在这项研究中，我们通过使用不同的基于 EEG 的功能连接分析和机器学习算法，来预测复杂多任务任务中认知表现的变化。结果显示，多层感知器和有向传递函数具有较高的预测准确率。

Jan, 2024

该研究旨在分析不同 STEM 活动中的大脑活动，探索分类不同任务的可行性。收集了二十个受试者在五个认知任务中的脑电数据，并将其分割为 4 秒的片段。通过分析大脑频率波的功率谱密度，测试了使用 XGBoost、随机森林和装袋分类器等不同的 k 间隔，结果显示随机森林在两个间隔大小时表现最好，测试准确率达到 91.07%。当利用所有四个脑电通道时，认知灵活性最为显著。任务特定的分类准确率显示右额叶在数学处理和规划方面表现出色，左额叶在认知灵活性和心理灵活性方面表现出色，左颞顶叶在连接方面表现出色。值得注意的是，在进行 STEM 活动时观察到了额叶和颞顶叶之间的许多连接。这项研究有助于更深入地了解将机器学习应用于分析大脑活动，并揭示了大脑的机制。

Jan, 2024

通过应用贝叶斯结构学习算法，该研究在传感器空间中学习了脑电图（EEG）的功能连接性，并将得到的功能连接图输入图卷积网络进行工作记忆负荷的分类，其在 154 名受试者的 6 种不同工作记忆负荷下表现出 95% 的最高分类准确性和 89% 的平均分类准确性，优于现有文献中提出的最先进的分类模型。此外，与最先进的功能连接估计方法进行跨受试者和同受试者的统计分析比较后，结果显示 alpha 波和 theta 波的分类准确性优于 beta 波。

Apr, 2024

通过使用隐马尔可夫模型和线性混合效应模型从 EEG 数据中提取特征，本研究分析了使用六种机器学习方法对学习者和非学习者进行分类的性能，并比较了不同标准化方法对分类性能的贡献。结果显示，只有使用 theta EEG 数据和深度神经网络时，才能达到超过 80% 的 ROC 曲线下面积，增强了空间学习任务中学习者和非学习者的分类能力。

Nov, 2023

本研究提出了一种新的自我监督的深度学习方法，通过使用连续脑率指数和空间谱拓扑头图从 EEG 数据中进行神经负荷建模，该方法表现出在通常适用性方面的能力，这证明了卷积层学习有意义的高级表示的能力。

Sep, 2022

通过扰动训练好的神经网络来推断有效连接性（effective connectivity），以揭示人工神经网络预测未来系统动态的潜在因果结构。

Jul, 2023

本文提出了一种基于联邦学习的隐私保护深度学习架构，名称为 FTL，用于 EEG 分类，通过领域自适应技术从多个受试者的 EEG 数据中提取共同的区分信息。在实验中，FTL 方法在保护隐私的前提下，相对于其他最先进的 DL 架构，在 2 类动作想象分类任务中进行了性能评估，表现出更好的性能。

Apr, 2020

本研究探讨了语言处理的时间动态，通过研究预训练基于变压器的语言模型和脑电数据之间的单词表示的对准。使用时间响应函数 (TRF) 模型，我们调查了神经活动如何对应于不同层的模型表示，揭示了人工语言模型和大脑在语言理解过程中的相互作用的见解。我们的分析揭示了不同层中 TRF 的模式，突显了对词汇和构成处理的不同贡献。此外，我们使用线性判别分析 (LDA) 来分离词性 (POS) 表示，为神经响应和句法处理的基本机制提供了见解。这些发现强调了脑电图在高时间分辨率下探测语言处理动态方面的实用性。通过连接人工语言模型和神经活动，本研究推进了对它们在精细时间尺度上相互作用的理解。

Jun, 2024

本文综述了功能连接组的快速发展和多种方法，在静息状态下和任务驱动实验中如何比较它们，同时分析它们在不同个体和条件下的变异性，可以揭示大脑病理和认知机制的标记。

Apr, 2013

本研究提出了一种跨任务神经架构搜索（CTNAS-EEG）框架，可自动设计跨任务的网络结构以提高 EEG 信号识别精度，并应用于 MI 和情感识别等不同任务，处理效果优于同类研究，对后续研究提供了极好的参考。

Oct, 2022