Apr, 2024

EEG-Deformer：一种用于脑机接口的密集卷积变形器

PDF
TL;DR通过将 Hierarchical Coarse-to-Fine Transformer (HCT) 和 Dense Information Purification (DIP) 模块结合进 CNN-Transformer，我们提出了 EEG-Deformer 算法，有效地学习了脑电图（EEG）信号中的时间动态，进而解码脑活动，实验证明它在三个认知任务上要么优于现有的最先进方法，要么与其相媲美。
发现论文，激发创造
  • 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

  • 基于卷积变换器的端到端神经性癫痫检测（EENED）

    本文提出了一种融合了 Transformer 和 CNN 的端到端神经网络癫痫检测模型 EENED，在其 Transformer 编码器中引入卷积模块，从而结合了 Transformer 模型全局依赖捕捉和 CNN 模型局部特征捕捉的优势，能够准确可靠地检测癫痫疾病。

    May, 2023

  • 基于 Transformer 的脑电解码空时特征学习

    研究提出了一种新的基于注意力机制的 EEG 解码方法，通过注意力变换增强空间特征，采用时间维度的切片进行注意力变换，使用全局平均池化和简单的全连接层对各类 EEG 数据进行分类。该方法在 EEG 的多分类方面达到了最先进水平，并有促进脑机接口的实际应用潜力。

    Jun, 2021

  • 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

  • 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

  • 大型 Transformer 模型在 EEG 学习中表现更好

    我们展示了从图像和文本中预训练的转换器模型能够直接微调为基于脑电图的预测任务，并提出了 AdaCE 模块，用于将 EEG 数据转换成图像和文本形式以进行微调，取得了最先进的性能。

    Aug, 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 P300 脑机接口的模糊时间卷积神经网络在智能家居交互中的应用

    本文提出了一个名为 EEG-TCFNet 的模型，它结合了时间卷积网络（TCNs）、LSTM 单元和模糊神经块（FNB）以及三种不同的架构来处理 EEG 信号并实现 P300 波的分类，以构建用于智能家居交互的 BCI，研究结果表明，使用 FNB 的模型在分类准确性方面优于其他模型，并对于智能家居等自然环境的应用具有潜在的推广价值。

    Apr, 2022

  • 使用近似尖峰卷积变换器的癫痫发作检测和预测

    本文提出了一种名为 Spiking Conformer 的神经形态学脉冲卷积变压器，用于从头皮长期脑电图（EEG）记录中检测和预测癫痫发作片段，并通过融合基于脉冲的加法运算显著降低了分类计算成本，同时在使用原始 EEG 数据作为输入时，在癫痫检测任务中实现了 94.9% 的平均灵敏度率和 99.3% 的特异性率，在癫痫预测任务中实现了 96.8% 和 89.5% 的结果，并且与非脉冲等效模型相比，所需运算量减少了超过 10 倍。

    Jan, 2024

  • 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