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
我们提出了一种基于图的神经脉冲网络结构来进行多通道脑电图分类的方法(Graph Spiking Neural Network architecture for multi-channel EEG classification)。相较于目前最先进的 SNN(Spiking Neural Network),我们的方法提高了计算效率,降低了计算复杂度,并在运动执行分类任务中取得了与当前方法相当的准确性。
Apr, 2023
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
EEG-GPT 是一种统一的脑电图分类方法,利用大型语言模型的进展实现了在多尺度脑电生理理解和分类能力方面出色的性能,同时提供透明和可解释的逐步验证过程,从而在临床环境中提高了可信度。
Jan, 2024
提出了使用深度学习方法进行睡眠分期的自动分类系统,可有效利用 Polysomnography 信号的多变量和多模态的特性,通过学习线性空间滤波器与英特飞凌分类器结合,其性能达到同类算法最优水平。
Jul, 2017
本文提出了一种受听觉皮层启发的混合卷积神经网络 - 脉冲神经网络(CNN-SNN)器件,使用 EEG 数据及多说者语音包络成功计算出空间定位,并取得了 91.03% 的高精度,同时相较于传统方法,参数使用降低了 15%,存储空间降低了 57%,并具有较大的应用潜力,特别推荐应用于智能助听器等装置上。
Jul, 2023
本文提出了一种基于 transformer-based 网络的新型框架,用于从 EEG 信号中获取注意状态,进一步优化了特征提取方法和频带。该网络已在两个公共数据集上进行了训练和验证,并取得了比现有模型更高的效果,可应用于实际情况下,如评估注意力缺陷多动障碍 (ADHD) 症状或驾驶评估中的警觉度。
Apr, 2022
用于 EEG 信号基于图神经网络的建模的 GNN4EEG 是一个多功能且易于使用的工具包,并包括四个 EEG 分类任务的大型基准、各种先进的 GNN 基于 EEG 分类模型的易于使用的实现以及全面的实验设置和评价协议。
Sep, 2023
采用多标签谱分析将脑电图信号处理成易于解读的睡眠模式图像,作为深层卷积神经网络的输入,研究自动分级睡眠阶段的方法,实验结果显示在新的患者中准确分类睡眠阶段,同时提供了结果的可视化解释框架。
Oct, 2017
通过预测随机生成的合成时间序列的频率内容的一种预训练任务,我们的实验表明,我们的方法在数据有限和受试者少的情况下超越完全监督学习,在有很多受试者的情况下与其性能相匹配。此外,我们的结果强调了频率信息对于睡眠阶段判定的相关性,并且还表明,深度神经网络利用除频率以外的信息来提高睡眠分期的准确性,这与以前的研究一致。我们预计我们的方法将在脑 - 机接口等 EEG 数据有限或来源于少数受试者的广泛应用领域中具有优势。
Mar, 2024