基于 P300 脑机接口的模糊时间卷积神经网络在智能家居交互中的应用

Apr, 2022

基于 P300 脑机接口的模糊时间卷积神经网络在智能家居交互中的应用

Fuzzy temporal convolutional neural networks in P300-based Brain-computer interface for smart home interaction

Christian Flores Vega, Jonathan Quevedo, Elmer Escandón, Mehrin Kiani, Weiping Ding...

TL;DR本文提出了一个名为 EEG-TCFNet 的模型，它结合了时间卷积网络（TCNs）、LSTM 单元和模糊神经块（FNB）以及三种不同的架构来处理 EEG 信号并实现 P300 波的分类，以构建用于智能家居交互的 BCI，研究结果表明，使用 FNB 的模型在分类准确性方面优于其他模型，并对于智能家居等自然环境的应用具有潜在的推广价值。

Abstract

The processing and classification of electroencephalographic signals (eeg) are increasingly performed using deep learning frameworks, such as convolutional neural networks (CNNs), to generate abstract features fr

eeg convolutional neural networks p300-based brain computer interface fuzzy neural block smart home interaction

发现论文，激发创造

基于 EEG 的脑 - 计算机接口的紧凑卷积网络 EEGNet

本文主要介绍一种基于深度卷积神经网络的脑 - 计算机接口通信模型 EEGNet，该模型考虑到不同 BCI 范式中 EEG 信号的特点，成功解决了不同信号间的分类问题。

Nov, 2016

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

使用深度卷积循环神经网络进行脑电信号的多模态分类

本研究提出了一种新的基于深度神经网络的方法来通过 EEG 数据建模认知事件，同时介绍了光流去表示 EEG 的变量信息，并在此基础上构建了一个混合 BCI 康复支持系统，旨在帮助中风患者执行一些基本操作。

Jul, 2018

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

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

评估神经网络在脑机接口中的快速适应能力

这篇论文提出了一种简单的评估快速适应性的策略，并就电子脑图谱、脑机接口、模型不可知元学习、卷积神经网络和适应性等方面进行了实证研究。

Apr, 2024

EEG-ITNet: 一种可解释的 Inception 时态卷积神经网络，用于运动想象分类

提出了一种名为 EEG-ITNet 的端对端深度学习架构，用于分类运动和精神任务，与其他现有的端对端架构相比，在 BCI 竞赛 IV 中微调丰富的光谱，空间和时间信息，取得了高达 5.9％的分类准确度的提高。

Apr, 2022

将预训练的 ViTs 与 TCNet 融合以增强脑电回归

通过将预训练的视觉 Transformer（ViTs）与时域卷积网络（TCNet）相结合，以增强 EEG 回归的精度，本研究揭示了 ViTs 序列数据处理能力和 TCNet 优越的特征提取能力的核心，用于提高 EEG 分析精度，并分析了如何构建用于注意力机制的最佳块，以平衡计算速度和准确性的关系。研究结果表明，在 EEGEyeNet 的绝对位置任务中，均方根误差（RMSE）从 55.4 降至 51.8，超过了现有的最新模型，而不牺牲性能的同时，将模型的速度提高了一个数量级（高达 4.32 倍）。这一突破不仅在 EEG 回归分析中设立了新的基准，而且为将变换器结构与专门的特征提取方法用于多样化的 EEG 数据集开辟了新的研究方向。

Apr, 2024

脑机接口手势识别的卷积脉冲网络

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

EEG-Deformer：一种用于脑机接口的密集卷积变形器

通过将 Hierarchical Coarse-to-Fine Transformer (HCT) 和 Dense Information Purification (DIP) 模块结合进 CNN-Transformer，我们提出了 EEG-Deformer 算法，有效地学习了脑电图（EEG）信号中的时间动态，进而解码脑活动，实验证明它在三个认知任务上要么优于现有的最先进方法，要么与其相媲美。

Apr, 2024