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

Mar, 2024

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

Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets

Apolline Mellot, Antoine Collas, Sylvain Chevallier, Denis Engemann, Alexandre Gramfort

TL;DR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。

Abstract

Combining electroencephalogram (EEG) datasets for supervised machine learning (ML) is challenging due to session, subject, and device variability. ML algorithms typically require identical features at train and t

electroencephalogram supervised machine learning channel selection riemannian geometry classification brain-computer interface

发现论文，激发创造

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

利用地球移动距离量化脑机接口中的空间域解释

利用可解释 AI 技术，在空间领域生成特征相关性，以识别模型结果的重要通道，从而提高脑机接口的可靠性和稳健性。

May, 2024

基于转移学习图神经网络的异构电极配置数据集的 EEG 信号解码

通过使用图神经网络和转移学习技术，可以有效地从多个使用不同电极布局的 EEG 数据集中聚合知识，从而在主体独立的 MI EEG 分类中实现更好的泛化。

Jun, 2023

使用通用深度域适应框架预热跨会话运动想象分类

提出了一种用于跨会话 MI 分类的全新的深度域自适应 (SDDA) 框架，并应用于既有的人工神经网络中，以提高模型的泛化能力与分类准确率。通过两项 MI-EEG 公共数据集上的实验证明，所提出的 SDDA 框架能够显著提高 EEGNet 和 ConvNet 的 MI 分类准确率，在文献中优于现有的其他方法。

Feb, 2022

BENDR：使用变压器和对比自监督学习任务从海量脑电数据中学习

本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术，建立起一个单一的预训练模型，用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录，从而取得较好的脑机接口和脑电分类性能。

Jan, 2021

NeurIPS 2021：团队 Cogitat 所提供的 EEG 迁移学习竞赛基准测试数据集

采用统计技术和可训练方法明确地对齐深度学习模型各层的特征分布，以应对跨数据集、受试者和记录会话的强协变量转移，从而构建针对 EEG 解码的主体无关的深度学习模型，该方法在 2021 年的 BEETL 比赛中获得了第一名。

Feb, 2022

应用转移欧几里德对人类和小鼠创伤性脑损伤脑电图中的种内和种间协变量漂移进行降低

本文介绍了一种转移学习技术，Transfer Euclidean Alignment，用于解决在临床应用中部署机器学习模型时由于主体间的高度变异性而面临的挑战。通过在各种基于规则的经典机器学习模型以及基于 EEGNet 的深度学习模型上进行评估，包括人类和小鼠数据在内的不同数据集的二分类任务中，证明了该转移学习技术的稳健性，在种内数据集上平均提高了 14.42％，在种间数据集上提高了 5.53％，强调了在使用多样化数据集进行训练时使用转移学习来改善机器学习和深度学习模型的性能的重要性。

Oct, 2023

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

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。

Feb, 2024

2021 BEETL 竞赛：推进面向自主和异构脑电图数据集的迁移学习

该研究介绍了如何使用转移学习和元学习技术，来处理来自不同来源的生物信号数据，以解决医疗诊断和脑 - 机器接口任务的自动化问题。在这个研究里，以脑电图 (EEG) 为例，设计两项转移学习挑战任务，并通过竞赛验证了这些方法的效果。

Feb, 2022

利用流形回归从 MEG/EEG 脑信号中预测，无需源建模

本文介绍了一种基于 Riemannian 几何学的 M/EEG 数据分析方法，通过将 M/EEG 协方差矩阵映射到切空间中进行回归和预测，研究结果表明这种方法在预测能力上超过基于传感器空间的估计方法，接近需要 MRI 数据的生物物理学驱动源定位模型的表现。

Jun, 2019