A Dynamic Domain Adaptation Deep Learning Network for EEG-based Motor Imagery Classification
本文提出DADL-Net,通过3D卷积、空间-通道注意力与动态域适应策略解决EEG运动想象分类中通道相关性建模和跨受试者差异问题,并在两个公开数据集上验证了有效性。
2023-09-21 cs.AI cs.LG eess.SP
A Hybrid End-to-End Spatio-Temporal Attention Neural Network with Graph-Smooth Signals for EEG Emotion Recognition
University of Rochester(罗切斯特大学);University of Eastern Finland(东芬兰大学)
本文提出一种混合端到端时空注意力神经网络,结合图信号平滑预处理,在DEAP、DREAMER和EEWD数据集上实现了优于现有方法的EEG情绪识别性能,并验证了其跨模态迁移学习能力。
2023-07-06 cs.LG eess.SP
EEG-Reptile: An Automatized Reptile-Based Meta-Learning Library for BCIs
MEG Center, Moscow State University of Psychology and Education(莫斯科心理与教育大学MEG中心);Lomonosov Moscow State University(莫斯科罗蒙诺索夫大学)
提出EEG-Reptile自动化元学习库,利用Reptile算法提升BCI分类器性能,在零样本和少样本场景下优于传统迁移学习。
2025-01-17 cs.LG
EEG-Based Driver Drowsiness Estimation Using Feature Weighted Episodic Training
Huazhong University of Science and Technology(华中科技大学)
疲劳驾驶是普遍存在的,也是交通事故的主要原因。通过监测脑电图(EEG)信号来估计驾驶员的困倦水平并相应地采取预防措施可以提高驾驶安全性。然而,不同驾驶员之间的个体差异使得这项任务非常具有挑战性。通常需要校准会话来收集一些特定于对象的数据并在将其应用于新对象之前调整模型参数,这是非常不方便且不用户友好的。为了减少标定工作量,提出了一种新的标定方法--特征加权情景训练(FWET)。它集成了两种技术:特征加权来学习不同特征的重要性,以及用于领域泛化的情景训练。基于脑电信号的驾驶员睡意估计实验表明,特征加权和情景训练都是有效的,两者的结合可以进一步提高泛化性能。FWET不需要来自新对象的任何标记或未标记的校准数据,因此在即插即用脑机接口中可能非常有用。
2019-09-25 cs.AI cs.HC cs.LG
Deep Transfer Learning for Error Decoding from Non-Invasive EEG
University Medical Center Freiburg(弗莱堡大学医学中心);Alberts-Ludwigs-University Freiburg(阿尔伯特-路德维希-弗莱堡大学)
我们在侧翼任务实验(31名受试者)和在线BCI控制范式(4名受试者)中记录了高密度EEG。在这些数据集上,我们评估了迁移学习在深度卷积神经网络(深度ConvNets)错误解码中的使用。与正则化线性判别分析(rLDA)分类器相比,ConvNets在受试者内和受试者间解码方面都明显更好,受试者内的平均准确率为84.1%,未知受试者的平均准确率为81.7%(侧翼任务)。然而,这两种方法都不能在范式之间可靠地概括。ConvNets从数据中学习到的可视化特征显示了大脑活动的合理模式,揭示了不同类型错误之间的相似性和差异性。我们的研究结果表明,深度学习技术对于推断BCI应用中动作正确性的信息是有用的,特别是对于将预先训练的分类器转移到新的记录会话或主题。
2018-01-10 cs.HC cs.LG q-bio.NC
Assessing learned features of Deep Learning applied to EEG
SCCN, INC, UCSD(加州大学圣迭戈分校斯沃茨计算神经科学中心);CerCo CNRS, Paul Sabatier University(法国国家科学研究中心大脑与认知研究中心,保罗·萨巴捷大学)
卷积神经网络(Convolutional Neural Network,CNN)在目标检测、图像识别、图像检索等计算机视觉领域取得了令人瞩目的成就。这些成就得益于CNN在深层神经元结构和迭代训练过程中学习判别特征的出色能力。这激发了EEG研究界采用CNN来执行EEG分类任务。然而,CNN学习的特征并不能立即解释,导致人们对CNN的内部工作机制缺乏了解。为了提高CNN的可解释性,应用CNN可视化方法将内部特征转换为视觉上可感知的模式,用于CNN层的定性分析。在计算机视觉文献中已经提出了许多CNN可视化方法来解释CNN网络的结构、操作和语义概念,但在EEG数据分析中的应用受到限制。在这项工作中,我们使用3种不同的方法从原始EEG数据训练的CNN中提取EEG相关特征:每个分类类别的最佳样本,激活最大化和反向卷积。我们将这些方法应用于一个高性能的深度学习模型,该模型具有EEG性别分类任务的最新性能,并表明该模型具有θ频带的差异。我们表明,可视化的CNN模型可以揭示有趣的EEG结果。使用这些工具,使用深度学习的EEG研究人员可以更好地识别学习的EEG特征,可能识别新的类别相关生物标志物。
