Brain-MGF: Multimodal Graph Fusion Network for EEG-fMRI Brain Connectivity Analysis Under Psilocybin
School of Information Technology, Monash University Malaysia（信息技术学院，墨尔本大学马来西亚分校）；Department of Data Science and AI, Faculty of Information Technology, Monash University（数据科学与人工智能系，信息科技学院，墨尔本大学）；Turner Institute for Brain and Mental Health, School of Psychological Sciences, Monash University（脑与心理健康研究所，心理学科学学院，墨尔本大学）
Brain-MGF通过多模态图融合网络实现psilocybin下EEG-fMRI脑连接分析，提升冥想和休息状态下的区分准确率与F1分数。
2025-11-23 cs.LG q-bio.NC
A unifying Bayesian approach for preterm brain-age prediction that models EEG sleep transitions over age
University of Oxford（牛津大学）
早产新生儿经历各种压力，可能在学龄时表现为学习问题。脑电图（EEG）的睡眠分期，然后从这些睡眠状态预测他们的大脑年龄，可以量化早期正常大脑发育的偏差（与已知年龄相比）。目前这种方法的自动化依赖于明确的睡眠状态分类，使用临床医生视觉标记的睡眠阶段优化算法，这仍然是主观的黄金标准。这样的模型不能在很大的年龄范围内保持一致，并影响随后的大脑年龄估计，这可能会阻止识别更微妙的发育偏差。我们引入了一个贝叶斯网络，利用多个高斯混合模型，作为一种新颖的，统一的方法，直接估计脑年龄，同时建模的年龄和睡眠依赖于EEG，以提高预测的准确性在更广泛的年龄范围。
2018-09-19 cs.LG q-bio.QM stat.ML
Enhancing Low-Density EEG-Based Brain-Computer Interfaces with Similarity-Keeping Knowledge Distillation
National Yang Ming Chiao Tung University（阳明交通大学）
脑电图（EEG）因其无创、低成本、高时间分辨率等优点，已成为现实世界脑机接口（BCI）中常用的神经监测手段之一。近年来，基于低密度导联的轻便便携式脑电可穿戴设备增加了脑机接口应用的便利性和可用性。然而，EEG解码性能的损失通常是不可避免的，这是由于减少了电极的数量和低密度EEG蒙太奇的头皮区域的覆盖。为了解决这个问题，我们引入了知识蒸馏（KD），一种学习机制，用于在神经网络模型之间传输知识/信息，以提高低密度EEG解码的性能。我们的框架包括一个新提出的相似性保持（SK）教师-学生KD计划，鼓励低密度EEG学生模型获得样本间的相似性，如在高密度EEG数据上训练的预训练教师模型。实验结果验证了我们的SK-KD框架一致提高运动想象脑电解码的准确性时，输入的EEG数据的电极数量减少。对于常见的低密度耳机样和头带样蒙太奇，我们的方法优于国家的最先进的KD方法在各种EEG解码模型架构。作为第一个KD计划，提高EEG解码，我们预见到建议SK-KD框架，以促进低密度EEG为基础的BCI在现实世界中的应用的实用性。
2022-12-06 cs.LG eess.SP q-bio.NC
Resting-state EEG sex classification using selected brain connectivity representation
University of Otago（奥塔哥大学）
有效地分析脑电信号的潜在临床应用仍然是一个具有挑战性的任务。到目前为止，EEG的分析和调节在很大程度上保持性别中立。本文采用机器学习的方法来探索性别对脑电信号的影响的证据，并通过成功地实现性别预测的静息态脑电信号证实了这些影响的普遍性。我们发现，由某些传感器通道之间的一致性所代表的大脑连通性是很好的性别预测指标。
2020-12-21 cs.LG eess.SP
Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks
ShanghaiTech University（上海科技大学）；Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司）；Shanghai Clinical Research and Trial Center（上海临床研究与试验中心）
研究针对EEG模型的局限性，提出以不变性为导向的EEG基础模型INCEPT，经超11000小时临床EEG训练，在广谱EEG任务基准中多数指标领先，验证了不变性学习构建可复用EEG基础模型的潜力。
2026-08-26 cs.AI cs.LG
THD-BAR: Topology Hierarchical Derived Brain Autoregressive Modeling for EEG Generic Representations
Beihang University（北航大学）
针对现有自回归脑电模型未充分捕捉生理特征与动态空间拓扑的问题，提出THD-BAR，通过脑拓扑层次（BTH）实现多尺度时空建模，在17个数据集预训练后于10个下游任务上持续优于现有方法，提升通用表征能力。
2025-11-05 cs.LG eess.SP q-bio.NC
BrainPro: Process-conditioned Pretraining with Topographic Retrieval for Large EEG Models
Nanyang Technological University（南洋理工大学）；Shanghai Jiao Tong University（上海交通大学）；Advanced Telecommunications Research Institute International（先进电信研究院）；Southeast University（东南大学）
提出BrainPro模型，通过检索式空间对齐和脑状态解耦模块，学习共享与特定状态表征，在9个公共BCI数据集上取得最优性能。
2026-10-22 cs.LG
Modelling Brain Connectivity Networks by Graph Embedding for Dyslexia Diagnosis
