Feb, 2024

RLEEGNet：将脑 - 机接口与自适应人工智能相结合，实现直观响应和高准确性的运动意象分类

PDF
TL;DR基于强化学习与深度 Q 网络的 1D-CNN-LSTM 结构的 RLEEGNet 模型通过反馈不断优化控制策略，实现连续的适应性和响应性，以提高脑机接口系统的可适应性和响应速度。
prosthetic controlreinforcement learningdeep q-networksmotor imagery classificationbci systems
发现论文，激发创造
  • EEG_RL-Net：通过强化学习优化的图神经网络提升脑电信号运动意图分类

    通过使用图神经网络和强化学习方法，本研究提出了 EEG_RL-Net 模型，有效地分类和识别 EEG MI 信号，在 20 名受试者上达到了 96.40% 的准确率。

    Apr, 2024

  • 3D-CLMI：基于 3D-CNN、LSTM 和注意力机制的运动想象 EEG 分类模型

    本研究提出了一种结合三维卷积神经网络与长短期记忆网络并具有注意力机制的模型来对运动想象 - 电子脑接口信号进行分类，实验结果表明该模型在运动想象任务领域取得了更高的分类准确度和 F1 值，对于用户的运动想象意图的分类准确度有较大的提升。

    Dec, 2023

  • 使用深度学习对脑机接口系统中的脑电运动想象进行分类

    本文利用经过训练的 T1 类卷积神经网络模型，通过预处理的脑电数据，探究其成功识别运动想象能力。使用小样本数据验证实时数据分类准确性。

    May, 2022

  • 使用深度卷积循环神经网络进行脑电信号的多模态分类

    本研究提出了一种新的基于深度神经网络的方法来通过 EEG 数据建模认知事件，同时介绍了光流去表示 EEG 的变量信息，并在此基础上构建了一个混合 BCI 康复支持系统，旨在帮助中风患者执行一些基本操作。

    Jul, 2018

  • 基于动态领域适应的深度学习网络用于基于脑电信号的动作意象分类

    我们提出了一种基于动态领域自适应的深度学习网络 (DADL-Net)，通过 3D 卷积模块将脑电数据映射到三维几何空间，并学习其时空特征，利用空间通道注意机制加强特征，最终通过卷积模块进一步学习特征的时空信息。通过引入最大均值差异损失函数，以及对目标域数据的部分微调，解决了脑机接口中相邻通道的相关性表示和个体差异的问题，在 BCI 竞赛 IV 2a 和 OpenBMI 数据集上验证了该方法的性能，分别达到 70.42% 和 73.91% 的准确率。

    Sep, 2023

  • 基于脑机接口的基于 EEG 的意图识别的串联和并行卷积循环神经网络

    本文提出了级联和并行卷积循环神经网络，以有效学习 EEG 数据流的组合时空表示。通过转换 EEG 数据流，将其转换成 2D 网格结构以及使用 LSTM 循环神经网络来提取 EEG 数据流的微妙时序依赖性。在大规模 MI-EEG 数据集上进行了广泛的实验，证明了该方法在准确性方面具有高达 98.3％的优越性，相对于基线方法和大多数最新的深度学习 EEG 识别模型，有着 18％的准确率提升。

    Aug, 2017

  • 端到端深度迁移学习用于无校准运动想象脑机接口

    该研究使用深度迁移学习开发了一种无需校准、面向不同个体的 MI-BCI 分类器，通过对原始 EEG 信号采用端到端的深度学习方法进行处理，并使用开放数据集进行训练和比较了三种深度学习模型，结果显示不同模型的性能有显著差异。

    Jul, 2023

  • 基于关注力的脑电运动想象分类任务中的小样本关系学习

    通过深度学习的 FEW-SHOT 架构，提高结合关系得分分类 MI EEG 信号的准确度。

    Mar, 2020

  • 深度学习人类思维用于自动化视觉分类

    本文利用人类脑电图与神经网络结合的方法，研究了使用人类的视觉能力辅助计算机视觉系统进行分类的可能性，并取得了较好的实验结果。

    Sep, 2016

  • 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