- 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 - 深度表示学习用于开放词汇的脑电图到文本解码
使用预训练语言模型对无创脑机接口(BCI)通过脑电图(EEG)信号进行解码的潜力进行了研究,提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架,并使用新的评估指标验证了该框架在解码效果方面的优越性。
- 一种用于在卫星图像流中检测任务单次试验事件相关电位的分布式推理系统
该研究介绍了一种适用于在卫星图像流中检测任务式单次事件相关电位的分布式推理系统,通过利用多个优化于特定任务的模型,确保在各种图像转换时间和目标出现时间下实现卓越性能,在两个范式中试验结果表明,该系统在目标检测中优于传统方法,并且在 AI 范 - 神经 GPT:为脑电图开发基础模型
为应对脑机接口任务中的电脑断层扫描(EEG)数据稀缺和异质性,以及利用大规模的公共数据,我们提出了神经 - GPT,这是一个由 EEG 编码器和 GPT 模型组成的基础模型。该基础模型在大规模的公共 EEG 数据集上进行自监督任务的预训练, - EEG 运动想象解码:与通道注意机制进行比较分析的框架
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。
- HappyFeat -- 一款用于临床应用的交互式高效 BCI 框架
Brain-Computer Interface (BCI) systems have specific constraints for clinical contexts, but HappyFeat, an open-source so - 通过联邦学习聚合内在信息以提升脑机接口性能
通过使用分层个性化的联邦学习框架,本研究提出了一种解决脑机接口领域缺乏多样数据的问题的综合方法,能够提升脑电图(EEG)解码的分类性能并充分利用来自不同设备的数据集之间的知识共享,为解决该问题提供了全新的端到端解决方案。
- 脑 - 计算机接口扩展现实框架中的自适应 SSVEP 识别
提出了一个简单的自适应集成分类系统来处理 SSVEP-BCI-AR 应用中的个体间变异性,并评估了在带有头部旋转的应用中我们的集成算法的性能。在多个受试者上进行的测试在 PC 上达到了平均 80% 的准确率,并且在 HoloLens AR - 基于 SSVEP 的脑机接口轮椅控制系统
针对运动失能的残疾人,本文提出了一种基于 SSVEP 的脑机接口技术并应用于电动轮椅控制,使用 Butterworth 和 FFT 算法处理 EEG 信号并采用谐波分类法,实验结果表明该系统易于操作且可实现最少 1 秒的延迟,具有未来推广应 - UniCoRN: 统一认知信号重建 —— 桥接认知信号和人类语言
该研究通过 fMRI2text 任务,提出了一种可用于大脑计算机界面的任务,UniCoRN 编码器证明了从 fMRI 和 EEG 这两种认知信号中重建连续的时间序列的可行性和有效性。
- 基于 SSVEP 的脑机接口的免源域自适应 DNN
本研究提出了一种基于深度神经网络的领域自适应方法,用于实现没有源数据的 SSVEP 脑机接口拼写器,该方法显著提高了信息传输速率并优于现有技术。
- 基于序列的最优臂识别及其在脑机接口中的应用
采用先前任务学习得到的先验知识,我们提出了一种串联的前两名 Thompson 抽样算法 (Sequential Top-two Thompson Sampling, STTS),将广义多臂老虎机中的最佳臂序列问题视为一系列任务。这种算法取得 - 在生态有效环境中解码神经活动以评估个体潜在状态
本文提出使用脑机接口的域泛化方法,以解决在更生态有效的情景下观察到的神经活动模式是否可以用于准确推断潜在状态、相关认知过程或个体近端行为等问题,并将其应用于驾驶相关任务中,从而表现出实验设计的生态效度,并为了解复杂任务期间观察到的神经活动和 - 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。
- 使用跳过连接进行大脑信号的无主题分类
研究了使用脑电波编码词语的可行性,提出在卷积神经网络中使用跨层连接以帮助信息流动,并使用测试数据结果表明,在此情况下分类性能得到显着提高。
- 具备开放式受试者识别的非特定主题脑机接口
介绍了一种辨识不同来源领域并识别开放领域的样式信息编码器以帮助共享特征提取器在看不见的目标中映射功能,该方法在开放式主题识别框架中比较了各种开放式主题识别方法,此实验结果表明,编码域信息的 OSSR 辅助网络提高了通用性能。
- 一种基于新型生成对抗网络的短时 SSVEP 数据扩展框架
本文提出了一个基于 GAN 的端到端信号转换网络 TEGAN,用于数据长度扩展,能够生成人工 SSVEP 信号,应用于频率识别和深度学习等任务,能够显著提高传统和深度学习方法在有限校准数据下的分类性能,缩短校准时间并降低成本,具有高度实用性 - 基于混合范式的脑机接口控制机械臂
本文提出了一种基于知识蒸馏的框架,通过混合范式诱导的 EEG 信号操纵机械臂以实现实用化,并证实使用分层模型和知识蒸馏可以提高简单结构的性能。
- 使用混合深度神经网络从 EEG 信号中分类分心程度
本研究使用深度学习方法,探索在飞行环境下分类不同注意力水平的可行性,结果表明可以对不同注意力水平进行有效的分类,对未来的人工智能技术驱动下的自主飞行或驾驶具有重要贡献。
- CropCat: EEG 信号特征分布平滑的数据增强
本研究提出了一种数据增强方法 CropCat 来改善深度学习在脑机接口领域中因缺乏数据和过度自信的问题。通过对空间和时间轴上标记不同的数据进行裁剪以及调整标签,CropCat 方法生成的数据有效地改善了 EEG 信号决策边界的不确定因素,并