智能系统在我们日常生活中变得越来越重要，需要新的交互方式。本文提出的脉冲卷积神经网络利用事件和深度数据进行手势识别，通过在嵌入式系统上进行离线训练和评估，并使用开源的神经形态计算框架 LAVA 进行模拟。研究结果表明，在深度信息和模态融合中，时间编码及不同编码的数据对网络性能和泛化能力有积极效果。

Jan, 2024

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

本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

Jan, 2019

本文提出了一种使用双通道 Doppler 雷达和卷积神经网络的成本效益高的手势识别系统，其在时间 - 频率分析后对手势信号进行分类。实验结果表明，该系统具有 98％的准确性。

Nov, 2017

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

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

通过膜电位作为记忆列表，我们首次将无源领域适应引入脉冲神经网络，以缓解由分布变化引起的准确性降低，并通过新型的脉冲波 Jaccard 注意力提高了脉冲神经网络对表面肌电图特征的表示能力，从而显著提高了系统的准确性。在收集的新的表面肌电图手势数据集中，SpGesture 在不同的前臂姿势中实现了最高的准确率（89.26%），并且在 CPU 上的实际部署展示了低于 100 毫秒的系统延迟，完全满足实时要求，这些令人印象深刻的性能展示了 SpGesture 在实际场景中增强表面肌电图的应用潜力。

May, 2024

本文提出了一种新颖的卷积神经网络方法，用于分类原始干性脑电信号，具有较高的分类准确度和泛化能力，并与传统的机器学习方法进行了比较。

May, 2018

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