究探讨了通过脑电图记录未受影响手臂的活动，以学习个体化机器学习模型来支持患者康复，结果表明预测运动的分类器在选定的受双边运动意图诱发的脑电图通道上训练时与全面训练脑电图数据的分类器在单边运动意图上的表现差异不显著。这一方法可在实际治疗中使用，与几个脑电图通道的数据训练有效，对于中风患者的进一步研究具有潜力。

Feb, 2024

使用深度学习架构处理婴儿的脑电信号，并通过卷积层仅处理原始信号以检测癫痫发作，相较于传统的基于手工特征表达的机器学习方法，表现更优，同时可以更有效地利用可用的训练数据。

May, 2021

这篇论文提出了一个自动化的计算机平台，该平台使用先进的特征提取技术和机器学习算法对左右手运动相关的脑电信号进行分类，并使用两种不同的机器学习算法，神经网络和支持向量机，最终取得了分别为 89.8 和 97.1 的最佳分类性能。

Dec, 2013

人体行走是一种复杂的活动，精确检测步态阶段对于控制下肢辅助装置如外骨骼和假肢至关重要。本研究提出了几种基于下肢肌电数据的机器学习模型，其中包括高斯朴素贝叶斯、决策树、随机森林、线性判别分析以及深度卷积神经网络。传统机器学习模型通过手工特征或使用主成分分析对其降维处理，而深度卷积神经网络模型则利用卷积层从原始数据中提取特征。结果显示传统机器学习模型的平均准确率为 75%，深度学习模型的准确率为 79%。在训练的深度学习模型中，经过 50 次试验，最高准确率达到 89.5%。

Mar, 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

该研究论文采用深度学习技术，基于猴子运动皮层的神经记录数据，通过利用 LSTM 网络对神经信号进行解码以实现物体抓取类型分类，取得了显著的分类准确率提升，并比较了该方法与其他先前方法的表现。

Nov, 2023

本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

Jan, 2019