2021-11-08 cs.LG eess.SP
Towards Deep Modeling of Music Semantics using EEG Regularizers
音乐音频语义的建模先前已经通过学习从音频数据到高级标签或潜在的无监督空间的映射来解决。所得到的语义空间在理论上是有限的,因为所选择的高级标签不覆盖所有的音乐语义,或者因为音频数据本身不足以确定音乐语义。在本文中,我们提出了一个通用的框架语义建模,侧重于感知的听众,通过EEG数据,除了音频数据。我们实现了这个框架,使用一种新的端到端的2视图神经网络(NN)架构和深度典型相关分析(DCCA)损失函数,迫使语义嵌入空间的两个视图最大程度地相关。我们还详细介绍了如何收集EEG数据集,并用它来训练我们提出的模型。我们评估学习的语义空间在迁移学习的上下文中,通过使用它作为一个独立的数据集和代理任务中的音频特征提取器:音乐音频歌词跨模态检索。我们证明了我们的嵌入模型优于Spotify功能,并对最先进的嵌入模型进行了改进,该模型在700倍的数据上进行了训练。我们进一步讨论了模型的改进,可能会提高其性能。
2017-12-15 cs.IR cs.LG cs.SD
ISAM-MTL: Cross-subject multi-task learning model with identifiable spikes and associative memory networks
School of Future Technology, South China University of Technology(华南理工大学未来技术学院);School of Artificial Intelligence and Automation, Huazhong University of Science and Technology(华中科技大学人工智能与自动化学院)
本文提出ISAM-MTL模型,结合可识别脉冲表示与双向联想记忆网络解决跨被试EEG分类问题,提升了分类准确率与少样本学习能力,并降低了被试间的性能差异。
2025-01-30 cs.LG cs.NE q-bio.NC
Using Deep Learning and Machine Learning to Detect Epileptic Seizure with Electroencephalography (EEG) Data
Northeast Yucai Foreign Language School(东北育才外国语学校);Shenyang Pharmaceutical University(沈阳药科大学);Northwestern University(西北大学)
癫痫发作的预测一直是医学领域极具挑战性的课题。然而,随着计算机技术的发展,机器学习的应用为癫痫发作预测带来了新的思路。将机器学习模型应用到癫痫发作的预测中可以帮助我们获得更好的结果,并且已经有很多科学家在做这方面的工作,从而为研究人员进行机器学习模型的训练提供了充足的医学数据。
2019-10-06 cs.LG eess.SP stat.ML
Multivariate Temporal Dictionary Learning for EEG
CEA, LIST(法国原子能和替代能源委员会、信息与系统技术实验室);GIPSA-lab(GIPSA实验室);Grenoble INP(格勒诺布尔国立高等物理、数学与信息学院)
本文讨论了一种有效的方法来表示脑电信号的问题。虽然经典的方法使用固定的Gabor字典来分析EEG信号,本文提出了一种数据驱动的方法来获得自适应的字典。为了达到有效的字典学习,需要适当的空间和时间建模。在空间多变量模型中考虑了通道间的联系,而在时间模型中使用了平移不变性。多变量学习的内核是信息丰富的(几个原子编码丰富的能量)和可解释的(原子可以具有生理意义)。使用真实的EEG数据,所提出的方法被证明优于经典的多通道匹配追求与Gabor字典,作为衡量的学习字典和它的空间灵活性的代表性权力。此外,字典学习可以捕获可解释的模式:这种能力在真实数据上得到了说明,学习P300诱发电位。
2013-03-04 cs.LG q-bio.NC stat.ML
Improving self-supervised pretraining models for epileptic seizure detection from EEG data
IIT Gandhinagar(印度理工学院甘地纳加尔分校)
互联网上有大量的医学数据,其中大部分是未标记的。传统的监督学习算法通常受到标记数据量的限制,特别是在医疗领域,标记在人工处理和标记它们所需的专业专家方面是昂贵的。它们也容易出现人为错误和偏见,因为少数专家注释者给它们贴上了标签。这些问题可以通过自我监督来缓解,我们通过查看数据本身从未标记的数据生成伪标签。本文提出了各种自我监督策略,以提高性能的时间序列为基础的扩散卷积递归神经网络(DCRNN)模型。在自我监督预训练阶段学习的权重可以转移到监督训练阶段,以提高模型的预测能力。我们的技术进行了测试的扩散卷积递归神经网络(DCRNN)模型的扩展,RNN与图形扩散卷积,模型的时空依赖性存在于EEG信号。当从预训练阶段学习的权重被转移到DCRNN模型,以确定EEG时间窗口是否具有与之相关的特征性癫痫发作信号时,我们的方法产生的AUROC分数$1.56\%$比TUH EEG癫痫发作语料库上的当前最先进的模型。
2022-06-28 cs.LG eess.SP