University of Málaga（马拉加大学）；Andalusian Data Science and Computational Intelligence Institute (DasCI)（安达卢西亚数据科学与计算智能研究所）；University of Granada（格拉纳达大学）
已经开发了几种方法来从脑电图（EEG）中提取信息。其中之一是相位振幅耦合（PAC），这是一种交叉频率耦合（CFC）方法，其在于测量不同EEG频带和电极的相位和振幅的同步性。这提供了关于同步激活的大脑区域的信息，并最终提供了这些区域之间功能连接的标记。在这项工作中，内部和内部电极PAC计算获得不同的电极之间的关系在EEG中使用。然后将连接性信息视为图形，其中不同的节点是电极和它们之间的边PAC值。这些结构被嵌入以创建可以进一步用于对多通道EEG样本进行分类的特征向量。所提出的方法已被应用到分类EEG样本采集使用特定的听觉刺激在一个任务设计的阅读障碍的诊断在七岁的儿童EEG的。所提出的方法提供的AUC值高达0.73，并允许选择最具鉴别力的电极和EEG频带。
2021-04-12 cs.LG q-bio.NC
Covariate Shift Estimation based Adaptive Ensemble Learning for Handling Non-Stationarity in Motor Imagery related EEG-based Brain-Computer Interface
University of Essex（埃塞克斯大学）；Ulster University（阿尔斯特大学）；Swansea University（斯旺西大学）；California State University Fresno（加州州立大学弗雷斯诺分校）
脑电信号的非平稳特性使得基于脑电信号的脑机接口成为一个动态系统，提高其性能是一个具有挑战性的课题。此外，众所周知，由于基于非平稳性的协变量偏移，基于EEG的BCI系统的输入数据分布在会话间和会话内转换期间改变，这给在线自适应数据驱动系统的开发带来了很大的困难。以前已经使用了包围学习方法来应对这一挑战。然而，基于被动方案的实现导致效率低下，同时增加了高计算成本。针对运动想象相关脑电分类中的非平稳性问题，提出了一种新的协变量偏移估计与无监督自适应集成学习（CSE-UAEL）相结合的方法。所提出的方法首先采用指数加权移动平均模型检测的协变量偏移的共同空间模式的特点，从MI相关的脑反应提取。然后，分类器集合被创建并随时间更新，以考虑流传输输入数据分布的变化，其中新的分类器根据估计的偏移被添加到集合。此外，使用两个公开的BCI相关的EEG数据集，所提出的方法进行了广泛的比较，与最先进的基于单分类器的被动方案，基于单分类器的主动方案和基于集成的被动方案。实验结果表明，所提出的主动模式集成学习算法显着提高脑机接口在MI分类的性能。
2018-05-02 cs.LG stat.ML
Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems
Western Sydney University（西悉尼大学）
训练的T1类卷积神经网络（CNN）模型将用于检查其在输入预处理的脑电图（EEG）数据时成功识别运动想象的能力。从理论上讲，如果模型已经被准确训练，它应该能够识别一个类并相应地标记它。然后将恢复CNN模型，并使用更小的采样数据来尝试识别相同类别的运动想象数据，以尝试模拟实时数据。
2022-05-31 cs.AI cs.LG eess.SP
Human brain activity for machine attention
University of Copenhagen（哥本哈根大学）；ETH Zurich（苏黎世联邦理工学院）；IT University of Copenhagen（哥本哈根信息技术大学）
认知启发的NLP利用人类来源的数据来教授机器语言处理机制。最近，神经网络已经用行为数据来增强，以解决一系列跨越语法和语义的NLP任务。我们是第一个利用神经科学数据，即脑电图（EEG），告知关于人类大脑语言处理的神经注意力模型。处理EEG数据的挑战在于特征非常丰富，需要大量的预处理来隔离特定于文本处理的信号。我们设计了一种方法，通过结合理论上有动机的裁剪与随机森林树分裂来寻找这样的EEG特征来监督机器注意力。在此降维之后，预处理的EEG特征能够区分从公开可用的EEG语料库中检索到的两个阅读任务。我们应用这些功能，以正则化的关系分类的注意力，并表明，EEG是比强基线更翔实。这种改善取决于任务的认知负荷和EEG频域。因此，用EEG信号通知神经注意力模型是有益的，但需要进一步研究，以了解哪些维度在NLP任务中最有用。
2020-10-02 cs.CL cs.LG q-bio.NC
Analyzing Brain Activity During Learning Tasks with EEG and Machine Learning
Illinois Mathematics and Science Academy（伊利诺伊数学与科学学院）；Northern Illinois University（北伊利诺伊大学）
该研究采集 20 名受试者五项认知任务的四通道 EEG，基于功率谱密度比较多种机器学习模型，实现 91.07% 的任务分类并揭示不同脑区功能与连接特征。
2024-01-15 cs.LG eess.SP q-bio.NC
Convolutional Neural Network Approach for EEG-based Emotion Recognition using Brain Connectivity and its Spatial Information
School of Integrated Technology, Yonsei University（延世大学融合技术学院）
基于脑电的情感识别作为实现以人为中心的服务的一种方式受到关注。然而，仍然有很大的改进空间，特别是在识别精度方面。在本文中，我们提出了一种新的深度学习方法，使用卷积神经网络（CNN）进行基于EEG的情感识别。特别是，我们采用了以前研究中未与深度学习模型一起使用的大脑连接特征，这些特征可以解释不同大脑区域的同步激活。此外，我们开发了一种方法来有效地捕捉不对称的大脑活动模式，情感识别是重要的。实验结果证实了我们的方法的有效性。
2018-09-12 cs.HC cs.LG
IMU-Enhanced EEG Motion Artifact Removal with Fine-Tuned Large Brain Models
