eeg | BriefGPT - AI 论文速递

关键词eeg

搜索结果 - 62

EEG 癫痫预测的监督和无监督深度学习方法
通过监督和非监督深度学习方法，我们研究了以正常脑电图作为预测癫痫发作前兆的问题，并在两个大型脑电图癫痫数据集上对其进行了研究和评估。我们发现监督和非监督方法均可行，但其效果因患者、方法和架构而异。这一新的研究线有潜力开发出治疗干预方式来拯救
PDFa year ago
严重运动障碍者脑电信号的基于颜色分类
本文研究了基于神经元产生电信号的脑波信号，使用 EEG 装置捕获这些信号并利用深度学习网络进行分类。采用基于注意力机制的 LSTM 网络方法对两种不同的颜色和四种不同的信号进行分类，准确度分别为 93.5% 和 65.75%。此研究对于严重
PDFa year ago
基于信号处理和深度神经网络的优化脑电情绪检测
本研究使用电脑建立了一个基于神经网络的智能决策模型，通过 EEG 检测来识别人类主观情绪，并采用一些信号处理技术和算法，实验结果表明该模型能够提高情绪检测的准确性。
PDFa year ago
基于浅层深层注意力网络将听觉语音和脑电信号相关联
本篇论文提出了一种新的 Shallow-Deep Attention-based Network (SDANet) 来对不同刺激下的 EEG 信号进行正确分类，它采用了 Attention-based Correlation Module
PDFa year ago
使用不同降维技术和机器学习在变换域中检测癫痫发作
本文提出了一种基于 DWT 和机器学习的分类器用于 EEG 信号分析，实现了良好的癫痫检测效果，并且在三个不同的分类器中最佳组合是 LDA 和 NB，能够达到 100% 的灵敏度、特异度、准确度、精度和召回率。
PDFa year ago
基于脑 - 机接口的 EEG 对抗性伪影检测
本文首次研究了基于 EEG 的脑机接口中的对抗检测问题，并使用三个卷积神经网络对两个 EEG 数据集进行了实验，结果表明，白盒攻击和黑盒攻击都可以被检测到，但前者更容易被检测。
PDF2 years ago
利用 EEG 辅助深度知识蒸馏提高基于单导联心电图的睡眠分期
利用知识蒸馏从 EEG 到 ECG 的跨模态知识传递，提高了 ECG 睡眠分期的分类性能。
PDF2 years ago
基于脑电谱时特征的卷积神经网络心算任务分类
该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。
PDF2 years ago
使用深度学习消除脑电图中的眼球运动伪迹
本研究提出了一种新颖的双向长短期记忆（BiLSTM）深度学习模型，结合基于小波同步挤压变换（WSST）的高度局部化时频系数特征提取，能够有效去除眼球伪迹，相比传统的时间 - 频率分析和原始信号方法，该方法可以显著提高伪迹去除性能。
PDF2 years ago
基于权重的通道模型矩阵框架为基于脑电数据的跨数据集情绪识别提供了合理解决方案
通过多种分析方法并提出针对不同 EEG 信息的处理方式以及可解释性工作，本研究发现个体情感特征分布差异是情感识别稳定性的主要因素。因此，针对传统建模方法中的个体情感特征分布差异问题，提出了一种基于加权通道 - 模型矩阵框架 (WCMF) 的
PDF2 years ago
基于图注意力机制的 EEG 情感识别中的局部时空模式学习
研究提出了一种基于局部时空模式学习图注意力网络 (LTS-GAT) 的情感识别技术，通过图注意力机制检测 EEG 模式的局部信息，添加动态域鉴别器来提高算法鲁棒性，在个体依赖和独立的情况下验证了算法的有效性，并采用可视化方法研究了大脑不同区
PDF2 years ago
ICML基于深度学习的眼动追踪脑电图数据分割
介绍了一种名为 DETRtime 的新框架，该框架利用 EEG 数据而无需额外记录眼球跟踪模式，实现了时间序列的分割，实现了多种眼球跟踪实验范式的最新最优性能，同时在 EEG 睡眠阶段的分割任务中得到了良好的泛化表现。
PDF2 years ago
GMSS: 面向 EEG 情感识别的基于图的多任务自监督学习
本文提出了基于多任务自监督学习的图形模型 (GMSS) 来进行 EEG 情感识别，该模型可以从多个自监督任务中学习出更通用的表示形式，包括空间和频率拼图任务以及对比学习任务，该模型在多项数据集上的表现均优于其他无监督和有监督的方法。
PDF2 years ago
基于 P300 脑机接口的模糊时间卷积神经网络在智能家居交互中的应用
本文提出了一个名为 EEG-TCFNet 的模型，它结合了时间卷积网络（TCNs）、LSTM 单元和模糊神经块（FNB）以及三种不同的架构来处理 EEG 信号并实现 P300 波的分类，以构建用于智能家居交互的 BCI，研究结果表明，使用
PDF2 years ago
基于 Transformer 架构的 EEG 注意力估计的时空分析
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
PDF2 years ago
SNNs 中的集成可塑性和网络适应性
介绍了一种新的基于熵和网络激活的集成学习方法，该方法与仅使用尖峰活动操作的尖峰率神经元修剪技术相结合，用于处理两个脑电图数据集进行分类实验，结果表明这种修剪低尖峰率神经元群集导致更好的泛化能力。
PDF2 years ago
NeurIPS 2021：团队 Cogitat 所提供的 EEG 迁移学习竞赛基准测试数据集
采用统计技术和可训练方法明确地对齐深度学习模型各层的特征分布，以应对跨数据集、受试者和记录会话的强协变量转移，从而构建针对 EEG 解码的主体无关的深度学习模型，该方法在 2021 年的 BEETL 比赛中获得了第一名。
PDF2 years ago
一种基于显著性特征融合的 EEG 情感估计模型
本文提出了一种双模型方法，结合了基于序列的 EEG 幅值表示和基于图像的表示。采用基于显著性分析的图像模型，促进了两个模型部分的联合学习。在四个公开数据集上进行评估，结果表明本方法优于现有方法，在情感估计任务上取得了较高的稳定性。
PDF2 years ago
自监督 EEG 表征学习用于自动睡眠分期
本文介绍了一种名为 ContraWR 的自监督学习算法，可以用于从大量未标记的 EEG 数据中学习鲁棒的向量表示，用于睡眠分期任务，并且相比监督学习方法在数据标记少和噪声干扰情况下表现更好。
PDF3 years ago
DeepSleepNet-Lite: 一种带有不确定性评估的简化自动睡眠分期评分模型
本研究提出 DeepSleepNet-Lite，一种简化和轻量级的睡眠评分体系结构，仅处理 90 秒的 EEG 输入序列，并首次使用 Monte Carlo Dropout 技术来提高算法的性能并检测不确定性，以实现实时睡眠分析。评估表明，
PDF3 years ago