Applying advanced machine learning models to classify electro-physiological activity of human brain for use in biometric identification
NewGround LLC(新地有限责任公司)
在这篇文章中,我们提出了我们的研究结果与特定的视觉刺激和脑电传感器从一组参与者收集的引起大脑的电生理反应之间的相关性的研究。我们将研究视觉刺激的各种特征如何影响大脑的电生理反应,并描述在大脑皮层的某些部分引起稳态视觉诱发电位(SSVEP)的最佳参数,在这些部分中,EEG设备的电极可以可靠地感知到视觉诱发电位。在此之后,我们继续描述高级机器学习管道模型,该模型可以对收集的EEG数据进行可靠的分类,以便(a)可靠地区分信号与噪声(约85%的验证分数)以及(b)可靠地区分从不同人类参与者收集的EEG记录(约80%的验证分数)。最后,我们证明了所提出的方法可靠地工作,即使是一个便宜的(不到100美元)消费级EEG传感设备和参与者谁没有以前的经验与EEG技术(EEG文盲)。所有这些结合起来为新型消费设备的发展开辟了广阔的前景,[例如]基于虚拟现实头盔或增强现实眼镜,其中可以容易地集成EEG传感器。所提出的方法可以用于通过提供[例如]用于VR / AR应用的无密码用户识别。它还可以在重症监护室中找到更先进的应用,其中收集的EEG数据可以用于对麻醉期间患者的意识水平进行分类,或者通过将输入信号分类为噪声来自动检测硬件故障。
2017-08-03 cs.LG
An embedding for EEG signals learned using a triplet loss
ENS Paris-Saclay(巴黎萨克雷高等师范学校);Université Côte d’Azur(蔚蓝海岸大学);INRIA(法国国家信息与自动化研究所);Donders Institute for Brain, Cognition and Behaviour(唐德斯大脑、认知与行为研究所);Radboud University(拉德堡德大学)
本文提出基于度量学习和ladder loss的EEG领域特定嵌入方法,通过迁移学习在14名受试者数据上验证其可行性,以最小校准需求实现对新受试者的有竞争力解码性能。
2023-03-23 cs.LG eess.SP
Uncovering the structure of clinical EEG signals with self-supervised learning
Université Paris-Saclay(巴黎萨克雷大学);Inria(法国国家信息与自动化研究所);CEA(法国原子能和替代能源委员会);InteraXon Inc.(InteraXon公司);University of Helsinki(赫尔辛基大学);Max Planck Institute for Human Cognitive and Brain Sciences(马克斯·普朗克人类认知与脑科学研究所)
Objective.监督学习范式通常受到可用标记数据量的限制。这种现象在临床相关数据中尤其成问题,例如脑电图(EEG),其中标记在专业知识和人工处理时间方面可能是昂贵的。因此,设计用于在EEG数据上学习的深度学习架构产生了相对较浅的模型和性能,最多与传统的基于特征的方法相似。然而,在大多数情况下,未标记的数据是丰富的。通过从这些未标记的数据中提取信息,尽管对标签的访问有限,但深度神经网络可能会达到有竞争力的性能。Approach.我们研究了自监督学习(SSL),一种很有前途的技术,用于发现未标记数据中的结构,学习EEG信号的表示。具体来说,我们探讨了两个任务的基础上的时间上下文预测以及对比预测编码的两个临床相关的问题:基于EEG的睡眠分期和病理检测。我们在两个大型公共数据集上进行了实验,这些数据集有数千个记录,并使用纯监督和手工设计的方法进行了基线比较。主要结果。在SSL学习特征上训练的线性分类器在低标签数据体系中始终优于纯监督深度神经网络,同时在所有标签可用时达到竞争性性能。此外,用每种方法学习的嵌入揭示了与生理和临床现象相关的清晰的潜在结构,例如年龄效应。意义我们证明了自我监督学习方法对EEG数据的好处。我们的研究结果表明,SSL可能为在EEG数据上更广泛地使用深度学习模型铺平道路。
2020-07-31 cs.LG eess.SP q-bio.NC
EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network
在基于脑电图(EEG)的驾驶员困倦识别的背景下,设计免校准系统仍然具有挑战性,因为EEG信号在不同的受试者和记录会话之间变化显著。已经做出了许多努力来使用深度学习方法从EEG信号中识别精神状态。然而,现有的工作大多将深度学习模型视为黑箱分类器,而模型已经学习了什么,以及它们在多大程度上受到EEG数据中噪声的影响仍然没有得到充分的研究。在本文中,我们开发了一种新的卷积神经网络,结合了一种解释技术,允许对重要特征进行样本分析以进行分类。该网络具有紧凑的结构,并利用可分离卷积的优势,以处理的EEG信号的时空序列。结果表明,该模型在11名受试者上实现了78.35%的留一跨主体困倦识别平均准确率,高于传统基线方法的53.40%-72.68%和最先进的深度学习方法的71.75%-75.19%。解释结果表明,该模型已经学会从EEG信号中识别有生物意义的特征,例如,阿尔法纺锤波,作为不同受试者困倦的强烈指标。此外,我们还探讨了一些错误分类样本背后的解释技术的原因,并讨论了潜在的方法来提高识别精度。我们的工作说明了一个很有前途的方向,即使用可解释的深度学习模型从复杂的EEG信号中发现与不同精神状态相关的有意义的模式。
