Nov, 2023

vEEGNet: 通过变分自动编码器学习潜在表示来重构 EEG 原始数据

PDF
TL;DR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。
electroencephalografic dataclassificationreconstructionveegneteegnet
发现论文，激发创造
  • hvEEGNet: 基于层次变分自编码器对脑电数据进行的神经科学应用

    该研究提出了两种变分自编码器模型（vEEGNet-ver3 和 hvEEGNet），用于解决脑电重建中的问题。hvEEGNet 能够以非常高的准确度重建脑电数据，并发现了之前研究结果可能受到的腐败脑电记录的影响，同时提供了潜在的表征，用于其他分类问题和脑电数据生成。

    Nov, 2023

  • 变分自编码器为基于脑电信号的肥胖症分类学习更好的特征表征

    本文提出了一种基于深度学习的框架来从放松状态脑电图信号中提取肥胖和健康人群的特征，并使用时空变分自动编码器和一维卷积神经网络分类。结果显示，该方法在分类精度、特征可视化和特征表示的杂质度方面具有优势。未来的方向包括在从神经学的角度深入了解模型所学习的空间模式以及允许发掘任何时间相关信息来提高模型的可解释性。

    Feb, 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

  • 通过知识蒸馏和潜在扩散模型从脑电图解码视觉大脑表示

    本研究通过采用电脑脑波数据对 ImageNet 数据集中的图像进行分类和重建，提出了一种创新的方法。该研究不仅可以从神经活动中解码图像，还能仅利用脑电波数据生成图像的可靠重建，为个性化迅速反馈实验铺平了道路。

    Sep, 2023

  • 通过变分自编码器学习情感 EEG 表示

    本文提出了一种基于条件变分自编码器的 EEG2Vec 框架，可以在具有限计算内存资源的情景下预测情绪状态，并生成特定参与者和 / 或情感的合成 EEG 数据；实验结果表明，该模型能够适用于无监督 EEG 建模，并实现对正面、中性、负面三个情感类别的分类。

    Jul, 2022

  • 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

  • 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

  • SincVAE: 一种使用 SincNet 和变分自编码器改进脑电图数据异常检测的新方法

    利用半监督的方法，使用一种名为 SincVAE 的新型深度学习方法，该方法通过训练特定的带通滤波器阵列作为变分自编码器的第一层，从而改进了脑电图数据中的癫痫发作检测，并能够在前癫痫期早期发现癫痫发作，并在后癫痫期对患者进行监测。

    Jun, 2024

  • 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

  • 深度表示学习用于开放词汇的脑电图到文本解码

    使用预训练语言模型对无创脑机接口（BCI）通过脑电图（EEG）信号进行解码的潜力进行了研究，提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架，并使用新的评估指标验证了该框架在解码效果方面的优越性。

    Nov, 2023