Mar, 2023

基于浅层深层注意力网络将听觉语音和脑电信号相关联

PDF
TL;DR本篇论文提出了一种新的 Shallow-Deep Attention-based Network (SDANet) 来对不同刺激下的 EEG 信号进行正确分类，它采用了 Attention-based Correlation Module (ACM) 来全局地发现听觉语音和 EEG 信号之间的关系，并且使用了 Shallow-Deep Similarity Classification Module (SDSCM) 基于浅层和深层学习得到的嵌入来决定分类结果。同时，还使用了多种训练策略和数据增强来提高模型鲁棒性，并在 Auditory EEG challenge 提供的数据集上进行了实验验证，结果表明该模型在匹配 - 不匹配轨迹方面比基线模型有显著的提升。
发现论文，激发创造
  • 基于 EEG 的低占用和低延迟听觉注意力检测的 Corticomorphic 混合 CNN-SNN 结构

    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

  • 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

  • DGSD: 动态图自蒸馏用于基于 EEG 的听觉空间注意力检测

    本文提出了一种动态图自蒸馏的听觉注意力检测方法，该方法通过应用动态图卷积神经网络处理非欧几里德特性的脑电图信号，提取与听觉空间注意力相关的关键特征，并利用特征和分类结果指导浅层网络的学习，实验结果表明该方法优于基线方法并且参数数量减少 100 倍。

    Sep, 2023

  • 基于层次深度特征学习的 EEG 想象语音解码

    本文提出了一种混合深度神经网络策略，将卷积神经网络和递归神经网络并行组合，级联自编码器和全连接层，以自动识别 EEG 中的想象语音，并演示了相对于基线方法约 23.45％的准确度改进，展示了混合 DNN 方法在复杂时空分类问题上的潜力。

    Apr, 2019

  • 基于 DenseNet 的使用 EEG 解码听觉空间注意力的方法

    通过将原始的 EEG 通道转化为二维空间拓扑图，将 EEG 数据转化为包含时空信息的三维排列，并使用 3D 深度卷积神经网络（DenseNet-3D）提取被关注位置的神经表示的时空特征。结果表明，该方法在常用的 KULeuven（KUL）数据集上以 1 秒决策窗口取得了比最先进方法（XANet 的 90.6%）更高的解码精度（94.4%），我们的工作代码可以在 GitHub 上获取。

    Sep, 2023

  • 头皮脑电图自动癫痫检测的深度架构

    本研究通过使用 TUH EEG Seizure Corpus 数据集，评估了一种新型的循环卷积神经网络，该网络在每 24 小时内的假警报率为 7 次，灵敏度达到 30%。研究表明，深度学习结构集成空间和时间信息对于达到最先进的表现至关重要，并将推动出一代临床可接受的技术。

    Dec, 2017

  • TAnet：一种基于脑电信号的短决策窗口听觉空间关注解码的新的时间注意力网络

    该研究提出了一种短决策窗口的新型听觉空间注意力检测模型 TAnet，通过使用多头注意力机制更有效地捕捉脑电信号的时间步间相互作用，并为这些时间步分配相应的权重，进一步提高了听觉空间注意力检测的性能。实验证明，相比于基于 CNN 的方法和最新的 ASAD 方法，在 KUL 数据集中，使用短决策窗口时，TAnet 表现出更好的解码性能，准确率分别为 92.4%（决策窗口为 0.1 秒）、94.9%（0.25 秒）、95.1%（0.3 秒）、95.4%（0.4 秒）和 95.5%（0.5 秒）。作为一种具有短决策窗口的新型 ASAD 模型，TAnet 有望促进脑电控制智能助听器和声音识别系统的设计。

    Jan, 2024

  • EEGNet 家族神经网络的深度比较

    本篇文章对五种神经网络进行了比较，旨在用各类公开数据库获取统计学显著结果，以排出最佳的神经网络，供未来脑机接口设计借鉴。

    Feb, 2023

  • LMDA-Net：通用脑 - 计算机界面典范和可解释性的轻量级多维注意力网络

    提出了一种轻量级多维注意力网络 LMDA-Net，通过整合来自多个维度的特征，在各种 BCI 任务中实现了改进的分类性能，并且通过特定于类别的神经网络特征可解释性算法对其特征进行解释分析，展示出作为各种脑电任务的通用在线解码模型的巨大潜力。

    Mar, 2023

  • 一种具有图平滑信号的混合时空注意力神经网络用于 EEG 情绪识别

    我们引入了一个深度神经网络用于情感分类，通过混合的时空编码和循环注意网络块获取可解释的生理学表示，并应用图信号处理工具对原始数据进行预处理以在空间域中进行图平滑。我们证明了我们的架构在公开可用的 DEAP 数据集上超过了最先进的情感分类结果，并通过转移学习的方式在 DREAMER 和情感英语词（EEWD）数据集上提高了情感分类准确性。

    Jul, 2023