Feb, 2024

避免训练过程的机器人辅助康复中基于脑电图分类器的跨任务迁移

PDF
TL;DR该研究探讨了通过脑电图记录未受影响手臂的活动，以学习个体化机器学习模型来支持患者康复，结果表明预测运动的分类器在选定的受双边运动意图诱发的脑电图通道上训练时与全面训练脑电图数据的分类器在单边运动意图上的表现差异不显著。这一方法可在实际治疗中使用，与几个脑电图通道的数据训练有效，对于中风患者的进一步研究具有潜力。
rehabilitationmachine learningelectroencephalogramexoskeleton-assisted rehabilitationstroke patients
发现论文，激发创造
  • 高级特征提取与机器学习自动分类左 / 右手运动脑电信号

    这篇论文提出了一个自动化的计算机平台，该平台使用先进的特征提取技术和机器学习算法对左右手运动相关的脑电信号进行分类，并使用两种不同的机器学习算法，神经网络和支持向量机，最终取得了分别为 89.8 和 97.1 的最佳分类性能。

    Dec, 2013

  • 肌电图 (EMG) 任务上的迁移学习：方法与进展

    本篇论文综述了 50 多个发表的 EMG 应用程序的传输学习方法，并提供了有关肌肉生理结构和 EMG 生成机制的生物学见解以及录制 EMG 的方法，以支持现有传输学习方法的生物基础。此外，通过将现有研究努力分为基于数据和模型的方法、基于培训方案的方法和对抗性的方法，系统地总结和分类了现有的 EMG 相关机器学习应用的传输学习方法，并讨论了现有工作的可能缺点，并指出了未来更好的 EMG 传输学习算法的方向以提高实际应用性。

    Oct, 2022

  • 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

  • 以二维图像为表示的适当拓扑地图上的时空汇聚用于脑电图分类

    基于脑电信号的运动想象分类的研究提出了一种新的方法，利用坐标转换的 t-SNE 生成二维图像来表示拓扑地图，利用 InternImage 提取空间特征，利用 PoolFormer 启发的时空汇聚来利用序列的脑电图像中隐藏的时空信息，通过实验表明该方法在跨个体验证中二、三、四类运动想象任务中均取得了最佳的分类精度，分别达到了 88.57%、80.65% 和 70.17%。

    Mar, 2024

  • 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

  • 物理相容和无监督的黎曼领域适应，用于异构脑电数据的机器学习

    应用电脑脑电波信号物理学的方法，通过字段插值将脑电通道映射到固定位置，实现源域适应，提高了脑机接口和潜在生物标志应用的分类性能。

    Mar, 2024

  • 昏迷患者自身和交叉通道关注机制下的多通道脑电图数据分析

    通过深度学习方法对双极脑电图记录进行预测，在高特异性、减少误报的目标函数优化下，利用多通道脑电图阵列对神经系统不良结局进行有效预测，并通过我们团队提出的 ONG IVS 框架，在挑战性验证数据上取得了 0.57 的得分。

    Sep, 2023

  • 用于脑机接口诱发电位的跨受试者深度转移模型

    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

  • 利用脑电图信号和机器学习技术进行帕金森病诊断的综合研究

    通过分析人类脑电图信号，采用支持向量机分类模型，提出了一种创新的帕金森病诊断方法，该研究通过提高诊断准确性和可靠性增强了模型的性能。

    Apr, 2024

  • 基于脑电心智模拟的独立主体深度架构 EEG 分类

    提出了一种新颖的主体无关的半监督深度架构（SSDA），它包括两个部分：无监督部分（CST-AE）从训练样本中提取潜在特征，并降低表示的维度，保证其可辨识性；监督部分利用无监督部分获取的特征，学习基于标记训练样本的分类器，并通过中心损失减小类中每个点到其中心的嵌入空间距离。SSDA 在测试阶段表现出优越性能，仅使用少量标记训练样本即可获得强大的分类性能。

    Jan, 2024