应用深度学习于具有不同电极布局的脑电图数据的空间注意力
研究提出了一种新的基于注意力机制的 EEG 解码方法,通过注意力变换增强空间特征,采用时间维度的切片进行注意力变换,使用全局平均池化和简单的全连接层对各类 EEG 数据进行分类。该方法在 EEG 的多分类方面达到了最先进水平,并有促进脑机接口的实际应用潜力。
Jun, 2021
通过使用隐马尔可夫模型和线性混合效应模型从 EEG 数据中提取特征,本研究分析了使用六种机器学习方法对学习者和非学习者进行分类的性能,并比较了不同标准化方法对分类性能的贡献。结果显示,只有使用 theta EEG 数据和深度神经网络时,才能达到超过 80% 的 ROC 曲线下面积,增强了空间学习任务中学习者和非学习者的分类能力。
Nov, 2023
本研究采用一种有效的编码方式将脑电信号编码为图像,从而实现对深度学习模型中的脑信号进行更细致的理解,并将其与标准图像特征相结合,以提高深度学习模型的可解释性。通过在六个受试者的层数据集上对 39 个图像类别进行编码分类,该方法在 82% 的准确率方面优于现有工作,从而证明了该理论的可行性。
Sep, 2022
本文提出了一种基于 transformer-based 网络的新型框架,用于从 EEG 信号中获取注意状态,进一步优化了特征提取方法和频带。该网络已在两个公共数据集上进行了训练和验证,并取得了比现有模型更高的效果,可应用于实际情况下,如评估注意力缺陷多动障碍 (ADHD) 症状或驾驶评估中的警觉度。
Apr, 2022
该研究结合多个表示,使用多领域关注机制和跨领域特征融合方法构建了脑电情感识别网络,实验证明该网络优于其他现有方法,并实现了最新技术水平。
Mar, 2023
通过将神经网络和神经科学的 EEG 数据相结合,使用理论驱动的裁剪和随机森林树分割来降低 EEG 数据的维度,从而改进了 NLP 任务中的注意力机制,表现出比强基准线更佳的表现,有助于进一步研究 EEG 在 NLP 任务中的应用。
Jun, 2020
我们引入了一个深度神经网络用于情感分类,通过混合的时空编码和循环注意网络块获取可解释的生理学表示,并应用图信号处理工具对原始数据进行预处理以在空间域中进行图平滑。我们证明了我们的架构在公开可用的 DEAP 数据集上超过了最先进的情感分类结果,并通过转移学习的方式在 DREAMER 和情感英语词(EEWD)数据集上提高了情感分类准确性。
Jul, 2023
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。
Nov, 2015
本文研究了影响基于 EEG 信号的深度学习模型解释的已有研究,并提出了一种新的方法:上下文感知扰动方式,可以从原始 EEG 信号的角度产生显著性地图,并证明可以利用上下文信息来压制 EEG 模型中的伪影。实验结果支持我们的方法具有明显的优势。
May, 2022