Oct, 2023

利用 Riemann 切空间映射和交叉频率耦合提升脑机接口中的运动想象解码

PDF
TL;DR使用 Riemann Tangent Space Mapping 和 Dichotomous Filter Bank with Convolutional Neural Network（DFBRTS）这种新方法，该论文在 Motor Imagery（MI）和 Brain Computer Interfaces（BCIs）领域进行研究，以提高 MI 特征的表示质量和解码能力，经过对两个基准数据集的广泛实验，DFBRTS 在 MI 解码方面表现出显著优于其他方法的结果。
motor imagerybrain computer interfacesdecodingriemann tangent space mappingconvolutional neural network
发现论文，激发创造
  • 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

  • 时频分析下基于 SPD 流形的图神经网络在运动想象分类中的应用

    介绍了一种名为 Graph-CSPNet 的基于图的技术，结合时频分析的基本视角，用于 MI-EEG 分类。与 Tensor-CSPNet 不同，该方法在 MI-EEG 分类方面实现了更好的结果。

    Oct, 2022

  • 利用地球移动距离量化脑机接口中的空间域解释

    利用可解释 AI 技术，在空间领域生成特征相关性，以识别模型结果的重要通道，从而提高脑机接口的可靠性和稳健性。

    May, 2024

  • 以二维图像为表示的适当拓扑地图上的时空汇聚用于脑电图分类

    基于脑电信号的运动想象分类的研究提出了一种新的方法，利用坐标转换的 t-SNE 生成二维图像来表示拓扑地图，利用 InternImage 提取空间特征，利用 PoolFormer 启发的时空汇聚来利用序列的脑电图像中隐藏的时空信息，通过实验表明该方法在跨个体验证中二、三、四类运动想象任务中均取得了最佳的分类精度，分别达到了 88.57%、80.65% 和 70.17%。

    Mar, 2024

  • LGL-BCI: 一种轻量级几何学学习框架，适用于基于运动想象的脑机接口

    这项研究介绍了 LGL-BCI 框架，采用几何深度学习方法处理脑电图并捕捉空间相关性，通过特征分解算法提出了一种减小 SPD 矩阵维度的解决方案，进而提高推理速度，该方法在实验中表现出优越的准确性和效率，显示了几何深度学习在 MI-BCI 应用中的潜力。

    Oct, 2023

  • 基于粒子群优化算法的自适应空间滤波器改进的运动想象分类

    基于粒子群优化算法的自适应空间滤波器解决方法 (ASP) 提出了一种训练和测试框架，用于运动意象脑机接口 (MI-BCI) 信号分类。在两个公共数据集上进行的比较实验显示了 FBCSP-ASP 方法的卓越平均识别准确率，该方法在 MI-BCI 上取得了显著的性能提升，对两个数据集的分类准确率分别达到了 74.61% 和 81.19%。与基线算法 (FBCSP) 相比，该算法在两个数据集上分别提高了 11.44% 和 7.11%。此外，基于互信息、t-SNE 和 Shapley 值的分析进一步证明了 ASP 特征对 MI-EEG 信号具有出色的解码能力，并解释了引入 ASP 特征后分类性能的改善。

    Oct, 2023

  • 深度特征学习 EEG 信号：通过启用脑电文本输入实现思维转文字

    提出了一种基于深度神经网络的 MI-EEG 分类方法，采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征，消除多种伪迹。实验证明，该方法在 MI-EEG 数据集上的分类精度达到了 95.53％，并应用于具体的 BCI 系统中，实现了打字操作。

    Sep, 2017

  • 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

  • 端到端深度迁移学习用于无校准运动想象脑机接口

    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。

    Jul, 2023

  • 利用 Block-Toeplitz 增强的协方差矩阵和 Siegel 度量来提高运动想象 BCI 分类的计算效率

    电脑脑电信号分析中，通过增强协方差方法提高运动想象分类性能，同时提高计算效率。

    Jun, 2024