Shu Chien-Gene Lay Department of Bioengineering and Institute for Neural Computation, University of California, San Diego (UCSD), La Jolla, CA 92093, USA（Shu Chien-Gene Lay 生物工程系和神经计算研究所，加州大学圣地亚哥分校（UCSD））
针对脑机接口中EEG运动伪影干扰问题，提出基于微调LaBraM的相关性注意力映射方法，结合IMU数据识别伪影，仅用少量数据微调就显著提升了多样运动场景下的伪影去除鲁棒性。
2025-09-01 cs.LG eess.SP q-bio.NC
BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals
Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室）；Department of Electronic Engineering, Tsinghua University, China（清华大学电子工程系）；Department of Psychology, University of Cambridge, UK（剑桥大学心理学系）；Speech Hearing and Phonetic Sciences, University College London, UK（伦敦大学学院语音听力与语音科学系）；MRC Cognition and Brain Sciences Unit, University of Cambridge, UK（剑桥大学MRC认知与脑科学单位）
BrainOmni是首个统一EEG与MEG信号的基础模型，通过BrainTokenizer量化时空脑活动并自监督预训练，在1,997小时EEG和656小时MEG数据上训练，优于现有模型并泛化至新设备。
2025-10-15 cs.LG eess.SP
EEG-Deformer: A Dense Convolutional Transformer for Brain-computer Interfaces
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；East China University of Science and Technology（华东理工大学）；Wilmar International（丰益国际）
针对现有Transformer与CNN结合的脑电信号解码方法无法捕捉从粗到细时间动态的问题，提出融合HCT模块和DIP模块的EEG-Deformer模型，在三项认知任务上性能达到或超过现有最优水平，且学习的脑区具有神经生理学意义。
2024-10-29 cs.LG eess.SP q-bio.NC
CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Sun Yat-sen University（中山大学）；The Chinese University of Hong Kong（香港中文大学）；Karlsruher Institut fur Technologie（卡尔斯鲁厄理工学院）
提出跨尺度时空脑基础模型CSBrain，通过CST和SSA交替堆叠整合多尺度时空依赖，在16个数据集的11项EEG任务上显著优于基线，确立了跨尺度建模的关键作用。
2025-06-29 cs.HC cs.LG eess.SP
Q-EEGNet: an Energy-Efficient 8-bit Quantized Parallel EEGNet Implementation for Edge Motor-Imagery Brain--Machine Interfaces
ETH Zürich（苏黎世联邦理工学院）；University of Bologna（博洛尼亚大学）；Huawei Technologies（华为技术有限公司）
运动想象脑-机接口（MI-BMIs）通过分析脑电（EEG）记录的大脑活动，保证人脑和机器之间直接和可访问的通信。延迟、可靠性和隐私限制使其不适合将计算卸载到云。实际用例需要一种可穿戴的电池供电设备，具有低平均功耗，可长期使用。最近，出现了用于对EEG信号进行分类的复杂算法，特别是深度学习模型。在达到出色精度的同时，这些模型由于其内存和计算要求而经常超过边缘设备的限制。在本文中，我们展示了EEGNET，一个紧凑的卷积神经网络（CNN）适用于许多BMI范例的算法和实现优化。我们将权重和激活调整到8位定点，在4类MI上的精度损失可忽略不计，为0.4%，并通过利用其自定义RISC-V ISA扩展和8核计算集群，在Wolf并行超低功耗（PULP）片上系统（SoC）上实现了一种节能的硬件感知实现。通过我们提出的优化步骤，我们可以获得64倍的整体加速，并相对于单核逐层基线实现减少高达85%的内存占用。我们的实现只需要5.82 ms，消耗0.627 mJ每个推理。它的能效为21.0GMAC/s/W，比ARM Cortex-M7上的EEGNET实现（0.082GMAC/s/W）高出256倍。
2023-01-16 cs.LG eess.SP
Detecting high-frequency brain disorder signals using dynamic mode decomposition from EEG
University of Maryland, College Park（马里兰大学帕克分校）；Hanbat National University（韩巴国立大学）
本研究利用动态模式分解（DMD）提取EEG高频带动力学变化，经随机分布测试后用PCA成分作为特征，成功区分酒精依赖组与对照组，为检测高频脑疾病信号提供方法。
2026-08-05 cs.LG eess.SP q-bio.NC
Brain Age Revisited: Investigating the State vs. Trait Hypotheses of EEG-derived Brain-Age Dynamics with Deep Learning
University of Freiburg（弗赖堡大学）；Medical Center – University of Freiburg（弗赖堡大学医学中心）
本研究利用临床EEG和时序卷积网络，检验脑龄动态的状态与特质假说，发现脑龄差距不能指示病理，模型达到最先进性能（MAE 6.6年）。
2023-09-22 cs.LG eess.SP q-bio.NC
