本文研究了应用于不同年份和不同设备采集的数据集的人工智能方法在运动想象电生理信号脑机接口数据上的演变和影响，提供了简洁而全面的调查。
Oct, 2022
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
本研究提出了一种用于电极脑电图（EEG）数据的跨受试研究的两阶段模型合奏架构，该架构由多个特征提取器（第一阶段）和共享分类器（第二阶段）构建，并在两个损失项中端到端训练，证明了我们的方法实现了目标并在两个大型 MI 数据集中优于所有方法，同时使用了更少的可训练参数，解决了多受试 EEG 数据集中的领域漂移问题，为无标定 BCI 系统铺平了道路。
Nov, 2022
在脑机接口的背景下，我们提出了一种自适应方法，能够在线上使用而不需要监督，并能够达到离线性能水平。有趣的是，我们的方法不需要对模型进行重新训练，而是使用一个冻结的高效深度学习主干网络，同时根据流式观测数据在输入和潜在空间持续对齐数据。我们证明了该方法在电脑脑电编码的运动想象方面的效率，考虑了具有挑战性的跨被试对象的情况。为了可重现性，我们分享了实验的代码。
Mar, 2024
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
EEGEncoder 是一种深度学习框架，运用 transformer 模型克服了传统 EEG 信号分类方法中的一些挑战，并在 BCI 竞赛数据集 2a 上取得了最新的最佳表现，这标志着 BCI 技术的重大进步。
Apr, 2024
通过深度学习的 FEW-SHOT 架构，提高结合关系得分分类 MI EEG 信号的准确度。
Mar, 2020
研究使用机器学习技术对人脑成像数据进行分类，统计分析显示无论奖励是想象还是视觉呈现，人类中脑区域都会被激活。
Jun, 2021
通过基于肌肉想象的脑机接口数据集，我们观察到运动相关皮质电位的标定和控制任务之间存在较大差异，并且展示了一个基于标定数据训练的 CSP 机器学习模型，对脑机接口控制的驾驶数据进行了出人意料的准确预测。
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