提出了一种自适应和自组织的在线脉冲排序算法，名为 Ada-SpikeDeep 分类器，它使用 SpikeDeeptector 进行通道选择，自适应背景事件拒绝器（Ada-BAR）用于丢弃背景事件，并自适应脉冲分类器（Ada-Spike 分类器）用于对不同神经元的 SA 进行分类。该算法是第一个能够自动学习噪声和 SA 分布突变的脉冲排序算法，适合使用人工神经网络实现的硬件，在可穿戴侵入性 BCIs 上得到应用。

Mar, 2023

使用脉冲神经网络作为数据生成器，直接合成新的脉冲火车，从而提高脑 - 计算机接口解码器的概括能力，并将脉冲神经网络作为一种更好地与脑 - 计算机接口集成的大脑启发式智能方法。

Mar, 2022

采用先前任务学习得到的先验知识，我们提出了一种串联的前两名 Thompson 抽样算法 (Sequential Top-two Thompson Sampling, STTS)，将广义多臂老虎机中的最佳臂序列问题视为一系列任务。这种算法取得了实质性的实验性改进。

May, 2023

脑机接口（BCIs）提供了从大脑到外部设备的直接路径，具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号，提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验，证明了所提出的联合学习过程在学习效率和效果上的优势。

Aug, 2023

本研究提出了一种稀疏情况下基于因子分解的脑机接口信号处理方法，通过采用不同的特征提取器从潜空间获取不同表示并最小化潜空间共享情况，成功地提取到了稀疏条件下的脑电信号的决定性特征。

Jun, 2022

我们的研究旨在开发一个深度学习算法，它能在较少数量的电极上提供有效的结果，并通过使用 SPDNet 的增强协方差方法来分析其性能和计算影响以及结果的解释性。通过使用 Mother Of All BCI Benchmark（MOABB）框架在 5 折交叉验证上对方法进行评估，使用仅位于运动皮层上方的三个电极进行实验验证。结果表明，我们的 SPDNet 在 MI 解码方面明显优于所有当前最先进的深度学习架构。

Mar, 2024

本研究基于神经脉冲网络中的超级脉冲非线性电压三因素学习规则，探究了不同信用分配策略对多层神经网络的表现，可促进神经脉冲网络的学习和计算方式的理解。

May, 2017

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

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

研究了使用脑电波编码词语的可行性，提出在卷积神经网络中使用跨层连接以帮助信息流动，并使用测试数据结果表明，在此情况下分类性能得到显着提高。

Jan, 2023