Mar, 2024

FingerNet：基于深度神经网络的手指敲击任务下细致运动想象的脑电解码

PDF
TL;DR脑机接口技术（BCI）利用脑电图（EEG）信号实现人脑与计算机之间的通信，本研究介绍了一种专门用于细微运动意象分类的网络，称为 FingerNet，通过从 EEG 信号中提取时空特征，能够在同一只手内提高分类准确性，实验结果显示 FingerNet 在识别五个手指敲击任务方面表现出优异的性能。
brain-computer interfaceeeg signalsfingernetclassification accuracymotor imagery
发现论文，激发创造
  • 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

  • 深度特征学习 EEG 信号：通过启用脑电文本输入实现思维转文字

    提出了一种基于深度神经网络的 MI-EEG 分类方法，采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征，消除多种伪迹。实验证明，该方法在 MI-EEG 数据集上的分类精度达到了 95.53％，并应用于具体的 BCI 系统中，实现了打字操作。

    Sep, 2017

  • EEGNet 家族神经网络的深度比较

    本篇文章对五种神经网络进行了比较，旨在用各类公开数据库获取统计学显著结果，以排出最佳的神经网络，供未来脑机接口设计借鉴。

    Feb, 2023

  • EEG-ITNet: 一种可解释的 Inception 时态卷积神经网络，用于运动想象分类

    提出了一种名为 EEG-ITNet 的端对端深度学习架构，用于分类运动和精神任务，与其他现有的端对端架构相比，在 BCI 竞赛 IV 中微调丰富的光谱，空间和时间信息，取得了高达 5.9％的分类准确度的提高。

    Apr, 2022

  • 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

  • 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

  • 基于 EEG 的脑 - 计算机接口的紧凑卷积网络 EEGNet

    本文主要介绍一种基于深度卷积神经网络的脑 - 计算机接口通信模型 EEGNet，该模型考虑到不同 BCI 范式中 EEG 信号的特点，成功解决了不同信号间的分类问题。

    Nov, 2016

  • 基于脑电谱时特征的卷积神经网络心算任务分类

    该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

    Sep, 2022

  • EEGEncoder: 基于 Transformer 的运动想象分类推动 BCI 发展

    EEGEncoder 是一种深度学习框架，运用 transformer 模型克服了传统 EEG 信号分类方法中的一些挑战，并在 BCI 竞赛数据集 2a 上取得了最新的最佳表现，这标志着 BCI 技术的重大进步。

    Apr, 2024

  • 脑机接口手势识别的卷积脉冲网络

    本文提出了一种简单而有效的基于机器学习的方法，使用混合 Convolutional Spiking Neural Network 和生物启发式事件驱动突触可塑性规则进行手势分类的训练和测试。该方法在不同受试者和任务中进行了测试，可以对不同的手势类别和运动想象任务进行准确的识别，准确率达 92.74％至 97.07％。

    Apr, 2023