2022-02-18 cs.LG cs.NE eess.SP
Concept-based explainability for an EEG transformer model
Technical University of Denmark(丹麦技术大学);BrainCapture(BrainCapture公司)
本研究将概念激活向量方法应用于脑电图Transformer模型BENDR,通过外部标注数据集和解剖学定义概念两种机制形成概念,以增强模型可解释性并揭示其学习到的表示。
2024-08-22 cs.LG eess.SP stat.ML
Are EEG Sequences Time Series? EEG Classification with Time Series Models and Joint Subject Training
Institute for Computer Science, University of Hildesheim(希尔德斯海姆大学计算机科学学院)
本文系统比较EEG分类与通用时间序列分类模型,提出结合受试者嵌入的联合受试者条件训练方法,使现成时间序列模型在三个数据集中两个上达到或超过专用EEG模型性能。
2026-10-23 cs.LG eess.SP
A Novel Deep Learning Architecture for Decoding Imagined Speech from EEG
Indian Institute of Science(印度科学学院);Voice and Speech Systems(语音与言语系统公司)
深度学习领域的最新进展尚未被充分用于解码想象语音,主要是因为没有足够的训练样本来训练深度网络。在本文中,我们提出了一种新的架构,该架构采用深度神经网络(DNN)对ASU想象语音数据集中相应的EEG信号中的单词"in"和"cooperate"进行分类。九个EEG通道,最好地捕捉底层皮层活动,选择使用共同的空间模式(CSP),并被视为独立的数据向量。采用离散小波变换进行特征提取。据我们所知,到目前为止,DNN还没有被用作解码想象语音的分类器。将对应于每个想象的单词的所选EEG通道视为独立的数据向量有助于提供足够数量的样本来训练DNN。对于每个测试试验,通过对试验中考虑的各个通道的分类结果应用多数投票来获得最终类别标签。我们已经达到了与最先进的结果相媲美的精度。通过使用更高密度的EEG采集系统,结合其他深度学习技术(如长短期记忆),可以进一步改善结果。
2020-03-19 cs.LG eess.SP stat.ML
Convolutional Neural Network and Adversarial Autoencoder in EEG images classification
Innopolis University(因诺波利斯大学)
本文结合计算机视觉与神经网络方法,用于手部运动期间大脑活动的分类。通过预处理EEG信号生成2DEEG图谱,并采用监督和半监督神经网络进行分类。
2026-04-05 cs.LG
Multi-Scale Neural network for EEG Representation Learning in BCI
Korea University(高丽大学)
深度学习的最新进展对脑机接口研究产生了方法和实际影响。在各种深度网络架构中,卷积神经网络非常适合空间-频谱-时间脑电图信号表示学习。文献中描述的大多数现有的基于CNN的方法在具有重复的非线性操作的连续抽象级别上提取特征,并且涉及用于分类的密集连接层。然而,神经生理学的研究表明,EEG信号携带的信息在不同范围的频率分量。为了更好地反映EEG中的这些多频率特性,我们提出了一种新的深度多尺度神经网络,该网络发现多个频率/时间范围内的特征表示并提取电极之间的关系,即,空间表示,用于主体意图/条件识别。此外,通过用空间-频谱-时间信息完整地表示EEG信号,所提出的方法可以用于主动和被动脑机接口中的不同范例,这与主要关注单范例脑机接口的现有方法相反。为了证明我们所提出的方法的有效性,我们进行了各种范例的主动/被动BCI数据集的实验。我们的实验结果表明,所提出的方法实现了性能的改善时,判断对可比的国家的最先进的方法。此外,我们分析了所提出的方法使用不同的技术,如PSD曲线和相关分数检查,以验证多尺度EEG信号信息捕获能力,激活模式图调查学习的空间滤波器,和t-SNE绘图可视化表示的功能。最后,我们还展示了我们的方法的应用到现实世界的问题。
2020-03-02 cs.LG eess.SP stat.ML
MENDR: Manifold Explainable Neural Data Representations
MENDR提出基于黎曼流形Transformer的EEG基础模型,利用滤波器组和小波分解学习对称正定嵌入,实现可解释且参数高效的临床EEG分析。
2025-08-07 cs.AI cs.LG
EEG-to-fMRI synthesis of task-evoked and spontaneous brain activity: addressing issues of statistical significance and generalizability
Institute for Systems and Robotics – Lisboa and Department of Bioengineering, Instituto Superior Técnico, Universidade de Lisboa, Portugal(里斯本系统与机器人研究所及生物工程系,里斯本技术学院,里斯本大学,葡萄牙);Electrical and Computer Engineering Department, Carnegie Mellon University(电气与计算机工程系,卡内基梅隆大学)