Comparative Analysis of Deep Learning Approaches for Harmful Brain Activity Detection Using EEG
Department of Computer Science and Engineering（计算机科学与工程系）；Thapar Institute of Engineering and Technology（泰帕尔工程与技术学院）
本文比较CNNs、ViTs和EEGNet在原始EEG与CWT时频表示上的有害脑活动分类性能，发现多阶段训练、预处理和增强与架构同等关键，TinyViT和EfficientNet表现最佳。
2024-12-10 cs.AI cs.LG eess.SP
From Video to EEG: Adapting Joint Embedding Predictive Architecture to Uncover Saptiotemporal Dynamics in Brain Signal Analysis
本文提出EEG-VJEPA，通过将EEG视为视频序列，利用联合嵌入和自适应掩码学习空间时间表示，提升分类准确率并提供可解释的嵌入，适用于实际临床场景。
2026-03-12 cs.AI cs.CV cs.LG
NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces
KU Leuven（鲁文大学）；MIT（麻省理工学院）
NeuroAtlas是首个大规模EEG基准测试，包含42个数据集和260万小时的数据，涵盖癫痫、睡眠医学和脑年龄估计等领域，评估了EEG基础模型与通用时间序列模型的性能，揭示了现有模型在统一EEG模型上的不足。
2026-10-01 cs.AI cs.LG
EEG-TCNet: An Accurate Temporal Convolutional Network for Embedded Motor-Imagery Brain-Machine Interfaces
ETH Zürich（苏黎世联邦理工学院）；Nihon University（日本大学）；Huawei Technologies（华为技术有限公司）
近年来，深度学习（DL）对基于脑电图（EEG）的运动想象脑机接口（MI-BMIs）的改进做出了重大贡献。在实现高分类精度的同时，DL模型的大小也在增长，需要大量的内存和计算资源。这对嵌入式BMI解决方案提出了重大挑战，该解决方案通过本地处理数据来保证用户隐私，减少延迟和低功耗。在本文中，我们提出了EEG-TCNet，这是一种新型的时间卷积网络（TCN），在需要很少的可训练参数的情况下实现了出色的精度。它的低内存占用和低推理计算复杂度使其适用于边缘资源有限设备上的嵌入式分类。在BCI Competition IV-2a数据集上的实验结果表明，EEG-TCNet在4类MI中达到了77.35%的分类准确率。通过找到每个主题的最佳网络超参数，我们进一步将准确率提高到83.84%。最后，我们展示了EEG-TCNet的多功能性的母亲所有BCI基准（MOABB），一个大规模的测试基准包含12个不同的EEG数据集与MI实验。结果表明，EEG-TCNet成功地推广了一个单一的数据集，超过了MOABB的当前最先进的（SoA），元效应为0.25。
2020-05-31 cs.HC cs.LG eess.SP
Protecting Multiple Types of Privacy Simultaneously in EEG-based Brain-Computer Interfaces
Huazhong University of Science and Technology（华中科技大学）；School of Artificial Intelligence and Automation（人工智能与自动化学院）
针对基于脑电图的脑机接口中多种隐私信息易被推断的问题，本文设计扰动方法生成隐私保护的EEG数据，在显著降低隐私信息分类准确率的同时不影响主任务性能，实现隐私保护。
2024-11-29 cs.AI cs.HC cs.LG
Achieving More Human Brain-Like Vision via Human EEG Representational Alignment
Department of Psychology, The Ohio State University（心理学系，俄亥俄州立大学）；McGovern Institute for Brain Research, Massachusetts Institute of Technology（脑科学研究所，麻省理工学院）；Department of Neuroscience, The University of Texas at Dallas（神经科学系，德克萨斯大学达拉斯分校）
针对现有目标识别模型模拟人脑视觉处理不足、过往研究依赖非人类侵入式记录的问题，提出基于非侵入式EEG的视觉模型ReAlnet及多层编码框架，提升了模型与人脑表征的相似度，推动类脑AI发展。
2025-10-01 cs.CV cs.LG cs.NE
Computer Vision Based Neurology Brain Activity Rejection Architecture and Implementation
Member, IEEE（IEEE成员）
研究针对EEG在认知发展研究中的挑战，引入基于计算机视觉的自动化ICA拒绝标记工具，兼容常用软件接口，通过自动化人工任务，大幅减少处理时间，提高准确率，加速大规模EEG研究及脑电活动抑制任务应用。
2026-07-27 cs.LG physics.data-an q-bio.NC
HyBRA-EEG: Hyperbolic Global-Local Brain-Region Aggregation for Self-Supervised EEG Representation Learning
HyBRA是一种自监督EEG表征学习框架，通过双曲全局-局部脑区聚合处理异质性EEG数据，在多基准数据集上的平衡准确率等指标优于对比方法，参数效率更高。
2026-10-14 cs.LG
Adversarial Filtering Based Evasion and Backdoor Attacks to EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology（华中科技大学）
本文提出针对基于 EEG 的脑机接口、基于对抗滤波的规避与后门攻击，并在三种 BCI 范式的数据集上验证其有效性，揭示了新的安全威胁。
