3D-CLMI:基于 3D-CNN、LSTM 和注意力机制的运动想象 EEG 分类模型
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
基于强化学习与深度 Q 网络的 1D-CNN-LSTM 结构的 RLEEGNet 模型通过反馈不断优化控制策略,实现连续的适应性和响应性,以提高脑机接口系统的可适应性和响应速度。
Feb, 2024
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
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
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
通过优化脑机接口(BCI)中的运动想象分类算法,利用无监督的降维技术 UMAP 和 KNN 评估了使用监督学习方法 LSTM 和 CNN 进行分类任务的必要性,实验结果表明 UMAP 降维后具有高 KNN 分数的参与者同样在监督深度学习模型上取得了高准确率,说明降维技术是有效的预处理步骤,减少对大量标记数据和监督深度学习技术的需求,对于运动障碍的定向治疗和解决脑机接口领域中的监管、安全和可靠性问题具有重要意义。
Nov, 2023
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
提出了一种新颖的主体无关的半监督深度架构(SSDA),它包括两个部分:无监督部分(CST-AE)从训练样本中提取潜在特征,并降低表示的维度,保证其可辨识性;监督部分利用无监督部分获取的特征,学习基于标记训练样本的分类器,并通过中心损失减小类中每个点到其中心的嵌入空间距离。SSDA 在测试阶段表现出优越性能,仅使用少量标记训练样本即可获得强大的分类性能。
Jan, 2024