本文探讨了EEG到fMRI合成中统计显著性和泛化性问题,通过训练分布式滞后线性模型,展示了EEG在预测任务诱发和自发脑活动中的有效性,但发现训练数据不同会话时预测能力下降。
2026-01-12 cs.LG q-bio.NC
ChronoNet: A Deep Recurrent Neural Network for Abnormal EEG Identification
IBM Research(IBM研究院)
与大脑有关的疾病,如癫痫,可以通过分析脑电图(EEG)来诊断。然而,EEG数据的手动分析需要训练有素的临床医生,并且是已知具有相对低的评估者间一致性(IRA)的程序。此外,数据量和新数据可用的速度使得人工解释成为一个耗时、资源匮乏和昂贵的过程。相比之下,EEG数据的自动分析提供了通过缩短诊断时间和减少手动错误来提高患者护理质量的潜力。在本文中,我们专注于解释EEG会话的第一步之一-识别大脑活动是否异常或正常。为了解决这个问题,我们提出了一种新的递归神经网络(RNN)架构,称为ChronoNet,它的灵感来自图像分类领域的最新发展,旨在有效地处理EEG数据。ChronoNet是通过堆叠多个1D卷积层,然后是深度门控递归单元(GRU)层形成的,其中每个1D卷积层使用多个指数变化长度的滤波器,并且堆叠的GRU层以前馈方式密集连接。我们使用最近发布的TUH异常EEG语料库数据集来评估ChronoNet的性能。与以前使用该数据集的研究不同,ChronoNet直接将时间序列EEG作为输入,并学习大脑活动模式的有意义的表示。ChronoNet的表现比之前报告的最佳结果高出7.79%,从而为该数据集设定了新的基准。此外,我们证明了ChronoNet的域独立性,成功地将其应用于语音命令分类。
2018-05-18 cs.LG eess.SP
EEGNet: A Compact Convolutional Network for EEG-based Brain-Computer Interfaces
U.S. Army Research Laboratory(美国陆军研究实验室);DCS Corporation(DCS公司);Columbia University(哥伦比亚大学);Georgetown University(乔治城大学)
脑机接口(BCI)能够使用神经活动作为控制信号与计算机直接通信。该神经信号通常选自各种被充分研究的脑电图(EEG)信号。对于给定的BCI范例,特征提取器和分类器被定制为其预期的EEG控制信号的不同特征,将其应用限制于该特定信号。已用于计算机视觉和语音识别的卷积神经网络(CNN)已成功应用于基于EEG的BCI;然而,它们主要应用于单个BCI范例,因此仍不清楚这些架构如何推广到其他范例。在这里,我们问我们是否可以设计一个单一的CNN架构,以准确地分类来自不同BCI范例的EEG信号,同时尽可能紧凑。在这项工作中,我们介绍了EEGNet,这是一个用于基于EEG的BCI的紧凑卷积网络。我们介绍了使用dependency和可分离卷积来构建一个EEG特定的模型,该模型封装了众所周知的脑机接口EEG特征提取概念。我们比较了EEGNet与当前最先进的四种BCI范式的方法:P300视觉诱发电位,错误相关负性反应(ERN),运动相关皮层电位(MRCP)和感觉运动节律(SMR)。我们表明,EEGNet的推广跨范例比参考算法时,只有有限的训练数据。我们展示了三种不同的方法来可视化训练的EEGNet模型的内容,以解释学习的功能。我们的研究结果表明,EEGNet足够强大,可以在一系列BCI任务中学习各种各样的可解释功能,这表明观察到的性能不是由于数据中的伪影或噪声源。
2018-05-16 cs.LG q-bio.NC stat.ML
Neuro-GPT: Towards A Foundation Model for EEG
University of Southern California(南加州大学);Université de Montréal(蒙特利尔大学);Mila (Quebec AI research institute)(米拉(魁北克人工智能研究所));UNIQUE (Quebec Neuro-AI research center)(UNIQUE(魁北克神经人工智能研究中心))
本文提出由 EEG 编码器与 GPT 组成的 Neuro-GPT 基础模型,通过掩码 EEG 片段重建进行自监督预训练,并在 9 名受试者的运动想象分类任务中证明其低数据场景下的性能优势。
2024-03-02 cs.LG eess.SP
EEG Representation Using Multi-instance Framework on The Manifold of Symmetric Positive Definite Matrices for EEG-based Computer Aided Diagnosis
Amirkabir University of Technology(阿米尔卡比尔理工大学);Atieh Clinical Neuroscience Center(阿提耶临床神经科学中心)
