Oct, 2022

时频分析下基于 SPD 流形的图神经网络在运动想象分类中的应用

PDF
TL;DR介绍了一种名为 Graph-CSPNet 的基于图的技术，结合时频分析的基本视角，用于 MI-EEG 分类。与 Tensor-CSPNet 不同，该方法在 MI-EEG 分类方面实现了更好的结果。
motor imageryeeg-based brain-computer interfacesgeometric deep learningtensor-cspnetgraph-cspnet
发现论文，激发创造
  • 以二维图像为表示的适当拓扑地图上的时空汇聚用于脑电图分类

    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

  • EEG_GLT-Net: 优化实时运动想象信号分类的脑电图网络

    EEG_GLT 算法通过构建邻接矩阵的创新技术，提高了脑机接口中的执行命令准确性和计算效率，适用于实时分类需要大量计算资源的脑电运动想象信号。

    Apr, 2024

  • 基于脑电心智模拟的独立主体深度架构 EEG 分类

    提出了一种新颖的主体无关的半监督深度架构（SSDA），它包括两个部分：无监督部分（CST-AE）从训练样本中提取潜在特征，并降低表示的维度，保证其可辨识性；监督部分利用无监督部分获取的特征，学习基于标记训练样本的分类器，并通过中心损失减小类中每个点到其中心的嵌入空间距离。SSDA 在测试阶段表现出优越性能，仅使用少量标记训练样本即可获得强大的分类性能。

    Jan, 2024

  • 基于相空间的几何神经网络用于 BCI 解码

    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

  • 基于动态领域适应的深度学习网络用于基于脑电信号的动作意象分类

    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

  • LGL-BCI: 一种轻量级几何学学习框架，适用于基于运动想象的脑机接口

    这项研究介绍了 LGL-BCI 框架，采用几何深度学习方法处理脑电图并捕捉空间相关性，通过特征分解算法提出了一种减小 SPD 矩阵维度的解决方案，进而提高推理速度，该方法在实验中表现出优越的准确性和效率，显示了几何深度学习在 MI-BCI 应用中的潜力。

    Oct, 2023

  • 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

  • EEG_RL-Net：通过强化学习优化的图神经网络提升脑电信号运动意图分类

    通过使用图神经网络和强化学习方法，本研究提出了 EEG_RL-Net 模型，有效地分类和识别 EEG MI 信号，在 20 名受试者上达到了 96.40% 的准确率。

    Apr, 2024

  • 3D-CLMI：基于 3D-CNN、LSTM 和注意力机制的运动想象 EEG 分类模型

    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

  • 使用通用深度域适应框架预热跨会话运动想象分类

    提出了一种用于跨会话 MI 分类的全新的深度域自适应 (SDDA) 框架，并应用于既有的人工神经网络中，以提高模型的泛化能力与分类准确率。通过两项 MI-EEG 公共数据集上的实验证明，所提出的 SDDA 框架能够显著提高 EEGNet 和 ConvNet 的 MI 分类准确率，在文献中优于现有的其他方法。

    Feb, 2022