Jul, 2023

步态脑电噪声去除方法调查

PDF
TL;DR该研究综述了超过 100 篇研究论文，讨论了识别和消除步态脑电信号中的噪声的技术，发现步态脑电数据的图案识别技术受不同条件下的影响，需要通过有效的模式识别技术区分噪声和其他条件下的步态脑电数据。
ambulatory eegnoise removaldetectionpattern recognitioneeg datasets
发现论文，激发创造
  • 基于频率的深度学习的多种神经电活动去噪

    通过在频域操作，并针对噪声进行卷积滤波来实现脑电信号的去噪，可以有效地去除神经活动中的噪声源和生理性伪迹。

    Oct, 2023

  • 机器学习在脑电波信号中用于耳鸣诊断的应用综述

    使用机器学习和脑电图信号作为输入数据，该研究回顾了 2016 年至 2023 年间发表的 11 篇文章，评估了以早期检测为目标的耳鸣患者识别或预测方法，并比较了每篇文章的重点，同时进行了统计分析，提出了未来研究的方向。

    Oct, 2023

  • 利用脑电图预测疲劳算法综述

    应用机器学习算法检测生理疲劳的全面研究，旨在评估不同算法在基于脑电图数据预测个体疲劳水平方面的有效性。

    Jan, 2024

  • 使用深度学习消除脑电图中的眼球运动伪迹

    本研究提出了一种新颖的双向长短期记忆（BiLSTM）深度学习模型，结合基于小波同步挤压变换（WSST）的高度局部化时频系数特征提取，能够有效去除眼球伪迹，相比传统的时间 - 频率分析和原始信号方法，该方法可以显著提高伪迹去除性能。

    Sep, 2022

  • 低场便携式 MRI 扫描仪电磁消除方法综述

    综述了传统方法和深度学习方法在消除磁共振成像系统中的电磁干扰方面的综合分析和实施，并通过详细比较强调了每种方法的优势和局限性。研究结果表明，结合传统方法的可靠性和深度学习的先进能力，开发更健壮、有效的电磁干扰抑制策略在 MRI 系统中是有必要的。

    Jun, 2024

  • 利用长短期记忆网络和独立成分分析从单通道和多通道脑电图记录中去除 EOG 伪影

    采用长短期记忆（LSTM）神经网络和独立成分分析（ICA）相结合的新方法，解决了污染的脑电图（EEG）信号中眼电图（EOG）伪迹的去除问题。

    Aug, 2023

  • 基于信号处理和深度神经网络的优化脑电情绪检测

    本研究使用电脑建立了一个基于神经网络的智能决策模型，通过 EEG 检测来识别人类主观情绪，并采用一些信号处理技术和算法，实验结果表明该模型能够提高情绪检测的准确性。

    Mar, 2023

  • 基于机器学习的焦虑检测中噪声效应的比较研究

    通过比较不同程度的噪音对生理唤醒分类问题分类模型的影响，该研究探讨了为什么和如何以前的方法失败，并分析了噪音对每个模型结构的影响，从而开发出对噪音环境具有鲁棒性的模型，适合于日常生活的喧嚣。

    Jun, 2023

  • 基于深度学习的脑电图分析：系统综述

    通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

    Jan, 2019

  • 通过脑电图识别失眠

    该研究利用深度学习方法提出了一个鉴定失眠症的智能解决方案，通过提取从频谱和时间领域得到的一组最佳特征，包括相对功率、绝对慢波功率、力量比率等，用于准确量化失眠症患者与健康对象的差异，并且开发了一个基于一维卷积神经网络模型的分类过程。通过使用 50 名失眠患者和 50 名健康受试者的 Fp2 和 C4 EEG 通道进行实验，该模型在没有睡眠阶段注释的情况下达到了 99.34% 的准确率，从而为失眠症患者提供了一种智能解决方案，能简化当前的睡眠监测硬件并改善家庭内的动态监测。

    Feb, 2024