基于脑电(EEG)的计算机辅助诊断系统的通用性和鲁棒性是实际临床实践中的关键要求。为了实现这些目标,我们提出了一种新的EEG表示,通过应用多实例(MI)框架来考虑EEG信号的非平稳性,提供了一个更真实的大脑功能视图。通过将脑电信号描述为一组相关和不相关的概念,考虑了脑电信号的非平稳特性。这些概念由使用空间协方差矩阵的EEG信号的同质段的鲁棒表示提供。由于协方差矩阵的空间的非线性几何,我们确定的基础上自适应分割的信号在黎曼框架的均匀段的边界。每个主题被描述为一个袋的协方差矩阵的同质段和袋级的判别信息用于分类。为了评估所提出的方法的性能,我们研究它在注意缺陷多动/双相情感障碍检测和抑郁症/正常诊断应用。实验结果证实了该方法的优越性,这是由于协方差描述符的鲁棒性,黎曼几何的有效性,并考虑大脑固有的非平稳性质的好处。
2017-02-08 cs.LG
A spectral audit framework reveals task-dependent aperiodic reliance across EEG and ECG deep learning
Indian Knowledge Systems and Mental Health Applications (IKSMHA) Center, Indian Institute of Technology Mandi(印度理工学院曼迪分校印度知识体系与心理健康应用中心);School of Computing and Electrical Engineering, Indian Institute of Technology Mandi(印度理工学院曼迪分校计算与电气工程学院)
提出频谱审计框架,结合非周期/周期分解、相位保持傅里叶干预等,发现深度学习模型对非周期成分的依赖是任务依赖且架构通用的,在睡眠-觉醒分类中影响显著,临床异常检测中中等,运动想象中最小,并扩展到ECG。
2026-06-16 cs.LG eess.SP
Self-supervised EEG Representation Learning for Automatic Sleep Staging
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Relativity(Relativity公司);Harvard Medical School(哈佛医学院);Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心)
背景资料:深度学习模型通过从仔细注释的脑电图(EEG)数据中学习,在自动化睡眠医学任务方面取得了巨大成功。然而,有效地利用大量的原始EEG仍然是一个挑战。目的:在本文中,我们的目标是从大量未标记的EEG信号中学习鲁棒的矢量表示,以便学习的矢量化特征(1)具有足够的表达能力,可以取代睡眠分期任务中的原始信号;(2)在标签和噪声样本较少的情况下,提供比监督模型更好的预测性能。研究方法:我们提出了一个自监督模型,名为与世界表示的对比(ContraWR),用于EEG信号表示学习,它使用来自数据集的全局统计数据来区分与不同睡眠阶段相关的信号。在三个真实世界的EEG数据集上评估了ContraWR模型,这些数据集包括家庭和实验室EEG记录设置。结果:在3个大型EEG数据集上,ContraWR在睡眠分期任务上优于4种最近的自监督学习方法。当可用的训练标签较少时(例如,当标记的数据少于2%时,精度提高4%)。此外,该模型在2D投影中提供了信息丰富的代表性特征结构。结论:我们表明,ContraWR对噪声具有鲁棒性,可以为下游预测任务提供高质量的EEG表示。该模型可以推广到其他无监督的生理信号学习任务。未来的发展方向包括探索特定任务的数据增强,以及将自我监督与监督方法相结合,建立在本文自我监督学习的初步成功基础上。
2023-02-12 cs.AI cs.LG eess.SP
EEGFormer: Towards Transferable and Interpretable Large-Scale EEG Foundation Model
Microsoft Research(微软研究院)
针对现有 EEG 自监督模型数据单一、泛化不足且难解释的问题,本文提出在大规模复合 EEG 数据上预训练的基础模型 EEGFormer,实现跨任务可迁移表示、异常检测与模式可解释性。
2024-01-11 cs.AI cs.LG cs.MM
Domain-Invariant Representation Learning from EEG with Private Encoders
Dr. Ing. h.c. F. Porsche AG(保时捷股份公司);Ludwig-Maximilians University Munich(慕尼黑路德维希-马克西米利安大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Graz University of Technology(格拉茨工业大学);Silicon Austria Labs(奥地利硅实验室)
基于深度学习的脑电图(EEG)信号处理方法由于数据分布的变化而具有较差的测试时间泛化能力。当对隐私保护表示学习感兴趣时,例如在临床环境中,这成为更具挑战性的问题。为此,我们提出了一个多源学习架构,我们提取域不变的表示,从特定的私有编码器。我们的模型利用基于最大均值差异(MMD)的域对齐方法对编码表示施加域不变性,这在基于EEG的情感分类中优于最先进的方法。此外,在我们的管道中学习的表示保留了域隐私,因为特定于
2022-05-30 cs.CV cs.HC cs.LG
EEG aided boosting of single-lead ECG based sleep staging with Deep Knowledge Distillation
IIT Madras(印度理工学院马德拉斯分校)
