Jan, 2024

ConvConcatNet: 从 EEG 中重建 Mel 频谱的深度卷积神经网络

PDF
TL;DR利用神经网络和深度卷积神经网络方法，本研究提出了一种重建脑电图中语音信号的新方法 ConvConcatNet，其中利用深度卷积神经网络和广泛的拼接操作相结合。在我们的 ConvConcatNet 模型中，重建的梅尔频谱图与目标梅尔频谱图之间的皮尔逊相关系数可达到 0.0420，在听觉脑电挑战的任务 2 中排名第一。
发现论文，激发创造
  • 卷积神经网络的深度学习用于 EEG 病理解码和可视化

    本研究使用卷积神经网络来区分病态 EEG 记录和正常的 EEG 记录，进一步建立自动 EEG 诊断的基础，研究中使用多种模型和可视化技术，最终获得较高的准确度和谱特征的变化对于疾病诊断有一定的指导意义，并且整个研究为未来的相关工作提供了一定的参考。

    Aug, 2017

  • 基于层次深度特征学习的 EEG 想象语音解码

    本文提出了一种混合深度神经网络策略，将卷积神经网络和递归神经网络并行组合，级联自编码器和全连接层，以自动识别 EEG 中的想象语音，并演示了相对于基线方法约 23.45％的准确度改进，展示了混合 DNN 方法在复杂时空分类问题上的潜力。

    Apr, 2019

  • 深度卷积神经网络用于脑电解码的谱特征的层级内部表示

    本文通过研究 ConvNets 在 EEG 信号解码中的表现，发现其通过一系列层次逐渐学会了如何识别 EEG 信号的不同特征，其中后期的卷积层可以识别 EEG 信号的复杂特征，这为理解 EEG 时间序列的组合结构提供了洞见。

    Nov, 2017

  • 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

  • 利用多头卷积神经网络实现快速谱图反演

    本研究提出了一种使用多头卷积神经网络（MCNN）架构从频谱生成波形的方法，而不需要迭代算法，能显著提高计算效率。对 MCNN 进行了大规模数据集的训练，并且损失函数的定义关注于声学感知质量。证明了 MCNN 是一种非常有前途的高质量语音合成方法。

    Aug, 2018

  • 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

  • 朝着端到端可解释的卷积神经网络发展音波信号

    用卷积神经网络构建高效且可解释的端到端音频深度学习模型，通过在三个标准语音情感识别数据集上的实验验证，我们的框架在效率和可解释性方面表现优越，对抗 Mel 频谱特征有高达 7% 的改进；还揭示了前端层在处理复杂的长波形模式方面的高效性和可解释性，通过 PhysioNet 心音数据库的实例进行了论证，为处理原始波形数据构建了可移植的有效模型解决方案。

    May, 2024

  • 使用深度卷积神经网络解码和可视化人类观察者的脑电图信号中的机器人动作成功签名

    研究深度卷积神经网络在配合 EEG 信号用于识别人机交互中的机器人错误检测时的准确率，表明深度卷积神经网络是一种可靠的 EEG 解码技术工具。

    Nov, 2017

  • 基于浅层深层注意力网络将听觉语音和脑电信号相关联

    本篇论文提出了一种新的 Shallow-Deep Attention-based Network (SDANet) 来对不同刺激下的 EEG 信号进行正确分类，它采用了 Attention-based Correlation Module (ACM) 来全局地发现听觉语音和 EEG 信号之间的关系，并且使用了 Shallow-Deep Similarity Classification Module (SDSCM) 基于浅层和深层学习得到的嵌入来决定分类结果。同时，还使用了多种训练策略和数据增强来提高模型鲁棒性，并在 Auditory EEG challenge 提供的数据集上进行了实验验证，结果表明该模型在匹配 - 不匹配轨迹方面比基线模型有显著的提升。

    Mar, 2023