2024-12-10 cs.HC cs.LG
IC-U-Net: A U-Net-based Denoising Autoencoder Using Mixtures of Independent Components for Automatic EEG Artifact Removal
National Tsing Hua University（台湾清华大学）；National Taiwan Ocean University（台湾海洋大学）；Elan Microelectronics Corporation（义隆电子股份有限公司）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
脑电（EEG）信号经常被伪影污染。因此，迫切需要开发一种实用可靠的伪影去除方法，以防止神经信号的误解和脑机接口的性能不佳。本文提出了一种新的伪影去除方法IC-U-Net，该方法基于U-Net结构，用于去除普遍的EEG伪影并重建脑源。IC-U-Net使用通过独立分量分析分解的大脑和非大脑源的混合物进行训练，并采用损失函数的集合来模拟EEG记录中的复杂信号波动。所提出的方法在恢复脑源和去除各种伪影（例如，眨眼/运动、肌肉活动和线/通道噪声）在模拟研究中得到了证明，并且在休息时以及在驾驶和行走时收集了三个真实世界的EEG数据集。IC-U-Net是用户友好和公开可用的，不需要参数调整或工件类型指定，并且对通道数量没有限制。鉴于在移动环境中对自然大脑动态成像的需求日益增加，IC-U-Net提供了一种有前途的端到端解决方案，用于自动消除EEG记录中的伪影。
2021-11-22 cs.LG eess.SP
Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology（华中科技大学）；School of Artificial Intelligence and Automation（人工智能与自动化学院）
针对基于脑电图的脑机接口易受对抗性攻击的问题，首次探索其对抗性伪影检测，通过在两个EEG数据集上用三种卷积神经网络实验验证检测方法性能，发现白盒和黑盒攻击均可检测且前者更易检测。
2022-11-28 cs.AI cs.CR cs.HC
Large Brain Model for Learning Generic Representations with Tremendous EEG Data in BCI
Shanghai Jiao Tong University（上海交通大学）；Shanghai Emotionhelper Technology Co., Ltd.（上海情绪助手科技有限公司）
本文提出统一EEG基础模型LaBraM，通过将EEG信号分割为通道块并采用向量量化神经频谱预测进行预训练，克服了数据集规模小和格式差异大的挑战，在多个下游任务上超越了现有SOTA方法。
2024-05-29 cs.LG
A Survey and Tutorial of EEG-Based Brain Monitoring for Driver State Analysis
Virginia Tech（弗吉尼亚理工大学）
驾驶员的认知和生理状态影响他们控制车辆的能力。因此，这些驾驶员状态对于汽车的安全性是重要的。高级驾驶员辅助系统（ADAS）或自动驾驶汽车的设计将取决于它们与驾驶员有效互动的能力。因此，更深入地了解驾驶员状态至关重要。脑电被证明是驾驶员状态监测和人为检错检测的最有效方法之一。本文讨论了近三十年来基于脑电信号的驾驶员状态检测系统及其相应的分析算法。首先，介绍了用于驾驶员状态研究的常用EEG系统设置。然后，回顾了用于驾驶员状态检测的脑电信号预处理、特征提取和分类算法。最后，对基于脑电的驾驶员状态监测研究进行了深入的综述，并对其未来的发展进行了展望。最后得出结论，目前基于EEG的驾驶员状态监测算法是有前途的安全应用。然而，在EEG伪影减少、实时处理和受试者间分类准确性方面仍需要许多改进。
2020-08-25 cs.HC cs.LG eess.SP
EEGminer: Discovering Interpretable Features of Brain Activity with Learnable Filters
Imperial College London（帝国理工学院）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；National and Kapodistrian University of Athens（雅典国立卡波迪斯特里亚大学）；Cogitat Ltd.（Cogitat有限公司）
大脑活动模式与不同的大脑过程有关，可用于识别不同的大脑状态并进行行为预测。然而，相关特征并不显而易见和容易获得。为了从正在进行的EEG活动的多通道记录中挖掘信息丰富的潜在表示，我们提出了一种新的可区分的解码管道，包括可学习的过滤器和预定的特征提取模块。具体来说，我们引入了由广义高斯函数参数化的滤波器，这些滤波器为稳定的端到端模型训练提供了平滑的导数，并允许学习可解释的特征。对于特征模块，我们使用信号幅度和功能连接估计。我们证明了我们的模型在SEED数据集上对EEG信号的情感识别的实用性，以及在前所未有的大小的新EEG数据集上的实用性（即，761名受试者），其中我们确定了音乐感知的一致趋势和相关的个体差异。这些发现的特征与之前的神经科学研究一致，并提供了新的见解，例如在听音乐时左右颞区之间的功能连接特征存在显著差异。这与文献中提出的关于音乐感知的颞叶各自的专门化相一致。
2022-02-02 cs.HC cs.LG
EEG-MACS: Manifold Attention and Confidence Stratification for EEG-based Cross-Center Brain Disease Diagnosis under Unreliable Annotations
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Shenzhen People's Hospital（深圳人民医院）；Shenzhen University（深圳大学）；Shenzhen Bay Laboratory（深圳湾实验室）
EEG-MACS通过流形注意力与置信度分层技术，提升跨中心脑部疾病诊断的准确性与鲁棒性。
2026-02-06 cs.AI cs.LG eess.SP
Adversarial Feature Learning in Brain Interfacing: An Experimental Study on Eliminating Drowsiness Effects
