Nov, 2023

理解通过脑电数据学习：基于隐马尔可夫模型和混合模型的机器学习与特征工程结合

PDF
TL;DR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。
theta oscillationseeg datamachine learning methodsspatial learningdeep neural networks
发现论文，激发创造
  • 基于 EEG 的图像特征提取与深度学习视觉分类

    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

  • 使用脑电图与机器学习分析学习任务的脑活动

    该研究旨在分析不同 STEM 活动中的大脑活动，探索分类不同任务的可行性。收集了二十个受试者在五个认知任务中的脑电数据，并将其分割为 4 秒的片段。通过分析大脑频率波的功率谱密度，测试了使用 XGBoost、随机森林和装袋分类器等不同的 k 间隔，结果显示随机森林在两个间隔大小时表现最好，测试准确率达到 91.07%。当利用所有四个脑电通道时，认知灵活性最为显著。任务特定的分类准确率显示右额叶在数学处理和规划方面表现出色，左额叶在认知灵活性和心理灵活性方面表现出色，左颞顶叶在连接方面表现出色。值得注意的是，在进行 STEM 活动时观察到了额叶和颞顶叶之间的许多连接。这项研究有助于更深入地了解将机器学习应用于分析大脑活动，并揭示了大脑的机制。

    Jan, 2024

  • 脑电记录的深度特征学习

    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

  • 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

    通过对脑电数据进行空间注意力调控和信道协调，探讨了在不同电极脑电数据下使用深度学习模型的性别分类任务，并以实验证明使用不同电极脑电数据进行训练的深度学习模型在性别分类中显著优于使用固定 23 通道和 128 通道数据的模型。

    Oct, 2023

  • 机器关注时的人类大脑活动

    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

  • 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

  • 通过融合时频和空间表示改善基于 EEG 的情感识别

    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

  • 组合脑电图和自然语言处理特征，通过集成分类预测学生讲座理解能力

    应用脑电图 (EEG) 和自然语言处理 (NLP) 对教育进行研究以衡量学生在课堂讲座中的理解，本文提出了一个分类框架，用于预测学生在两个任务中的讲座理解情况: (i) 学生在听完模拟讲座后的困惑程度和 (ii) 学生对讲座后评估的回答的正确性。该框架包括脑电图和自然语言处理特征提取、处理和分类。通过提取脑电图信号和句子级句法分析获取的综合特征，可以衡量特定生物标记和句子结构方面的信息。采用集成堆叠分类方法 - 多个个体模型的组合，学习特征以准确预测。此外，还利用主观困惑评分作为另一个集成特征来提高分类性能。实验结果表明，该框架的表现优于基准线，对于预测困惑和正确性的 F1 值达到 0.65 和 0.78，突显利用这一框架有助于提高分类性能。

    Nov, 2023

  • 从脑电图记录学习稳健的深度视觉表征

    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

  • 基于 Transformer 的脑电解码空时特征学习

    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