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

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

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

本研究介绍了一种新的网络架构TSFF-Net，它集成了时间-空间-频率特征，有效地弥补了基于时间序列和时频模态的单模特征提取网络的局限性，用于解码三通道运动想象的分类，结果表明，TSFF-Net在EEG解码方面具有显著优势并为算法增强低通道EEG解码提供了有价值的洞见。

Apr, 2023

研究了脑-计算机接口中各种通道注意机制的应用，通过整合它们到一个轻量级的架构体系中评估它们的影响，实验证明通道注意机制可以提高性能并在保持基础架构的小内存占用和低计算复杂性的同时保持高度的通用性。

Oct, 2023

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

通过提出一种时间-频谱融合变换器与个体适配器相结合的快速连续视觉呈现 (RSVP)-基于脑机接口 (BCI) 技术，以减少依赖新被试数据的训练时间，提高解码性能。

Jan, 2024

我们的研究旨在开发一个深度学习算法，它能在较少数量的电极上提供有效的结果，并通过使用SPDNet的增强协方差方法来分析其性能和计算影响以及结果的解释性。通过使用Mother Of All BCI Benchmark（MOABB）框架在5折交叉验证上对方法进行评估，使用仅位于运动皮层上方的三个电极进行实验验证。结果表明，我们的SPDNet在MI解码方面明显优于所有当前最先进的深度学习架构。

Mar, 2024

通过将预训练的视觉Transformer（ViTs）与时域卷积网络（TCNet）相结合，以增强EEG回归的精度，本研究揭示了ViTs序列数据处理能力和TCNet优越的特征提取能力的核心，用于提高EEG分析精度，并分析了如何构建用于注意力机制的最佳块，以平衡计算速度和准确性的关系。研究结果表明，在EEGEyeNet的绝对位置任务中，均方根误差（RMSE）从55.4降至51.8，超过了现有的最新模型，而不牺牲性能的同时，将模型的速度提高了一个数量级（高达4.32倍）。这一突破不仅在EEG回归分析中设立了新的基准，而且为将变换器结构与专门的特征提取方法用于多样化的EEG数据集开辟了新的研究方向。

Apr, 2024

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。

Apr, 2024