基于图像的时间序列数据表示：脑电图伪迹检测的比较分析

Dec, 2023

基于图像的时间序列数据表示：脑电图伪迹检测的比较分析

Image-based Data Representations of Time Series: A Comparative Analysis in EEG Artifact Detection

Aaron Maiwald, Leon Ackermann, Maximilian Kalcher, Daniel J. Wu

TL;DR提出了利用 EEG 数据作为时序数据的基于图像的数据表示方法的测试平台，并对六种常用的表示方法进行了十一种流行的深度学习架构的评估。发现在表示方法的选择中，存在着偏差与方差之间的权衡，然而某些表示方法在突出增加数据的信噪比方面更加有效。通过 EEG 数据呈现了实验结果，并开源了我们的测试框架，以促进未来在这方面进行的比较分析。

Abstract

alternative data representations are powerful tools that augment the performance of downstream models. However, there is an abundance of such representations within the machine learning toolbox, and the field lac

alternative data representations downstream models comparative understanding eeg data deep learning architectures

发现论文，激发创造

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

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

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

无需反向传播学习心电图信号特征

本文提出一种基于理论物理思想生成时序型数据表示的新方法，该方法旨在识别可以有效捕捉特定类别样本的共享特征的线性规律，并利用这些规律构建了一个具有良好解释性和可验证性的分类器不可知表示方法，该表示方法能够在广泛的场景下应用，以实现心电图信号分类等任务的最先进性能。

Jul, 2023

基于深度学习的脑电图分析：系统综述

通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

Jan, 2019

刺激时间序列的 EEG 分类：时间序列模型和联合主体训练

研究了 EEG 分类模型与通用时间序列分类模型之间的差异，并通过将时间序列模型与主题嵌入结合，实现了在所有受试者上训练一个联合主题条件分类器，其性能在三个数据集中与专用 EEG 模型相竞争。

Apr, 2024

EEG-ImageNet: 多层次标签的脑电图数据集和基准测试

通过脑活动识别和重建我们所看到的内容，可以深入研究生物视觉系统如何代表世界。本文介绍了 EEG-ImageNet，一个包括从 16 名受试者记录的来自 ImageNet 数据集中的 4000 个图像的新颖 EEG 数据集，该数据集为目标分类和图像重建建立了基准。实验结果表明该数据集有助于推动基于脑电图的视觉脑 - 计算机界面，理解生物系统的视觉知觉，并在改进机器视觉模型方面有潜在应用。

Jun, 2024

广义 Deepfake 检测的脑电图特征

通过利用从人类参与者的神经处理中测量得到的脑电图（EEG）从 FaceForensics++ 数据集的 Deepfake 刺激中检测深度伪造是这项研究的目标。初步结果表明，人类神经处理信号成功地整合到了 Deepfake 检测框架中，并且暗示了一种能够识别超越训练领域的 Deepfake 的广义神经表征的潜力。此外，我们的研究为理解数字真实主义如何嵌入人类认知系统提供了下一步的步骤，可能推动未来更逼真的数字化身的发展。

May, 2024

BrainVis：通过图像重建探索大脑和视觉信号之间的桥梁

通过将 EEG 信号分解成多个单元并自我监督学习获取时间域特征，利用频域特征增强 EEG 表示，将 EEG 时频嵌入与 CLIP 空间中的粗粒度语义插值对齐，使用级联扩散模型重建图像，我们提出的 BrainVis 在语义保真度重建和生成质量方面均优于现有技术，值得注意的是，我们将训练数据规模降低到以前的 10%。

Dec, 2023

脑机接口深度表示学习技术评述及建议

综述了 81 篇应用深度表示学习技术进行 BCI 解码的文章，发现自编码器是最常用的深度表示学习技术，同时呼吁为 EEG 信号解码专门设计基础模型，并建立专门的基准和数据集来促进其发展和持续改进。

May, 2024