Northeastern University（东北大学）；Oregon Health & Science University（俄勒冈健康与科学大学）
脑电（EEG）活动的跨记录和记录内变异性是基于EEG的脑机接口（BCI）的主要限制。具体而言，即使每天校准这些系统，在长EEG记录持续时间和BCI系统使用期间疲劳和警惕水平的逐渐变化也会带来BCI性能的显著波动。我们解决这个问题，在一个实验性的离线研究，从EEG为基础的BCI拼写使用数据采集一个小时的持续时间。作为我们方法论方法的主要部分，我们提出了BCI的对抗性不变特征学习的概念，作为最近扩展的EEG深度学习架构上的正则化方法，以学习滋扰不变的鉴别特征。我们通过使用时间记录块排序作为睡意变异性的来源，实证证明了对抗性特征学习在消除事件相关EEG活动特征的睡意影响方面的可行性。
2019-07-22 cs.HC cs.LG
Graph-Based Learning of Spectro-Topographical EEG Representations with Gradient Alignment for Brain-Computer Interfaces
Ingenuity Labs Research Institute（Ingenuity Labs研究机构）；Department of Electrical and Computer Engineering（电气与计算机工程系）；Department of Chemical Engineering（化学工程系）
本文提出GEEGA方法，通过图卷积网络融合多领域信息并结合梯度对齐策略，提升脑机接口中EEG表示的类间分离度。
2025-12-08 cs.HC cs.LG
Revisiting Euclidean Alignment for Transfer Learning in EEG-Based Brain-Computer Interfaces
Ministry of Education Key Laboratory of Image Processing and Intelligent Control, Huazhong University of Science and Technology, Wuhan, 430074 China（教育部长图像处理与智能控制重点实验室，华中科技大学，武汉，430074中国）；Zhongguancun Academy, Beijing, 100084 China（中关村学院，北京，100084中国）
本文重新审视欧几里得对齐（EA）在基于EEG的脑机接口迁移学习中的作用，系统解释其流程、正确用法、应用扩展及未来研究方向。
2025-05-03 cs.HC cs.LG
Bridging Brain Signals and Language: A Deep Learning Approach to EEG-to-Text Decoding
Egypt Japan University Of Science and Technology（埃及日本科学技术大学）
提出融合受试者特定学习与自然语言处理的深度学习框架，在ZuCo数据集上实现更优的开放词汇脑电图到文本解码，助力人机交互与辅助沟通。
2025-02-11 cs.CL cs.LG eess.SP
Spatial Filtering for EEG-Based Regression Problems in Brain-Computer Interface (BCI)
DataNova；National Chiao-Tung University（国立交通大学）；University of California San Diego（加州大学圣地亚哥分校）
脑电信号是脑机接口中的常用信号，但由于脑电信号容易受到伪迹和噪声的污染，在输入到机器学习算法进行分类或回归之前必须对其进行预处理。空间滤波器在脑机接口分类问题中被广泛用于提高脑电信号的信噪比，但在脑机接口回归问题中的应用却非常有限。本文提出了两个共同的空间模式（CSP）过滤器脑机接口的EEG为基础的回归问题，这是扩展的CSP过滤器的分类，利用模糊集。基于EEG的反应速度估计从一个大规模的研究，其中收集了143个会议的持续注意心理警觉任务的数据，从17个科目在5个月的时间内，实验结果表明，这两个建议的空间滤波器可以显着提高EEG信号的质量。当用于LASSO和k-近邻回归估计用户响应速度时，空间滤波器可以将均方根估计误差降低10.02- 19.77%，同时将与真实响应速度的相关性提高19.39- 86.47%。
2017-02-09 cs.HC cs.LG
EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks
Huazhong University of Science and Technology（华中科技大学）；Chinese Academy of Sciences（中国科学院）；University of Technology Sydney（悉尼科技大学）
该研究揭示基于EEG的脑机接口存在安全漏洞，提出一种无需与EEG试次同步的窄周期脉冲后门投毒攻击方法，验证了其有效性与鲁棒性，为相关安全防护研究敲响警钟。
2021-01-02 cs.CR cs.HC cs.LG
Siamese Neural Networks for EEG-based Brain-computer Interfaces
Concordia Institute for Information Systems Engineering (CIISE)（康考迪亚信息系统工程研究所）；Concordia University（康考迪亚大学）
由于人脑同时处理多模态信号及其对外部世界事件的实时反馈的不可思议的能力，在人脑和计算机之间建立通信桥梁的兴趣激增，这被称为脑机接口（BCI）。为此，通过脑电图（EEG）监测脑电活动已成为BCI系统的首选。为了发现不同心理任务的脑信号的潜在和具体特征，基于统计和数据驱动的技术开发了相当多的研究工作。然而，在实际和商业BCI系统的发展的一个主要瓶颈是他们的有限的性能时，分类的心理任务的数量增加。在这项工作中，我们提出了一个新的EEG处理和特征提取范式的基础上，暹罗神经网络，它可以方便地合并和扩大多类问题。Siamese网络的思想是训练一个基于对比损失函数的双输入神经网络，它提供了验证两个输入EEG试验是否来自同一类的能力。在这项工作中，一个连体架构，这是基于卷积神经网络（CNN）开发的，并提供了一个二进制输出的两个输入的相似性，结合OVR和OVO技术，以扩大多类问题。该架构的有效性进行了评估的4类运动图像（MI）数据集从BCI竞争IV-2a和结果表明一个有前途的性能相比，其同行。
