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

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

在脑机接口的背景下，我们提出了一种自适应方法，能够在线上使用而不需要监督，并能够达到离线性能水平。有趣的是，我们的方法不需要对模型进行重新训练，而是使用一个冻结的高效深度学习主干网络，同时根据流式观测数据在输入和潜在空间持续对齐数据。我们证明了该方法在电脑脑电编码的运动想象方面的效率，考虑了具有挑战性的跨被试对象的情况。为了可重现性，我们分享了实验的代码。

Mar, 2024

通过基于肌肉想象的脑机接口数据集，我们观察到运动相关皮质电位的标定和控制任务之间存在较大差异，并且展示了一个基于标定数据训练的 CSP 机器学习模型，对脑机接口控制的驾驶数据进行了出人意料的准确预测。

Mar, 2024

本研究提出了一种用于电极脑电图（EEG）数据的跨受试研究的两阶段模型合奏架构，该架构由多个特征提取器（第一阶段）和共享分类器（第二阶段）构建，并在两个损失项中端到端训练，证明了我们的方法实现了目标并在两个大型 MI 数据集中优于所有方法，同时使用了更少的可训练参数，解决了多受试 EEG 数据集中的领域漂移问题，为无标定 BCI 系统铺平了道路。

Nov, 2022

本文研究了运动想象技术在 BCI 实验中的应用，使用不同种类的电极记录数据，运用机器学习方法建立解码器以实时预测意图。

Jun, 2023

本研究评估比较不同的训练神经网络技术，提出为小型数据集提高模型准确度的方法，并发现迁移学习对于重复利用以前学习的特征有重要作用，特别是在医学图像应用中。

Dec, 2019

本文介绍一种基于深度学习的脑机接口技术，通过使用多组数据进行训练，实现了一定的性能，同时通过迁移学习，使得该技术能够用于不同用户，从而解决了目前脑机接口技术中需要耗费大量数据搜集的问题，该技术有望提高脑机接口技术的临床应用性和可行性。

Jan, 2023

本文利用经过训练的 T1 类卷积神经网络模型，通过预处理的脑电数据，探究其成功识别运动想象能力。使用小样本数据验证实时数据分类准确性。

May, 2022

我们提出了一种基于动态领域自适应的深度学习网络 (DADL-Net)，通过 3D 卷积模块将脑电数据映射到三维几何空间，并学习其时空特征，利用空间通道注意机制加强特征，最终通过卷积模块进一步学习特征的时空信息。通过引入最大均值差异损失函数，以及对目标域数据的部分微调，解决了脑机接口中相邻通道的相关性表示和个体差异的问题，在 BCI 竞赛 IV 2a 和 OpenBMI 数据集上验证了该方法的性能，分别达到 70.42% 和 73.91% 的准确率。

Sep, 2023