EEGNet 家族神经网络的深度比较
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
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
提出了一种基于深度神经网络的 MI-EEG 分类方法,采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征,消除多种伪迹。实验证明,该方法在 MI-EEG 数据集上的分类精度达到了 95.53%,并应用于具体的 BCI 系统中,实现了打字操作。
Sep, 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
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
本文利用经过训练的 T1 类卷积神经网络模型,通过预处理的脑电数据,探究其成功识别运动想象能力。使用小样本数据验证实时数据分类准确性。
May, 2022
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