Sep, 2023

GNN4EEG：使用图神经网络进行脑电图分类的基准和工具包

PDF
TL;DR用于 EEG 信号基于图神经网络的建模的 GNN4EEG 是一个多功能且易于使用的工具包，并包括四个 EEG 分类任务的大型基准、各种先进的 GNN 基于 EEG 分类模型的易于使用的实现以及全面的实验设置和评价协议。
electroencephalography classificationgraph neural networkseeg signalsgnn4eegclassification models
发现论文，激发创造
  • 基于图神经网络的脑电信号分类：综述

    通过系统综述和分类论述了基于图神经网络的脑电分类方法，发现光谱图卷积层在空间上存在较大优势，常见的节点特征为原始脑电信号和差分熵，同时提出了探索迁移学习方法和适当建模跨频率交互的方向。

    Oct, 2023

  • 基于脑电图的情绪识别中的图神经网络研究

    通过开发图神经网络 (GNN) 在基于脑电图的情绪识别领域中的独特应用，研究综述了现有方法，并提供了构建 GNN 在基于脑电图情绪识别中的清晰指导，同时探讨了一些挑战和未来方向。

    Feb, 2024

  • 基于动态图神经网络的精确脑电图癫痫检测与分类

    这篇论文介绍了 NeuroGNN，一个动态图神经网络框架，通过捕捉脑电极位置和对应脑区语义之间的动态相互作用，来优化癫痫的检测和分类，并在实际数据上的广泛实验证明其明显优于现有的先进模型。

    May, 2024

  • 自监督图神经网络提高脑电图癫痫分析

    本研究提出了一种基于 GNN 的自监督预训练模型，能够捕捉电极几何或动态脑连接的脑电图图形结构，提高罕见癫痫类型的检测和分类精度。此外，提出了一种定量的模型可解释性方法来评估模型在 EEGs 内定位癫痫的能力。实验证明，GNN 的自监督预训练方法在癫痫检测和分类上都优于以往的方法，能够精确定位约 25.4% 的局部癫痫，可以为临床医生提供直观的癫痫局部化信息。

    Apr, 2021

  • 基于域引导图卷积神经网络增强基于脑电图的神经疾病诊断

    使用 EEG-GCNN 模型对神经疾病的诊断进行改进，重点是区分由专家分类为 “正常” 的病人的异常头皮脑电波与健康人的头皮脑电波。在两个大型头皮脑电波数据库中的实验表明，EEG-GCNN 模型的 AUC 值达到 0.90，表现显著优于人工基准和传统机器学习基准。

    Nov, 2020

  • EGNN-C+：可解释的演化粒状神经网络及其在弱监督脑电数据流分类中的应用

    我们介绍了一种改进的增量学习算法，用于进化颗粒神经网络分类器（eGNN-C+）。我们使用双边界超立方体来表示颗粒，并自定义适应过程以增强外部边界对数据覆盖和噪声抑制的鲁棒性，同时确保内部边界保持灵活以捕捉漂移。分类器从头开始进化，即时融入新的类别，并进行局部增量特征加权。作为应用，我们专注于对脑电图（EEG）信号中与情绪相关的模式的分类。情绪识别对于增强计算机系统的逼真性和交互性至关重要。我们从 28 个参与玩电脑游戏的个体获得的 EEG 信号的傅立叶频谱中提取特征 - 这是一个公共数据集。每个游戏引发不同的主导情绪：无聊、平静、恐惧或喜悦。我们分析个体电极、时间窗口长度和频带，以评估用户无关的神经模型的准确性和可解释性。研究结果表明，两个大脑半球都有助于分类，尤其是颞叶（T8）和顶叶（P7）区域的电极，并且前额叶和枕叶电极也对分类有贡献。虽然模式可能表现在任何频带上，但阿尔法波（8-13Hz）、δ（1-4Hz）波和 θ（4-8Hz）波以此顺序与情绪类别有更高的相关性。eGNN-C + 在学习 EEG 数据方面表现出有效性。即使在高度随机的时间变化的 4 类分类问题面前，它在 10 秒时间窗口内达到了 81.7% 的准确性和 0.0029 II 的可解释性。

    Feb, 2024

  • EEGSN: 基于图峰值神经网络的脑电解码高效低延迟实现

    我们提出了一种基于图的神经脉冲网络结构来进行多通道脑电图分类的方法（Graph Spiking Neural Network architecture for multi-channel EEG classification）。相较于目前最先进的 SNN（Spiking Neural Network），我们的方法提高了计算效率，降低了计算复杂度，并在运动执行分类任务中取得了与当前方法相当的准确性。

    Apr, 2023

  • 基于自适应门控图卷积网络的脑电数据可解释诊断阿尔茨海默病

    本研究提出了一种使用自适应闸门图卷积网络病诊断的方法，基于脑功能连通性图结构和节点特征增强的卷积方法，实现了对阿尔茨海默病患者的较高精确度预测，并提供了说明预测的一致解释的可能，有助于进一步研究 AD 相关的大脑网络变化。

    Apr, 2023

  • 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

  • EEG_GLT-Net: 优化实时运动想象信号分类的脑电图网络

    EEG_GLT 算法通过构建邻接矩阵的创新技术，提高了脑机接口中的执行命令准确性和计算效率，适用于实时分类需要大量计算资源的脑电运动想象信号。

    Apr, 2024