Mar, 2024

EEGDiR: 通过保留网络实现的脑电图去噪网络，用于时间信息存储和全局建模

PDF
TL;DR为了改善脑电图（EEG）信号临床医学、脑科研究和神经疾病研究中受各种生理和环境干扰影响的准确分析，我们提出了将自然语言处理中的 Retnet 集成到 EEG 去噪中，通过信号嵌入方法将一维 EEG 信号转化为二维以作为网络输入，验证了该方法在去噪有效性方面的显著改进。
electroencephalogrameeg signalsdenoising techniquesdeep learning-based approachesretentive network
发现论文，激发创造
  • 基于频率的深度学习的多种神经电活动去噪

    通过在频域操作，并针对噪声进行卷积滤波来实现脑电信号的去噪，可以有效地去除神经活动中的噪声源和生理性伪迹。

    Oct, 2023

  • DTP-Net：多尺度特征复用学习时频域中的 EEG 信号重建

    本研究提出了一种名为 DTP-Net 的全卷积神经架构，用于端到端脑电图信号去噪，通过深入分析 DTP-Net 中各模块的表示学习行为来验证其鲁棒性和可靠性，并通过实验验证表明 DTP-Net 在去除噪音方面具有有效性，优于现有方法，进一步将 DTP-Net 应用到特定的脑机接口任务中，相对于原始信号，分类准确率提高了 5.55%，证明其在基于脑电图的神经科学和神经工程领域中具有潜在应用价值。

    Nov, 2023

  • hvEEGNet: 基于层次变分自编码器对脑电数据进行的神经科学应用

    该研究提出了两种变分自编码器模型（vEEGNet-ver3 和 hvEEGNet），用于解决脑电重建中的问题。hvEEGNet 能够以非常高的准确度重建脑电数据，并发现了之前研究结果可能受到的腐败脑电记录的影响，同时提供了潜在的表征，用于其他分类问题和脑电数据生成。

    Nov, 2023

  • 一种具有图平滑信号的混合时空注意力神经网络用于 EEG 情绪识别

    我们引入了一个深度神经网络用于情感分类，通过混合的时空编码和循环注意网络块获取可解释的生理学表示，并应用图信号处理工具对原始数据进行预处理以在空间域中进行图平滑。我们证明了我们的架构在公开可用的 DEAP 数据集上超过了最先进的情感分类结果，并通过转移学习的方式在 DREAMER 和情感英语词（EEWD）数据集上提高了情感分类准确性。

    Jul, 2023

  • vEEGNet: 通过变分自动编码器学习潜在表示来重构 EEG 原始数据

    该论文提出了 vEEGNet 模型，结合了变分自编码器和前馈神经网络，用于对复杂的多维时间序列电脑脑电图（EEG）数据进行分类和重构，取得了最先进的分类性能，并能够重构低频和中频范围的原始 EEG 信号。

    Nov, 2023

  • ChronoNet: 一种用于异常 EEG 识别的深度循环神经网络

    本文介绍了一种基于 RNN 的神经网络 ChronoNet，通过对 EEG 数据进行自动分析来诊断癫痫等脑部疾病。ChronoNet 可显著提高患者诊断水平，并成功地应用于分类语音命令。

    Jan, 2018

  • EEG_RL-Net：通过强化学习优化的图神经网络提升脑电信号运动意图分类

    通过使用图神经网络和强化学习方法，本研究提出了 EEG_RL-Net 模型，有效地分类和识别 EEG MI 信号，在 20 名受试者上达到了 96.40% 的准确率。

    Apr, 2024

  • 使用深度循环卷积神经网络从脑电图中学习表征

    该研究中提出了一种新方法，可以从多通道 EEG 时间序列中学习稳健的特征，以提高认知负荷分类任务的分类准确率。

    Nov, 2015

  • 基于扩散模型的脑驱动表示学习

    运用扩散概率模型 (Denoising diffusion probabilistic models) 和条件自编码器构建的新方法，在分析与言语相关的脑电信号方面取得了令人瞩目的结果，优于传统机器学习算法和基准模型，显示出扩散概率模型在语音相关脑电信号分析中的潜力，这可能推动针对口头交流的脑机接口的重要进展。

    Nov, 2023

  • 脑电记录的深度特征学习

    本文介绍了使用深度学习技术从脑电图（EEG）记录中学习区分特征的几种策略，并比较了其效果。这些策略包括跨试验编码，相似性约束编码和 Hydra-nets。通过使用公开可用的 OpenMIIR EEG 数据集对这些策略进行了评估。

    Nov, 2015