基于脑电图的生成式抑郁症鉴别器
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
使用EEG-GCNN模型对神经疾病的诊断进行改进,重点是区分由专家分类为“正常”的病人的异常头皮脑电波与健康人的头皮脑电波。在两个大型头皮脑电波数据库中的实验表明,EEG-GCNN模型的AUC值达到0.90,表现显著优于人工基准和传统机器学习基准。
Nov, 2020
本文提出了一种基于条件变分自编码器的EEG2Vec框架,可以在具有限计算内存资源的情景下预测情绪状态,并生成特定参与者和/或情感的合成EEG数据;实验结果表明,该模型能够适用于无监督EEG建模,并实现对正面、中性、负面三个情感类别的分类。
Jul, 2022
本研究使用电脑建立了一个基于神经网络的智能决策模型,通过EEG检测来识别人类主观情绪,并采用一些信号处理技术和算法,实验结果表明该模型能够提高情绪检测的准确性。
Mar, 2023
我们提出了一种基于图的神经脉冲网络结构来进行多通道脑电图分类的方法(Graph Spiking Neural Network architecture for multi-channel EEG classification)。相较于目前最先进的SNN(Spiking Neural Network),我们的方法提高了计算效率,降低了计算复杂度,并在运动执行分类任务中取得了与当前方法相当的准确性。
Apr, 2023
通过系统综述和分类论述了基于图神经网络的脑电分类方法,发现光谱图卷积层在空间上存在较大优势,常见的节点特征为原始脑电信号和差分熵,同时提出了探索迁移学习方法和适当建模跨频率交互的方向。
Oct, 2023
该研究提出了两种变分自编码器模型(vEEGNet-ver3 和 hvEEGNet),用于解决脑电重建中的问题。hvEEGNet能够以非常高的准确度重建脑电数据,并发现了之前研究结果可能受到的腐败脑电记录的影响,同时提供了潜在的表征,用于其他分类问题和脑电数据生成。
Nov, 2023
通过开发图神经网络(GNN)在基于脑电图的情绪识别领域中的独特应用,研究综述了现有方法,并提供了构建GNN在基于脑电图情绪识别中的清晰指导,同时探讨了一些挑战和未来方向。
Feb, 2024
我们介绍了一种改进的增量学习算法,用于进化颗粒神经网络分类器(eGNN-C+)。我们使用双边界超立方体来表示颗粒,并自定义适应过程以增强外部边界对数据覆盖和噪声抑制的鲁棒性,同时确保内部边界保持灵活以捕捉漂移。分类器从头开始进化,即时融入新的类别,并进行局部增量特征加权。作为应用,我们专注于对脑电图(EEG)信号中与情绪相关的模式的分类。情绪识别对于增强计算机系统的逼真性和交互性至关重要。我们从28个参与玩电脑游戏的个体获得的EEG信号的傅立叶频谱中提取特征 - 这是一个公共数据集。每个游戏引发不同的主导情绪:无聊、平静、恐惧或喜悦。我们分析个体电极、时间窗口长度和频带,以评估用户无关的神经模型的准确性和可解释性。研究结果表明,两个大脑半球都有助于分类,尤其是颞叶(T8)和顶叶(P7)区域的电极,并且前额叶和枕叶电极也对分类有贡献。虽然模式可能表现在任何频带上,但阿尔法波(8-13Hz)、δ(1-4Hz)波和θ(4-8Hz)波以此顺序与情绪类别有更高的相关性。eGNN-C+在学习EEG数据方面表现出有效性。即使在高度随机的时间变化的4类分类问题面前,它在10秒时间窗口内达到了81.7%的准确性和0.0029 II的可解释性。
Feb, 2024