- WWW利用脑信号更好地理解人类阅读理解
通过使用脑电波技术，研究了阅读理解的神经响应变化，发现各种认知活动在阅读理解中发挥作用，并构建了一个基于脑电波的阅读理解建模统一框架，用于提高阅读理解任务的性能。
- ICML通过提前退出的范例来检测高频 EEG 伪影及其不确定性
提出了一种基于深度学习框架的高频 EEG 伪影检测算法 E4G，在 Temple University 医院 EEG 伪影语料库上取得了最先进的分类效果，并在一次前向传递中提供了良好校准的不确定性指标，能够支持临床医生的决策。
- CLARA：临床报告自动完成
CLARA 是一种交互式方法，可基于医生的关键词和部分完成的句子逐句生成报告，其中检索的句子会与输入功能表示相结合进行修改以创建最终报告，并在句子级别上实现了 35％的改进，其在医生用户研究中产生的报告数量显着高于基线。
- 通过人类脑信号加速机器人学习
通过记录人类观察机器人行为的 EEG 信号，利用相应的反馈信号优化机器人的行为策略，从而加速在稀疏奖励设置下的强化学习，以导航机器人为例，实验表明该方法可以更好地完成障碍物避免任务。
- CogniVal：一种认知词嵌入评估框架
论文提出了第一个基于认知词汇语义的多模态框架，用于评估六种类型的英语词表示，通过瞳孔追踪、EEG 和 fMRI 等三种不同类型的记录数据，进行全面的测试和评估，并得出认知数据之间、记录模式之间和与 NLP 任务性能之间的强相关性。
- 自动癫痫检测的时态图卷积网络
提出了一种结构时间序列模型 TGCN，其利用定位在患者头皮上的电极的相对位置信息进行特征提取操作，实现了全局特征和局部特征的结合，该模型在癫痫检测中的表现不逊于其他相关模型并具有良好的可解释性。
- AAAI基于层次深度特征学习的 EEG 想象语音解码
本文提出了一种混合深度神经网络策略，将卷积神经网络和递归神经网络并行组合，级联自编码器和全连接层，以自动识别 EEG 中的想象语音，并演示了相对于基线方法约 23.45％的准确度改进，展示了混合 DNN 方法在复杂时空分类问题上的潜力。
- 借助认知语言处理信号推动自然语言处理
使用认知处理数据（如注视模式和脑电图特征）可以显著提高文本处理任务的性能，但在不同任务和数据源上具有局限性。
- NIPS一种统一的贝叶斯方法，用于预测早产儿脑龄，并建模脑电睡眠转换随年龄的变化
该论文提出了一种使用贝叶斯网络和多个高斯混合模型进行睡眠分期和评估早产儿脑发育的方法，从而提高预测准确性。
- 使用脑电图和皮肤电反应感知人类对机器的信任的分类模型
提出两种基于分类器的经验信任传感器模型来评估人类的信任水平，分别使用脑电图（EEG）和皮肤电反应（GSR）测量。第一种方法考虑了所有被试的心理生理特征作为输入变量，并针对每个参与者训练分类器，生成一个基于一般特征集的信任传感器模型。第二种方 - ChronoNet: 一种用于异常 EEG 识别的深度循环神经网络
本文介绍了一种基于 RNN 的神经网络 ChronoNet，通过对 EEG 数据进行自动分析来诊断癫痫等脑部疾病。ChronoNet 可显著提高患者诊断水平，并成功地应用于分类语音命令。
- 一种基于深度学习方法的脑电 EEG 信号癫痫自动检测系统
这篇论文介绍了一种基于深度学习和 P-1D-CNN 的系统，通过提出的增强方案可以有效地检测癫痫，具有 99.1％±0.9％的准确性。
- NIPS面向发展中国家的神经科学即服务
使用云计算平台与深度学习技术，提供一种无需专业医疗人员参与的、基于 EEG 数据的医疗辅助系统。
- 基于脑机接口的基于 EEG 的意图识别的串联和并行卷积循环神经网络
本文提出了级联和并行卷积循环神经网络，以有效学习 EEG 数据流的组合时空表示。通过转换 EEG 数据流，将其转换成 2D 网格结构以及使用 LSTM 循环神经网络来提取 EEG 数据流的微妙时序依赖性。在大规模 MI-EEG 数据集上进行 - MM联合脑电肌电数据压缩和分类的多模态深度学习方法
本文使用深度学习方法，提出了一种针对 EEG 和 EMG 信号的联合压缩和分类方法，基于深度自编码器架构，通过在编码器层处理多模态数据并在解码器层重构和检索数据，显著减少了信号失真，同时实现了更好的分类准确性。
- 考虑脑电相位功能连接复杂分层拓扑结构的网络二值化计算
通过实验对复杂的层次结构进行二元化进行功能连接状态的建模，旨在探究阈值，发现 CST 相对于其它二元化方法在 EEG 功能连接状态的拓扑建模和网络攻击的鲁棒性方面表现突出，提供了关于在 EEG 功能连接研究中考虑大量边缘信息密度的相关证据
- 使用深度学习学习鲁棒特征以自动检测癫痫
本研究提出并评估了深度神经网络从 EEG 中学习稳健特征以自动检测癫痫的能力，通过同时捕获频谱、时间和空间信息，我们的循环卷积神经网络学习了癫痫的空间不变表示。该方法在交叉患者分类器上的结果显著优于先前的结果，具有较高的灵敏度和低的假阳性率 - 基于人脑信号推断相关性的自然脑 - 信息接口
本文介绍了一种通过脑电波信号推断用户阅读文档的相关性和搜索意图的大脑信息接口，成功地应用于从英文维基百科语料库中检索新的相关文档，为信息推荐提供了一种不需要明示用户意愿的新方式。
- 基于 EEG 的静息态脑网络：隐马尔可夫状态与经典微状态
研究了脑网络和脑功能的生理基质，通过 EEG 和隐马尔可夫模型分析了脑网络的时空动态和状态的拓扑结构，与经典的 EEG 微状态分析相比，发现两种方法的主导状态寿命均为 100-150ms，HMM 方法有独特的时空特性，可能从数据模式中获取生 - KDD睡眠分析和在线选择性异常检测
介绍了一种新问题：在线选择性异常检测（OSAD）用于模拟对睡眠科学的研究。这种方法结合了机器学习和控制理论技术，可以很好地检测和触发警报，针对非 SS 异常而言，从数据结果来看非常有效。