研究使用 Transformer 结构的深度学习模型，命名为 SSVEPformer，应用于 SSVEP 分类任务的首个应用，结果表明该模型能够在跨受试者情况下提高分类准确性和信息传输速率，成为缓解 SSVEP BCI 系统实际应用中校准程序的潜在模型。

Oct, 2022

本研究提出了一种稀疏情况下基于因子分解的脑机接口信号处理方法，通过采用不同的特征提取器从潜空间获取不同表示并最小化潜空间共享情况，成功地提取到了稀疏条件下的脑电信号的决定性特征。

Jun, 2022

基于 Transformer 的 ESTformer 框架应用于脑电超分辨率（SR）任务，利用时空依赖关系学习空间结构信息和时间功能变化，并通过 Spatial Interpolation Module（SIM）和 Temporal Reconstruction Module（TRM）捕捉建模脑电 SR 的时空依赖性。实验证明 ESTformer 在两个脑电数据集上的有效性，并证明了 SR 数据相对于 LR 数据在脑电相关的个人识别和情绪识别任务中的优越性，展示了 Transformer 在脑电超分辨率任务中的多功能性。

Dec, 2023

本文提出了一种基于 transformer-based 网络的新型框架，用于从 EEG 信号中获取注意状态，进一步优化了特征提取方法和频带。该网络已在两个公共数据集上进行了训练和验证，并取得了比现有模型更高的效果，可应用于实际情况下，如评估注意力缺陷多动障碍 (ADHD) 症状或驾驶评估中的警觉度。

Apr, 2022

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

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

通过将预训练的视觉 Transformer（ViTs）与时域卷积网络（TCNet）相结合，以增强 EEG 回归的精度，本研究揭示了 ViTs 序列数据处理能力和 TCNet 优越的特征提取能力的核心，用于提高 EEG 分析精度，并分析了如何构建用于注意力机制的最佳块，以平衡计算速度和准确性的关系。研究结果表明，在 EEGEyeNet 的绝对位置任务中，均方根误差（RMSE）从 55.4 降至 51.8，超过了现有的最新模型，而不牺牲性能的同时，将模型的速度提高了一个数量级（高达 4.32 倍）。这一突破不仅在 EEG 回归分析中设立了新的基准，而且为将变换器结构与专门的特征提取方法用于多样化的 EEG 数据集开辟了新的研究方向。

Apr, 2024

研究提出了一种新的基于注意力机制的 EEG 解码方法，通过注意力变换增强空间特征，采用时间维度的切片进行注意力变换，使用全局平均池化和简单的全连接层对各类 EEG 数据进行分类。该方法在 EEG 的多分类方面达到了最先进水平，并有促进脑机接口的实际应用潜力。

Jun, 2021

该研究介绍了一种适用于在卫星图像流中检测任务式单次事件相关电位的分布式推理系统，通过利用多个优化于特定任务的模型，确保在各种图像转换时间和目标出现时间下实现卓越性能，在两个范式中试验结果表明，该系统在目标检测中优于传统方法，并且在 AI 范式中引入边界框显著提高了目标识别效果。

Nov, 2023

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