2020-02-03 cs.LG eess.SP
BELT-2: Bootstrapping EEG-to-Language representation alignment for multi-task brain decoding
BELT-2首次通过BPE级EEG-语言对齐、多任务训练及前缀微调连接LLMs，实现从非侵入性脑电信号解码连贯句子，在ZuCo上BLEU-1达52.2%，并在多个翻译基准上提升31%至162%。
2024-08-28 cs.AI cs.LG eess.AS
Brain-Language-Action (BLA) Models: Language-Conditioned EEG for Robotics Control
VECTOR Labs（VECTOR实验室）
该研究提出脑-语言-动作（BLA）模型，通过语言条件化扩展EEG机器人控制范围，基于BCI数据集开发无人机控制BLA，经两阶段训练后在840种映射中达到90%每标记准确率。
2026-09-01 cs.LG cs.RO
Recording Brain Activity While Listening to Music Using Wearable EEG Devices Combined with Bidirectional Long Short-Term Memory Networks
School of Music, Jiangxi Normal University（江西师范大学音乐学院）；School of Electronic Information, HuZhou College（湖州学院电子信息学院）；San Francisco State University（旧金山州立大学）
本研究提出结合Bi-LSTM网络与注意力机制处理可穿戴EEG设备采集的听音乐脑电信号，在SEED和DEAP数据集上分别达到98.28%和92.46%的情绪识别准确率，显著优于传统模型，为脑机接口和情感计算提供技术支持。
2024-08-22 cs.HC cs.LG eess.SP
Dynamic EEG-fMRI mapping: Revealing the relationship between brain connectivity and cognitive state
San Francisco State University（旧金山州立大学）
本研究通过整合EEG-fMRI数据的静态与动态分析，揭示了大脑连接状态的时间波动及模块化组织，证实短时数据可识别认知状态，增进了对脑信号相互作用的理解并为相关研究提供基础。
2024-11-29 cs.AI cs.LG
EEG functional connectivity and deep learning for automatic diagnosis of brain disorders: Alzheimer's disease and schizophrenia
Technische Hochschule Aschaffenburg（阿沙芬堡应用技术大学）；Universidade de São Paulo (USP)（圣保罗大学）
精神障碍是全世界残疾的主要原因之一。治疗这些疾病的第一步是获得准确的诊断，但由于缺乏成熟的临床测试，这项任务具有挑战性。机器学习算法可以为这个问题提供可能的解决方案，正如我们在这项工作中所描述的那样。我们提出了一种基于从EEG时间序列和深度学习获得的连接矩阵来自动诊断精神障碍的方法。我们表明，我们的方法可以对阿尔茨海默病和精神分裂症患者进行分类，具有很高的准确性。与传统的情况下，使用原始EEG时间序列的比较表明，我们的方法提供了最高的精度。因此，深度神经网络在大脑连接数据上的应用是一种非常有前途的神经疾病诊断方法。
2021-10-07 cs.CY cs.LG eess.SP
BRIEDGE: EEG-Adaptive Edge AI for Multi-Brain to Multi-Robot Interaction
Hunan University（湖南大学）
本文提出BRIEDGE端到端系统，通过EEG自适应神经网络和编码-解码通信框架结合模型压缩技术，实现多脑对多机器人交互，在异构EEG数据分类和噪声环境下均取得更优且稳定的性能。
2024-03-14 cs.AI cs.HC cs.LG
EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity
Vidyasirimedhi Institute of Science & Technology（维迪亚西里梅迪科学技术学院）；King Mongkut’s Institute of Technology Ladkrabang（国王科技大学（拉卡邦））；Kamnoetvidya Science Academy School（卡姆努特维迪亚科学学院）；Tokyo Institute of Technology（东京工业大学）
基于脑电的脑生物特征识别技术已越来越多地应用于个人身份识别。传统的机器学习技术以及现代的深度学习方法已经得到了应用，并取得了可喜的成果。在本文中，我们提出了EEG-BBNet，一个混合网络，它集成了卷积神经网络（CNN）与图卷积神经网络（GCNN）。联合利用了CNN在自动特征提取中的益处和GCNN在通过图形表示学习EEG电极之间的连接性中的能力。我们研究了各种连接措施，即欧几里得距离，皮尔逊相关系数，锁相值，相位滞后指数，和Rho指数。所提出的方法的性能进行评估的基准数据集组成的各种脑机接口（BCI）的任务，并与其他国家的最先进的方法相比。我们发现，我们的模型在事件相关电位（ERP）任务中优于所有基线，使用会话内数据的平均正确识别率高达99.26%。EEG-BBNet与皮尔逊相关性和RHO指数提供了最好的分类结果。此外，我们的模型使用会话间和任务间数据表现出更大的适应性。我们还研究了我们提出的模型的实用性与较少的电极数量。电极放置在额叶区域似乎是最合适的，性能损失最小。
2022-08-17 cs.LG eess.SP
EEG-based AI-BCI Wheelchair Advancement: Transformer-Based Learning with Motor Imagery for Brain Computer Interface
