Mar, 2024

BCI 运动想象解码的无监督自适应深度学习方法

PDF
TL;DR在脑机接口的背景下，我们提出了一种自适应方法，能够在线上使用而不需要监督，并能够达到离线性能水平。有趣的是，我们的方法不需要对模型进行重新训练，而是使用一个冻结的高效深度学习主干网络，同时根据流式观测数据在输入和潜在空间持续对齐数据。我们证明了该方法在电脑脑电编码的运动想象方面的效率，考虑了具有挑战性的跨被试对象的情况。为了可重现性，我们分享了实验的代码。
brain-computer interfacesadaptive methodoffline performancedeep learning backbonemotor imagery
发现论文，激发创造
  • 使用多种机器学习技术解码大脑运动想象

    本文研究了运动想象技术在 BCI 实验中的应用，使用不同种类的电极记录数据，运用机器学习方法建立解码器以实时预测意图。

    Jun, 2023

  • 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

  • 无需校准的在线测试时间适应于脑电图运动意向解码

    通过在线测试时间自适应等技术探索脑机接口的转移学习，提高脑机接口在现实场景中的准确性与适应性。

    Nov, 2023

  • 一种强大且简单的 BCI MI 解码的深度学习基线

    我们提出了一个简单的 1D 卷积神经网络 EEG-SimpleConv，用于脑机接口（BCI）中的运动想象解码。我们的主要动机是提出一个非常简单的基线进行比较，仅使用文献中的标准元素。我们在四个 EEG 脑机接口运动想象数据集上评估其性能，包括模拟的在线设置，并将其与最近的深度学习和机器学习方法进行比较。EEG-SimpleConv 至少与其他方法一样好，或者更高效，在不增加推理时间的情况下展示了强大的知识迁移能力。我们主张使用现成的元素而不是提供临时解决方案，可以显著帮助深度学习方法在 BCI 中的应用。我们提供了模型和实验代码的访问权限。

    Sep, 2023

  • 使用深度学习进行运动想象数据集之间的迁移学习 -- 框架验证和数据集对比

    我们提出了一个基于深度学习的简单框架，用于跨数据集转移学习在脑机接口领域中普遍使用的心理想象解码任务中，并展示其有效性。

    Sep, 2023

  • 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

  • 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

  • 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

  • 人机联合学习框架以提升内生脑机接口训练

    脑机接口（BCIs）提供了从大脑到外部设备的直接路径，具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号，提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验，证明了所提出的联合学习过程在学习效率和效果上的优势。

    Aug, 2023

  • 基于集成课程学习和协同训练的运动想象解码

    本研究提出了一种用于电极脑电图（EEG）数据的跨受试研究的两阶段模型合奏架构，该架构由多个特征提取器（第一阶段）和共享分类器（第二阶段）构建，并在两个损失项中端到端训练，证明了我们的方法实现了目标并在两个大型 MI 数据集中优于所有方法，同时使用了更少的可训练参数，解决了多受试 EEG 数据集中的领域漂移问题，为无标定 BCI 系统铺平了道路。

    Nov, 2022