Apr, 2024

刺激时间序列的 EEG 分类：时间序列模型和联合主体训练

PDF
TL;DR研究了 EEG 分类模型与通用时间序列分类模型之间的差异，并通过将时间序列模型与主题嵌入结合，实现了在所有受试者上训练一个联合主题条件分类器，其性能在三个数据集中与专用 EEG 模型相竞争。
eeg data analysistime series classificationsubject-specific modelssubject-agnostic modelssubject-conditional models
发现论文，激发创造
  • 基于 EEG 的图像特征提取与深度学习视觉分类

    本研究采用一种有效的编码方式将脑电信号编码为图像，从而实现对深度学习模型中的脑信号进行更细致的理解，并将其与标准图像特征相结合，以提高深度学习模型的可解释性。通过在六个受试者的层数据集上对 39 个图像类别进行编码分类，该方法在 82% 的准确率方面优于现有工作，从而证明了该理论的可行性。

    Sep, 2022

  • 癫痫发作预测的比较分析：探索多样的预处理技术和机器学习模型

    应用机器学习模型对脑电图数据进行比较分析，发现 Extra Trees 模型表现最佳，在癫痫发作预测方面具有更准确和稳健的性能。

    Aug, 2023

  • 混合神经网络方法用于时间睡眠阶段分类

    本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法，其中利用整流器神经网络和长短期记忆网络来优化分类性能，并找到了单通道 EEG 在额头上的舒适配置，并证明它可以与其他电极一起使用，从而实现了睡眠自动分类的更好性能。

    Oct, 2016

  • 基于多变量和多模态时间序列的睡眠阶段分类深度学习架构

    提出了使用深度学习方法进行睡眠分期的自动分类系统，可有效利用 Polysomnography 信号的多变量和多模态的特性，通过学习线性空间滤波器与英特飞凌分类器结合，其性能达到同类算法最优水平。

    Jul, 2017

  • 合成时间序列预训练的数据高效睡眠分期

    通过预测随机生成的合成时间序列的频率内容的一种预训练任务，我们的实验表明，我们的方法在数据有限和受试者少的情况下超越完全监督学习，在有很多受试者的情况下与其性能相匹配。此外，我们的结果强调了频率信息对于睡眠阶段判定的相关性，并且还表明，深度神经网络利用除频率以外的信息来提高睡眠分期的准确性，这与以前的研究一致。我们预计我们的方法将在脑 - 机接口等 EEG 数据有限或来源于少数受试者的广泛应用领域中具有优势。

    Mar, 2024

  • 理解通过脑电数据学习：基于隐马尔可夫模型和混合模型的机器学习与特征工程结合

    通过使用隐马尔可夫模型和线性混合效应模型从 EEG 数据中提取特征，本研究分析了使用六种机器学习方法对学习者和非学习者进行分类的性能，并比较了不同标准化方法对分类性能的贡献。结果显示，只有使用 theta EEG 数据和深度神经网络时，才能达到超过 80% 的 ROC 曲线下面积，增强了空间学习任务中学习者和非学习者的分类能力。

    Nov, 2023

  • 基于深度学习的脑电图分析：系统综述

    通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

    Jan, 2019

  • 时间序列分析的深度学习

    本文综述了深度学习在时间序列分析和预测领域的主要技术，这些新技术实现了针对时间序列的无监督特征学习，并且取得了不错的应用效果。

    Jan, 2017

  • Transformer 网络在原始 EEG 数据分类中的有效性

    本篇论文探讨了 Transformer 网络用于分类清洗和预处理后的脑电图（EEG）数据的有效性和性能，结果表明，基于 Transformer 的深度学习模型可以成功地消除对 EEG 数据特征提取的需求，实现了脑电图数据的高效分类。

    Feb, 2022

  • 基于图神经网络的脑电信号分类：综述

    通过系统综述和分类论述了基于图神经网络的脑电分类方法，发现光谱图卷积层在空间上存在较大优势，常见的节点特征为原始脑电信号和差分熵，同时提出了探索迁移学习方法和适当建模跨频率交互的方向。

    Oct, 2023