本研究通过采用电脑脑波数据对 ImageNet 数据集中的图像进行分类和重建，提出了一种创新的方法。该研究不仅可以从神经活动中解码图像，还能仅利用脑电波数据生成图像的可靠重建，为个性化迅速反馈实验铺平了道路。
Sep, 2023
使用预训练语言模型对无创脑机接口（BCI）通过脑电图（EEG）信号进行解码的潜力进行了研究，提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架，并使用新的评估指标验证了该框架在解码效果方面的优越性。
Nov, 2023
该研究使用脑电图 (EEG) 信号进行图像重建和分类，通过深度学习的特征提取方法在多个数据集上展示了其在大脑与计算机交互中的可广泛应用性，并提出了一种在 EEG 空间中转换未见图像并进行近似重建的新框架，显示出优于生成对抗网络现有性能的潜力。
Oct, 2023
该研究中提出了一种新方法，可以从多通道 EEG 时间序列中学习稳健的特征，以提高认知负荷分类任务的分类准确率。
Nov, 2015
通过在不同的 EEG 解码任务上进行深度学习网络的预训练和评估，研究了深度学习表达在任务之间的可迁移性，并发现在解码性能上有显著的提升，同时揭示了特定解码范式引发特定脑活动的证据，从神经科学的角度加强了我们对认知任务之间层次关系的理解。
Jul, 2023
我们提出了一种自监督框架，从脑电信号中学习图像表征。通过对配对图像刺激和脑电反应进行特征提取，然后使用对比学习来对齐这两种模态，我们的方法在最广泛的脑电图像数据集上取得了最先进的结果，并在 200 种零样本任务中达到了 15.6% 的 top-1 准确率和 42.8% 的 top-5 准确率。对脑电信号的时间、空间、频谱和语义方面的广泛实验表明了良好的生物合理性，这些结果对神经解码和脑 - 计算机界面的现实应用提供了有价值的见解。
Aug, 2023
该论文提出了 vEEGNet 模型，结合了变分自编码器和前馈神经网络，用于对复杂的多维时间序列电脑脑电图（EEG）数据进行分类和重构，取得了最先进的分类性能，并能够重构低频和中频范围的原始 EEG 信号。
综述了 81 篇应用深度表示学习技术进行 BCI 解码的文章，发现自编码器是最常用的深度表示学习技术，同时呼吁为 EEG 信号解码专门设计基础模型，并建立专门的基准和数据集来促进其发展和持续改进。
May, 2024
通过将个体的条件识别信息纳入神经网络中，将 EEG 信号解码与个人特征相结合，从而提高 EEG 可解释性和相关识别特征的理解，以提高模型表达能力。在 WithMe 数据集上的测试结果表明，这种方式显著提高了训练集和未知个体的准确性，具有改善 EEG 解释性和理解相关识别特征的潜力。
Mar, 2024
本文介绍了使用深度学习技术从脑电图（EEG）记录中学习区分特征的几种策略，并比较了其效果。这些策略包括跨试验编码，相似性约束编码和 Hydra-nets。通过使用公开可用的 OpenMIIR EEG 数据集对这些策略进行了评估。