使用深度学习对脑机接口系统中的脑电运动想象进行分类
基于脑电信号的运动想象分类的研究提出了一种新的方法，利用坐标转换的 t-SNE 生成二维图像来表示拓扑地图，利用 InternImage 提取空间特征，利用 PoolFormer 启发的时空汇聚来利用序列的脑电图像中隐藏的时空信息，通过实验表明该方法在跨个体验证中二、三、四类运动想象任务中均取得了最佳的分类精度，分别达到了 88.57%、80.65% 和 70.17%。
Mar, 2024
该研究使用深度迁移学习开发了一种无需校准、面向不同个体的 MI-BCI 分类器，通过对原始 EEG 信号采用端到端的深度学习方法进行处理，并使用开放数据集进行训练和比较了三种深度学习模型，结果显示不同模型的性能有显著差异。
Jul, 2023
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
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
本研究提出了一种结合三维卷积神经网络与长短期记忆网络并具有注意力机制的模型来对运动想象 - 电子脑接口信号进行分类，实验结果表明该模型在运动想象任务领域取得了更高的分类准确度和 F1 值，对于用户的运动想象意图的分类准确度有较大的提升。
Dec, 2023
我们提出了一种基于动态领域自适应的深度学习网络 (DADL-Net)，通过 3D 卷积模块将脑电数据映射到三维几何空间，并学习其时空特征，利用空间通道注意机制加强特征，最终通过卷积模块进一步学习特征的时空信息。通过引入最大均值差异损失函数，以及对目标域数据的部分微调，解决了脑机接口中相邻通道的相关性表示和个体差异的问题，在 BCI 竞赛 IV 2a 和 OpenBMI 数据集上验证了该方法的性能，分别达到 70.42% 和 73.91% 的准确率。
Sep, 2023
我们提出了一个简单的 1D 卷积神经网络 EEG-SimpleConv，用于脑机接口（BCI）中的运动想象解码。我们的主要动机是提出一个非常简单的基线进行比较，仅使用文献中的标准元素。我们在四个 EEG 脑机接口运动想象数据集上评估其性能，包括模拟的在线设置，并将其与最近的深度学习和机器学习方法进行比较。EEG-SimpleConv 至少与其他方法一样好，或者更高效，在不增加推理时间的情况下展示了强大的知识迁移能力。我们主张使用现成的元素而不是提供临时解决方案，可以显著帮助深度学习方法在 BCI 中的应用。我们提供了模型和实验代码的访问权限。
Sep, 2023