脑电图(EEG)信号目前被接受为用于自动睡眠分期的标准。最近,通过基于深度学习(DL)的方法可以实现自动睡眠分期的接近人类的准确性,从而在该领域取得了多方面的进展。然而,基于EEG的睡眠分期需要广泛且昂贵的临床设置。此外,EEG设置本质上是突兀的并且需要专家进行设置,这增加了研究对象的不便,使得其在护理点设置中不利。心电图(ECG)是EEG的一种不显眼且更合适的替代方法。不出所料,与睡眠分期中的EEG相比,其性能仍然低于标准。为了利用这两种模式,将知识从EEG转移到ECG是一种合理的方法,最终提高基于ECG的睡眠分期的性能。知识蒸馏(KD)是DL中一个很有前途的概念,它将知识从表现优异但通常更复杂的教师模型共享到表现较差但紧凑的学生模型。基于这一概念,提出了一种跨模态KD框架,该框架通过在EEG上训练的模型来辅助学习特征,以提高基于ECG的睡眠分期性能。此外,为了更好地理解蒸馏方法,对所提出的模型的独立模块进行了广泛的实验。本研究使用了由200名受试者组成的蒙特利尔睡眠研究档案(MASS)数据集。3级和4级睡眠分级的加权F1评分结果分别显示了13.40%和14.30%的改善。该研究证明了KD用于基于单通道ECG的睡眠分期在3类(W-R-N)和4类(W-R-L-D)分类中的性能增强的可行性。
2022-11-18 cs.AI cs.LG eess.SP
EEG to fMRI Synthesis Benefits from Attentional Graphs of Electrode Relationships
INESC-ID(里斯本系统与计算机工程研究所);Instituto Superior Técnico(高等技术学院)
拓扑结构表示实体之间的连接,并提供复杂系统的全面设计。目前,这些结构用于发现神经元和血液动力学活动的相关性。在这项工作中,我们将它们与神经处理技术进行回归,使用电生理活动检索血流动力学。为此,我们使用傅立叶特征,注意机制,共享空间之间的形式和纳入风格的潜在代表性。通过结合这些技术,我们提出了几个模型,显着优于当前国家的最先进的这项任务,在休息状态和基于任务的记录设置。我们报告了哪些EEG电极与回归任务最相关,哪些关系对其影响最大。此外,我们观察到,血液动力学活动在头皮,与皮层下区域相比,是相关的学习共享空间。总体而言,这些结果表明,EEG电极关系是关键,以保留必要的信息,血流动力学活动检索。
2022-03-07 cs.LG q-bio.NC
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
Adaptive Segmentation of EEG for Machine Learning Applications
The University of Melbourne(墨尔本大学);School of Computing and Information Systems(计算与信息系统学院);Department of Biomedical Engineering(生物医学工程系)
提出基于EEG统计差异生成可变长度片段的CTXSEG,并通过CTXGEN合成数据和癫痫发作检测任务验证其优于固定长度分割。
2025-08-28 cs.LG eess.SP q-bio.NC
Interpretable EEG Microstate Discovery via Variational Deep Embedding: A Systematic Architecture Search with Multi-Quadrant Evaluation
School of Computer Science and Information Technology(计算机科学与信息技术学院);University College Cork(科尔克大学);Artificial Intelligence and Cognitive Load Research Lab(人工智能与认知负荷研究实验室);Insight RI Research Centre for Data Analytics(洞察RI数据分析研究中心)
本文提出Conv-VaDE模型,通过联合学习拓扑重建和概率软聚类,提升EEG微状态的可解释性与稳定性,通过系统性架构搜索发现深度L=4和小潜变量维度的配置最优。
2026-05-13 cs.LG q-bio.NC
CropCat: Data Augmentation for Smoothing the Feature Distribution of EEG Signals
Korea University(高丽大学)
脑机接口(Brain-computer interface,BCI)是一种在不使用物理控制设备的情况下,反映人的意图的人与计算机之间的通信系统。由于深度学习在从数据中提取特征方面是鲁棒的,因此通过应用深度学习来解码脑电图的研究已经在BCI领域取得了进展。然而,深度学习在BCI领域的应用存在数据缺乏和过度自信的问题。为了解决这些问题,我们提出了一种新的数据增强方法,CropCat。CropCat包含两个版本,CropCat-spatial和CropCat-temporal。我们设计了我们的方法,通过在裁剪数据之后连接裁剪的数据,这些数据在空间和时间轴上具有不同的标签。此外,我们根据裁剪长度的比例调整了标签。因此,从我们提出的方法所产生的数据有助于修改模糊的决策边界到明显的数据缺乏造成的。由于所提出的方法的有效性,四个EEG信号解码模型的性能提高了在两个运动想象的公共数据集相比,当所提出的方法不被应用。因此,我们证明了CropCat生成的数据在训练模型时平滑了EEG信号的特征分布。
2022-12-13 cs.AI cs.LG eess.SP
