Jul, 2023

端到端深度迁移学习用于无校准运动想象脑机接口

PDF
TL;DR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。
motor imagery brain-computer interfacesdeep transfer learningmi-bci classifierseeg signalsleave-one-subject-out cross validation
发现论文，激发创造
  • 使用深度学习进行运动想象数据集之间的迁移学习 -- 框架验证和数据集对比

    我们提出了一个基于深度学习的简单框架，用于跨数据集转移学习在脑机接口领域中普遍使用的心理想象解码任务中，并展示其有效性。

    Sep, 2023

  • 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

  • 基于关注力的脑电运动想象分类任务中的小样本关系学习

    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

  • 使用深度学习对脑机接口系统中的脑电运动想象进行分类

    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

  • 使用通用深度域适应框架预热跨会话运动想象分类

    提出了一种用于跨会话 MI 分类的全新的深度域自适应 (SDDA) 框架，并应用于既有的人工神经网络中，以提高模型的泛化能力与分类准确率。通过两项 MI-EEG 公共数据集上的实验证明，所提出的 SDDA 框架能够显著提高 EEGNet 和 ConvNet 的 MI 分类准确率，在文献中优于现有的其他方法。

    Feb, 2022

  • EEGEncoder: 基于 Transformer 的运动想象分类推动 BCI 发展

    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

  • 一种强大且简单的 BCI MI 解码的深度学习基线

    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

  • 从校准到控制：观察脑机接口模型中的脑电特征转移

    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。

    Mar, 2024

  • 基于集成课程学习和协同训练的运动想象解码

    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

  • FingerNet：基于深度神经网络的手指敲击任务下细致运动想象的脑电解码

    脑机接口技术（BCI）利用脑电图（EEG）信号实现人脑与计算机之间的通信，本研究介绍了一种专门用于细微运动意象分类的网络，称为 FingerNet，通过从 EEG 信号中提取时空特征，能够在同一只手内提高分类准确性，实验结果显示 FingerNet 在识别五个手指敲击任务方面表现出优异的性能。

    Mar, 2024