Nov, 2023

DTP-Net：多尺度特征复用学习时频域中的 EEG 信号重建

PDF
TL;DR本研究提出了一种名为 DTP-Net 的全卷积神经架构，用于端到端脑电图信号去噪，通过深入分析 DTP-Net 中各模块的表示学习行为来验证其鲁棒性和可靠性，并通过实验验证表明 DTP-Net 在去除噪音方面具有有效性，优于现有方法，进一步将 DTP-Net 应用到特定的脑机接口任务中，相对于原始信号，分类准确率提高了 5.55%，证明其在基于脑电图的神经科学和神经工程领域中具有潜在应用价值。
发现论文，激发创造
  • 基于频率的深度学习的多种神经电活动去噪

    通过在频域操作，并针对噪声进行卷积滤波来实现脑电信号的去噪，可以有效地去除神经活动中的噪声源和生理性伪迹。

    Oct, 2023

  • EEGDiR: 通过保留网络实现的脑电图去噪网络，用于时间信息存储和全局建模

    为了改善脑电图（EEG）信号临床医学、脑科研究和神经疾病研究中受各种生理和环境干扰影响的准确分析，我们提出了将自然语言处理中的 Retnet 集成到 EEG 去噪中，通过信号嵌入方法将一维 EEG 信号转化为二维以作为网络输入，验证了该方法在去噪有效性方面的显著改进。

    Mar, 2024

  • EEG-Deformer：一种用于脑机接口的密集卷积变形器

    通过将 Hierarchical Coarse-to-Fine Transformer (HCT) 和 Dense Information Purification (DIP) 模块结合进 CNN-Transformer，我们提出了 EEG-Deformer 算法，有效地学习了脑电图（EEG）信号中的时间动态，进而解码脑活动，实验证明它在三个认知任务上要么优于现有的最先进方法，要么与其相媲美。

    Apr, 2024

  • vEEGNet: 通过变分自动编码器学习潜在表示来重构 EEG 原始数据

    该论文提出了 vEEGNet 模型，结合了变分自编码器和前馈神经网络，用于对复杂的多维时间序列电脑脑电图（EEG）数据进行分类和重构，取得了最先进的分类性能，并能够重构低频和中频范围的原始 EEG 信号。

    Nov, 2023

  • 头皮脑电图自动癫痫检测的深度架构

    本研究通过使用 TUH EEG Seizure Corpus 数据集，评估了一种新型的循环卷积神经网络，该网络在每 24 小时内的假警报率为 7 次，灵敏度达到 30%。研究表明，深度学习结构集成空间和时间信息对于达到最先进的表现至关重要，并将推动出一代临床可接受的技术。

    Dec, 2017

  • 基于脑电谱时特征的卷积神经网络心算任务分类

    该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

    Sep, 2022

  • 基于 EEG 的脑 - 计算机接口的紧凑卷积网络 EEGNet

    本文主要介绍一种基于深度卷积神经网络的脑 - 计算机接口通信模型 EEGNet，该模型考虑到不同 BCI 范式中 EEG 信号的特点，成功解决了不同信号间的分类问题。

    Nov, 2016

  • 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

  • 使用深度循环卷积神经网络从脑电图中学习表征

    该研究中提出了一种新方法，可以从多通道 EEG 时间序列中学习稳健的特征，以提高认知负荷分类任务的分类准确率。

    Nov, 2015

  • 基于动态领域适应的深度学习网络用于基于脑电信号的动作意象分类

    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