Apr, 2024

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

PDF
TL;DR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。
brain-computer interfacesgraph neural networkseeg mi signal classificationreinforcement learningeeg_rl-net
发现论文，激发创造
  • EEG_GLT-Net: 优化实时运动想象信号分类的脑电图网络

    EEG_GLT 算法通过构建邻接矩阵的创新技术，提高了脑机接口中的执行命令准确性和计算效率，适用于实时分类需要大量计算资源的脑电运动想象信号。

    Apr, 2024

  • RLEEGNet：将脑 - 机接口与自适应人工智能相结合，实现直观响应和高准确性的运动意象分类

    基于强化学习与深度 Q 网络的 1D-CNN-LSTM 结构的 RLEEGNet 模型通过反馈不断优化控制策略，实现连续的适应性和响应性，以提高脑机接口系统的可适应性和响应速度。

    Feb, 2024

  • 基于脑机接口的基于 EEG 的意图识别的串联和并行卷积循环神经网络

    本文提出了级联和并行卷积循环神经网络，以有效学习 EEG 数据流的组合时空表示。通过转换 EEG 数据流，将其转换成 2D 网格结构以及使用 LSTM 循环神经网络来提取 EEG 数据流的微妙时序依赖性。在大规模 MI-EEG 数据集上进行了广泛的实验，证明了该方法在准确性方面具有高达 98.3％的优越性，相对于基线方法和大多数最新的深度学习 EEG 识别模型，有着 18％的准确率提升。

    Aug, 2017

  • 基于脑电信号的运动想象分类的特征重新加权

    使用非侵入性脑电信号进行运动想象分类是一项重要的目标，近期的研究表明基于卷积神经网络的方法在运动想象 - 脑电分类中得到广泛应用，文章提出了一种新的特征重新加权方法，有效降低了无关信息的影响并在实验中取得了显著的分类性能提升。

    Jul, 2023

  • GNN4EEG：使用图神经网络进行脑电图分类的基准和工具包

    用于 EEG 信号基于图神经网络的建模的 GNN4EEG 是一个多功能且易于使用的工具包，并包括四个 EEG 分类任务的大型基准、各种先进的 GNN 基于 EEG 分类模型的易于使用的实现以及全面的实验设置和评价协议。

    Sep, 2023

  • 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

  • 基于关注力的脑电运动想象分类任务中的小样本关系学习

    通过深度学习的 FEW-SHOT 架构，提高结合关系得分分类 MI EEG 信号的准确度。

    Mar, 2020

  • 深度特征学习 EEG 信号：通过启用脑电文本输入实现思维转文字

    提出了一种基于深度神经网络的 MI-EEG 分类方法，采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征，消除多种伪迹。实验证明，该方法在 MI-EEG 数据集上的分类精度达到了 95.53％，并应用于具体的 BCI 系统中，实现了打字操作。

    Sep, 2017

  • 使用深度卷积循环神经网络进行脑电信号的多模态分类

    本研究提出了一种新的基于深度神经网络的方法来通过 EEG 数据建模认知事件，同时介绍了光流去表示 EEG 的变量信息，并在此基础上构建了一个混合 BCI 康复支持系统，旨在帮助中风患者执行一些基本操作。

    Jul, 2018

  • EEGNet 家族神经网络的深度比较

    本篇文章对五种神经网络进行了比较，旨在用各类公开数据库获取统计学显著结果，以排出最佳的神经网络，供未来脑机接口设计借鉴。

    Feb, 2023