- 一种基于监督信息增强的多粒度对比学习框架在基于脑电的情感识别中的应用
通过引入一种新的基于 EEG 的情绪识别方法，本研究提出了一种名为 SICLEER 的监督信息增强对比学习框架。通过多粒度对比学习，SICLEER 创建了稳健的 EEG 上下文表示，提高了情绪识别的准确性。与现有方法不同，本研究提出了一种联 - 贝叶斯功能连接和图卷积网络用于工作记忆负荷分类
通过应用贝叶斯结构学习算法，该研究在传感器空间中学习了脑电图（EEG）的功能连接性，并将得到的功能连接图输入图卷积网络进行工作记忆负荷的分类，其在 154 名受试者的 6 种不同工作记忆负荷下表现出 95% 的最高分类准确性和 89% 的平 - 揭示思维：脑电信号解码成文本之进展综述
脑活动转化为文本的研究在近年来取得了显著的进展，许多研究人员致力于开发新模型将脑电信号解码为文本形式，但该领域仍面临许多挑战，需要进一步改进。该综述文章完整总结了脑电信号转化为文本的进展，包括该技术的成长、仍存在的问题、数据收集方法、信号处 - 从心跳骤停后预测昏迷神经恢复的多模态深度学习方法
预测心脏骤停后昏迷状态中的神经恢复，使用临床数据和时间序列信号（如多通道脑电图和心电图），本研究展示了多模态的建模方法，基于二维光谱图表示的脑电图信号，结合临床数据和直接从脑电图记录中提取的特征。通过使用转移学习在医学分类中的有效性和局限性 - 人脑在听取伪造与真实音频时表现出不同的模式：初步证据
通过对真实和伪造音频进行研究，发现最先进的深度伪造音频检测算法所学习的表示并不表现出真伪音频之间明显的不同模式，相反，通过脑电图测量可观察到人类在接触伪造音频和真实音频时的不同模式，这为深度伪造音频检测等领域的未来研究方向提供了初步证据。
- 知识引导的脑电图表示学习
提出了一种自监督模型用于 EEG 信号分析，采用基于状态空间的深度学习架构，提供了稳健性能和显著参数效率，同时提出了一种新颖的知识引导的预训练目标，改善了嵌入式表示学习和下游任务的性能。
- 使用脑电图与机器学习分析学习任务的脑活动
该研究旨在分析不同 STEM 活动中的大脑活动，探索分类不同任务的可行性。收集了二十个受试者在五个认知任务中的脑电数据，并将其分割为 4 秒的片段。通过分析大脑频率波的功率谱密度，测试了使用 XGBoost、随机森林和装袋分类器等不同的 k - ESTformer: EEG 超分辨率利用时空依赖的 Transformer
基于 Transformer 的 ESTformer 框架应用于脑电超分辨率（SR）任务，利用时空依赖关系学习空间结构信息和时间功能变化，并通过 Spatial Interpolation Module（SIM）和 Temporal Rec - 利用正弦表示网络预测 EEG 中的 fMRI 信号
通过实施一个正弦表示网络 (SIREN) 学习来自多通道脑电图 (EEG) 中的频率信息，并将其用作后续的编码器 - 解码器，以有效地重构特定脑区的功能磁共振成像 (fMRI) 信号，我们提出了一种能够直接从多通道 EEG 中预测 fMRI - 脑龄再探：用深度学习研究脑电图衍生的脑龄动态的状态对个体假设与特质对个体假设
通过对临床脑电图进行全面研究，利用时序卷积网络 (TCN) 进行年龄回归任务，结果表明模型对非病理和病理样本的年龄均有明显低估，而大脑生物年龄差生物标记不表示脑电图病理。
- 基于 DenseNet 的使用 EEG 解码听觉空间注意力的方法
通过将原始的 EEG 通道转化为二维空间拓扑图，将 EEG 数据转化为包含时空信息的三维排列，并使用 3D 深度卷积神经网络（DenseNet-3D）提取被关注位置的神经表示的时空特征。结果表明，该方法在常用的 KULeuven（KUL）数 - 从脑电图解码自然图像进行物体识别
我们提出了一种自监督框架，从脑电信号中学习图像表征。通过对配对图像刺激和脑电反应进行特征提取，然后使用对比学习来对齐这两种模态，我们的方法在最广泛的脑电图像数据集上取得了最先进的结果，并在 200 种零样本任务中达到了 15.6% 的 to - 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。
- 使用脑电图的可解释和注意力机制的凝视估计方法
本文利用同时测量的脑电图 (EEG) 和眼动数据集，提出了一种可解释的基于关注机制的深度学习框架用于估计眼球注视方向，通过对结果的分析可见该方法在准确性和鲁棒性方面优于现有方法，并提供了解释和强调注意力机制在 EEG 数据分析中提高效率和有 - 结合多空间深度模型利用脑电信号估计心理负荷
本文旨在将心理负荷分类为三种状态并估计连续水平，使用时间域方法中的时序卷积网络和频域方法中的多维残差块结构，以提高对大脑的心理估计的精确度。
- 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。
- 使用傅里叶谱分析在脑电图中进行 K - 复合体检测
本文提出了两种基于快速傅里叶变换的 K 复合波检测方法，并使用一组新的评估指标进行了验证，结果表明这些方法仅需较少的计算能力即可实现与使用神经网络的方法同等或更好的 K 复合波检测质量。
- MBrain: 一个用于脑信号的多通道自监督学习框架
本文提出了 MBrain，一种用于自监督学习的框架，可以用于预训练 SEEG 或 EEG 数据，并在大规模现实世界数据上进行了癫痫检测实验，表明我们的模型优于现有的一些时间序列自监督和无监督模型，并具有在临床实践中被部署的能力。
- 利用工作流笔记实现可靠的癫痫发作识别
为解决医疗 AI 模型可信度低的问题，该研究利用医疗人员定期工作流中的注释（称为工作流注释），提出了一种基于多标签模型的癫痫发作检测方法，通过对 26 种属性的分类，显著提高了癫痫发作检测性能并减少了误报。
- 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