Jun, 2023

基于转移学习图神经网络的异构电极配置数据集的 EEG 信号解码

PDF
TL;DR通过使用图神经网络和转移学习技术，可以有效地从多个使用不同电极布局的 EEG 数据集中聚合知识，从而在主体独立的 MI EEG 分类中实现更好的泛化。
brain-machine interfacingmachine learningtransfer learningmotor imageryeeg decoding
发现论文，激发创造
  • 物理相容和无监督的黎曼领域适应，用于异构脑电数据的机器学习

    应用电脑脑电波信号物理学的方法，通过字段插值将脑电通道映射到固定位置，实现源域适应，提高了脑机接口和潜在生物标志应用的分类性能。

    Mar, 2024

  • BENDR：使用变压器和对比自监督学习任务从海量脑电数据中学习

    本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术，建立起一个单一的预训练模型，用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录，从而取得较好的脑机接口和脑电分类性能。

    Jan, 2021

  • 2021 BEETL 竞赛：推进面向自主和异构脑电图数据集的迁移学习

    该研究介绍了如何使用转移学习和元学习技术，来处理来自不同来源的生物信号数据，以解决医疗诊断和脑 - 机器接口任务的自动化问题。在这个研究里，以脑电图 (EEG) 为例，设计两项转移学习挑战任务，并通过竞赛验证了这些方法的效果。

    Feb, 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

  • 深度特征学习 EEG 信号：通过启用脑电文本输入实现思维转文字

    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

  • NeurIPS 2021：团队 Cogitat 所提供的 EEG 迁移学习竞赛基准测试数据集

    采用统计技术和可训练方法明确地对齐深度学习模型各层的特征分布，以应对跨数据集、受试者和记录会话的强协变量转移，从而构建针对 EEG 解码的主体无关的深度学习模型，该方法在 2021 年的 BEETL 比赛中获得了第一名。

    Feb, 2022

  • 通过联邦学习聚合内在信息以提升脑机接口性能

    通过使用分层个性化的联邦学习框架，本研究提出了一种解决脑机接口领域缺乏多样数据的问题的综合方法，能够提升脑电图（EEG）解码的分类性能并充分利用来自不同设备的数据集之间的知识共享，为解决该问题提供了全新的端到端解决方案。

    Aug, 2023

  • 深度集合脑电解码器中的潜在对齐

    基于深度学习模型和统计领域适应技术，本研究介绍了获得 EEG 转移学习竞赛冠军的 Latent Alignment 方法，并将其表述为应用于给定受试者试验集的深度集合；实验结果表明，在深度学习模型的较晚阶段进行统计分布对齐有助于分类准确性，同时研究了深度学习模型中可能产生虚假改善结果的类别区分偏差以及类别不平衡对对齐的影响。

    Nov, 2023

  • 评估神经网络在脑机接口中的快速适应能力

    这篇论文提出了一种简单的评估快速适应性的策略，并就电子脑图谱、脑机接口、模型不可知元学习、卷积神经网络和适应性等方面进行了实证研究。

    Apr, 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