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

文章使用一种新方法，通过提高来自不同参与者但属于相同类的特征的相似性，从而实现学习主体无关的表示，进而在训练中仅使用少数样本即可准确预测基于EEG信号的视觉刺激类别。在有限数据情况下，即使采用了严格的问题设置，该方法在EEG-ImageNet40基准上实现了令人满意的表现，即面向目标主体每类只使用5个EEG样本时：72.6％ / 91.6％的top-1 / top-3测试精度。

Feb, 2022

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

本文提出了一种基于transformer-based网络的新型框架，用于从EEG信号中获取注意状态，进一步优化了特征提取方法和频带。该网络已在两个公共数据集上进行了训练和验证，并取得了比现有模型更高的效果，可应用于实际情况下，如评估注意力缺陷多动障碍(ADHD)症状或驾驶评估中的警觉度。

Apr, 2022

本研究通过采用电脑脑波数据对ImageNet数据集中的图像进行分类和重建，提出了一种创新的方法。该研究不仅可以从神经活动中解码图像，还能仅利用脑电波数据生成图像的可靠重建，为个性化迅速反馈实验铺平了道路。

Sep, 2023

本文提出了一种基于神经知识支持的EEG表示的知识驱动的跨视角对比学习框架(KDC2)，该方法通过模拟头皮和神经视图来提取有效表示，应用不同视角的对比学习和增强方法来捕捉神经特征，并通过建模同源神经信息一致性理论来提取不变和互补的神经知识生成联合表示，实验结果表明该方法在不同的下游任务上优于现有方法，突出了神经知识支持的EEG表示在各种脑任务中的优越泛化能力。

Sep, 2023

通过使用对比学习指导的对比分裂隐变量自编码器（CSLP-AE）框架，本研究提出了一种能够直接优化脑电转换的方法，并能够提取EEG数据的内容和样式的潜在表示。通过与传统的监督、非监督和自监督训练方法进行比较，研究结果表明该方法可以有效地处理主体和任务的泛化特征，并实现从未见过的主体之间的零-shot转化。该方法为生物信号的建模和分析提供了一种通用框架。

Nov, 2023

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

综述了81篇应用深度表示学习技术进行BCI解码的文章，发现自编码器是最常用的深度表示学习技术，同时呼吁为EEG信号解码专门设计基础模型，并建立专门的基准和数据集来促进其发展和持续改进。

May, 2024

本研究介绍了一种基于脑电信号的MUltimodal Similarity-keeping contrastivE learning（MUSE）框架，用于解码图像，实现零样本图像分类。通过对脑电数据集进行正则化对比性脑电图像预训练，我们的方法在200种零样本图像分类中取得了最先进的性能，其中Top-1准确率为19.3％，Top-5准确率为48.8％。此外，通过模型解释，我们对神经模式进行了可视化，从而阐明了人脑中的视觉处理动态。本工作的代码存储库位于：https://url链接。

Jun, 2024