本文提出了级联和并行卷积循环神经网络，以有效学习 EEG 数据流的组合时空表示。通过转换 EEG 数据流，将其转换成 2D 网格结构以及使用 LSTM 循环神经网络来提取 EEG 数据流的微妙时序依赖性。在大规模 MI-EEG 数据集上进行了广泛的实验，证明了该方法在准确性方面具有高达 98.3％的优越性，相对于基线方法和大多数最新的深度学习 EEG 识别模型，有着 18％的准确率提升。

Aug, 2017

采用先前任务学习得到的先验知识，我们提出了一种串联的前两名 Thompson 抽样算法 (Sequential Top-two Thompson Sampling, STTS)，将广义多臂老虎机中的最佳臂序列问题视为一系列任务。这种算法取得了实质性的实验性改进。

May, 2023

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

本文介绍了一种基于信息几何框架的事件相关电位（ERP）分类方法，通过对协方差矩阵的新估计来扩展已有的黎曼几何应用范围，该方法在性能、数据需求以及跨会话、主体泛化方面均有所提高，并以基于 P300 的脑控游戏 Brain Invaders 的数据进行佐证，同时介绍了一种基于在线和自适应实现的 BCI，可以不需要任何校准而保持高精度和适应性。

Aug, 2014

利用脑机接口从人脑中提取高级认知，结合具备高效特征提取能力的计算机视觉技术，可实现对航空图像中微弱目标更强大、更准确的检测。本文首先构建了基于脑眼计算机的航空图像目标检测系统，通过基于眼动追踪的慢速串联视觉呈现范式在脑电图中激发事件相关电位（ERP）信号，并将眼动数据和图像数据构建成脑电图 - 图像数据对。然后，提出了一种自适应模态平衡的在线知识蒸馏（AMBOKD）方法，用于利用脑电图 - 图像数据识别微弱目标。AMBOKD 利用多头注意力模块将脑电图和图像特征融合，构建具备全面特征的新模态。为了提升融合模态的性能和鲁棒能力，采用端到端在线知识蒸馏实现模态之间的同时训练和相互学习。在学习过程中，提出了一种自适应模态平衡模块，通过动态调整各种模态的重要性权重和训练梯度来确保多模态平衡。通过与现有先进方法的比较，验证了我们方法的有效性和优越性。此外，对公共数据集进行的实验和在真实场景中的系统验证也证明了提出的系统和设计方法的可靠性和实用性。

Jul, 2024

该研究提出了一种基于视觉的脑机接口控制方法，超越了离散指令，允许基于神经活动进行自然连续控制。

Nov, 2023

通过提出一种时间 - 频谱融合变换器与个体适配器相结合的快速连续视觉呈现 (RSVP)- 基于脑机接口 (BCI) 技术，以减少依赖新被试数据的训练时间，提高解码性能。

Jan, 2024

提出了一个简单的自适应集成分类系统来处理 SSVEP-BCI-AR 应用中的个体间变异性，并评估了在带有头部旋转的应用中我们的集成算法的性能。在多个受试者上进行的测试在 PC 上达到了平均 80% 的准确率，并且在 HoloLens AR 耳机上达到了 77% 的准确率，均超过了前期研究中采用个体分类器和头部运动的结果。此外，我们的视觉刺激时间相对较短，为 5 秒，并表明我们的集成分类方法在 SSVEP-BCI 中表现优于个体分类器。

Aug, 2023

我们的研究旨在开发一个深度学习算法，它能在较少数量的电极上提供有效的结果，并通过使用 SPDNet 的增强协方差方法来分析其性能和计算影响以及结果的解释性。通过使用 Mother Of All BCI Benchmark（MOABB）框架在 5 折交叉验证上对方法进行评估，使用仅位于运动皮层上方的三个电极进行实验验证。结果表明，我们的 SPDNet 在 MI 解码方面明显优于所有当前最先进的深度学习架构。

Mar, 2024

本文提出了一种基于知识蒸馏的框架，通过混合范式诱导的 EEG 信号操纵机械臂以实现实用化，并证实使用分层模型和知识蒸馏可以提高简单结构的性能。

Dec, 2022