Department of Computer Science and Engineering, Kathmandu University（加德满都大学计算机科学与工程系）；Department of Electronics and Communication Engineering, Nepal Engineering College, Pokhara University（博卡拉大学尼泊尔工程学院电子与通信工程系）；Department of Applied Sciences and Chemical Engineering, Institute of Engineering, Pulchowk Campus, Tribhuvan University（特里布万大学工程学院普尔乔克校区应用科学与化学工程系）
本文提出一种结合运动想象左右手运动机制的AI集成方法，利用EEG数据模拟轮椅导航，采用CNN-Transformer混合模型实现高准确率的EEG分类。
2026-07-17 cs.AI cs.HC cs.LG
An intertwined neural network model for EEG classification in brain-computer interfaces
University of Rome Tor Vergata（罗马第二大学）；Drexel University（德雷塞尔大学）；University of Pisa（比萨大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
脑机接口（BCI）是大脑与计算机或外部设备之间的非刺激性直接和偶尔双向通信链路。传统上，基于EEG的BCI算法依赖于支持向量机和线性判别分析或多类常见空间模式等模型。然而，在过去的十年中，更复杂的机器学习架构，如卷积神经网络，递归神经网络，长短期记忆网络和门控递归单元网络，已被广泛用于增强多类BCI任务的可区分性。此外，EEG信号的预处理和去噪一直是成功解码大脑活动的关键，并且确定最佳和标准化的EEG预处理活动是一个活跃的研究领域。在本文中，我们提出了一种深度神经网络架构，专门设计用于a）在多类运动想象分类中提供最先进的性能，b）保持对预处理的鲁棒性，以便在从EEG和BCI设备流出时实时处理原始数据。它基于时间分布全连接（tdFC）和空间分布1D时间卷积层（sdConv）的交织使用，并明确解决了EEG信号的空间和时间特征在所有复杂程度下发生相互作用的可能性。数值实验表明，我们的架构提供了卓越的性能相比基线的基础上的组合的3D卷积和递归神经网络在六类运动想象网络，与subjectwise的准确性，达到99%。重要的是，当应用最小或广泛的预处理时，这些结果保持不变，这可能为在EEG分类中更横向和实时地使用深度学习架构铺平了道路。
2022-08-04 cs.LG eess.SP physics.med-ph
EEG Opto-processor: epileptic seizure detection using diffractive photonic computing units
Tsinghua University（清华大学）；Nanjing University（南京大学）
脑电分析是从脑电信号中提取关键信息的一种方法，为脑疾病诊断、脑机接口等应用提供了基础支持。然而，以高能效实时处理大规模脑电信号，对边缘计算设备上的电子处理器提出了巨大挑战。在这里，我们提出了基于衍射光子计算单元（DPU）的脑电信号光处理器，以有效地处理颅外和颅内脑电信号，并执行癫痫发作检测。第二时间窗内的EEG通道的信号被光学编码作为输入到所构造的衍射神经网络进行分类，其监测大脑状态以确定其是否是癫痫发作的症状。我们开发了自由空间和集成DPU作为边缘计算系统，并展示了它们在基准数据集实时癫痫发作检测中的应用，即，CHB-MIT颅外EEG数据集和Epilepsy-iEEG-多中心颅内EEG数据集，具有较高的计算性能。随着通道选择机制，数值评估和实验结果验证了足够高的分类精度的建议的光处理器用于监督临床诊断。本论文的工作为利用光子计算技术处理大规模脑电信号开辟了一个新的研究方向，促进了其更广泛的应用。
2022-12-09 cs.LG eess.SP physics.optics
Tensor Decomposition of Large-scale Clinical EEGs Reveals Interpretable Patterns of Brain Physiology
University of Illinois（伊利诺伊大学）；Mayo Clinic（梅奥诊所）
识别脑电图（EEG）中的异常模式仍然是诊断几种神经系统疾病的基石。目前的临床EEG审查过程严重依赖于专家视觉审查，这是不可扩展的，容易出错。为了增强专家评审过程，人们对使用无监督方法挖掘人群级别的EEG模式非常感兴趣。当前的方法依赖于二维分解（例如，主成分和独立成分分析）或深度表示学习（例如，自动编码器、自我监督）。然而，大多数方法不利用EEG的自然多维结构，并且缺乏可解释性。在这项研究中，我们提出了一个张量分解方法，使用典型的polyadic分解，发现一组简约的人口水平的EEG模式，保留自然的多维结构的EEG（时间x空间x频率）。然后，我们使用包括不同阶段的认知障碍的患者队列来验证其临床价值。我们的研究结果表明，发现的模式反映了生理上有意义的特征，并准确地分类了认知障碍的阶段（健康与轻度认知障碍与阿尔茨海默氏痴呆症），与经典和基于深度学习的基线相比，其特征要少得多。我们的结论是，人口水平的EEG张量的分解恢复专家可解释的EEG模式，可以帮助较小的专业临床队列的研究。
2023-02-04 cs.LG eess.SP stat.AP
Active Learning for Black-Box Adversarial Attacks in EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology（华中科技大学）
深度学习在许多领域取得了重大突破，包括基于脑电图（EEG）的脑机接口（BCI）。然而，深度学习模型容易受到对抗攻击的攻击，在这种攻击中，故意设计的小扰动被添加到良性输入样本中，以欺骗深度学习模型并降低其性能。本文考虑基于可转移性的黑盒攻击，攻击者训练替代模型来近似目标模型，然后从替代模型生成对抗性示例来攻击目标模型。学习一个好的替代模型对于这些攻击的成功至关重要，但它需要对目标模型进行大量的查询。我们提出了一个新的框架，使用查询合成的主动学习，以提高查询效率的训练替代模型。在三个卷积神经网络（CNN）分类器和三个EEG数据集上的实验表明，我们的方法可以在相同查询次数的情况下提高攻击成功率，或者换句话说，我们的方法需要更少的查询来实现期望的攻击性能。据我们所知，这是第一个为基于EEG的BCI集成主动学习和对抗攻击的工作。
2019-11-07 cs.CR cs.HC cs.LG