Decoding Brain Representations by Multimodal Learning of Neural Activity and Visual Features
University of Catania(卡塔尼亚大学);University of Central Florida(中佛罗里达大学)
这项工作提出了一种探索人脑视觉表征的新方法,以期在机器中复制这些过程。其核心思想是通过将人类神经活动与自然图像相关联来学习合理的计算和生物表示。因此,我们首先提出了一个模型,EEG-MeselNet,学习脑流形EEG分类。在验证了可以从EEG数据中提取视觉信息之后,我们引入了一种多模态方法,该方法使用在连体配置中训练的深度图像和EEG编码器来学习联合流形,该联合流形最大化视觉特征和大脑表示之间的兼容性度量。然后,我们进行图像分类和显着性检测的学习流形。性能分析表明,我们的方法令人满意的解码视觉信息的神经信号。反过来,这可以用来有效地监督深度学习模型的训练,正如图像分类和训练外类显着性检测的高性能所证明的那样。所获得的结果表明,学习的大脑视觉特征可以提高性能,同时使深度模型更符合与视觉感知和注意力相关的认知神经科学工作。
2020-04-18 cs.CV cs.LG q-bio.NC
Interpretable SincNet-based Deep Learning for Emotion Recognition from EEG brain activity
University of Trento(特伦托大学);Mila - Quebec Artifical Intelligence Institute(Mila -魁北克人工智能研究所);StonyBrook University(石溪大学)
机器学习方法,如深度学习,在医疗领域显示出有希望的结果。然而,这些算法缺乏可解释性可能会阻碍其适用于医疗决策支持系统。本文研究了一种可解释的深度学习技术,称为SincNet。SincNet是一个卷积神经网络,通过可训练的sinc-function有效地学习定制的带通滤波器。在这项研究中,我们使用SincNet来分析自闭症谱系障碍(ASD)患者的神经活动,他们在神经振荡活动中经历了特征性差异。特别是,我们提出了一种新的SincNet为基础的神经网络检测情感ASD患者使用EEG信号。可以很容易地检查学习的滤波器,以检测EEG频谱的哪一部分用于预测情绪。我们发现,我们的系统自动学习高$α$(9-13 Hz)和$β$(13-30 Hz)频带抑制通常存在于ASD患者中。这一结果与最近关于情绪识别的神经科学研究相一致,该研究发现这些带状supply-and-behavioral deficits与ASD患者的行为缺陷之间存在关联。在不牺牲情感识别性能的情况下,实现了SincNet的可解释性改进。
2021-07-18 cs.AI cs.HC cs.LG
Seizure Detection using Least EEG Channels by Deep Convolutional Neural Network
Bilkent University(比尔肯特大学);Institute for Infocomm Research(信息通信研究院);KK Women's and Children's Hospital(KK妇女儿童医院)
这项工作的目的是开发一个端到端的解决方案,癫痫发作检测。我们设计了SeizNet,一种用于癫痫发作检测的卷积神经网络。为了将SeizNet与传统的机器学习方法进行比较,使用支持向量机(BPsvm)的频谱带功率特征实现了基线分类器。我们通过分别使用所有通道和两个通道设置评估SeizNet和BPsvm方法,探索使用最少数量的通道进行准确癫痫发作检测的可能性。EEG数据采集自KK妇女儿童医院收治的29名被诊断为典型失神发作的儿童患者。我们对所有受试者进行留一交叉验证。使用全通道数据,BPsvm产生的灵敏度为86.6%和0.84假警报(每小时),而SeizNet产生的总体灵敏度为95.8%和0.17假警报。更有趣的是,双通道的BPSNet优于全通道的BPsvm,灵敏度为93.3%,虚警为0.58。我们通过解码沿着卷积层学习的过滤器来进一步研究SeizNet的可解释性。在来自第三和第四卷积层的滤波器中可以清楚地观察到类似癫痫发作的特征。
2019-01-14 cs.CV cs.LG eess.SP
Real-Time EEG Classification via Coresets for BCI Applications
University of Haifa(海法大学);Technion IIT(以色列理工学院)
基于运动想象范式的脑机接口通过对不同任务的脑电信号进行分类,将人的运动意图转化为控制信号。然而,大多数现有系统或者(i)使用高质量算法来离线训练数据并且仅实时的运行分类,因为离线算法太慢,或者(ii)使用对于实时的训练足够快但引入相对大的分类误差的低质量分类。在这项工作中,我们提出了一种新的处理流水线,允许使用高质量但可能效率低下的算法对EEG信号进行实时的和并行学习。这是通过在BCI和核心集之间建立联系来实现的,核心集是一种起源于计算几何的技术,用于通过数据汇总处理流数据。我们提出了一种算法,该算法保持了这样的coreset表示量身定制,以处理EEG信号,这使得:(i)对信号的核心表示的公共空间模式(CSP)特征提取方法的实时的和连续计算(而不是信号本身),(ii)通过在coreset上应用CSP算法,以及(iii)将数据试验(EEG数据窗口)实时的形添加到核心集。为了简单起见,我们专注于CSP算法,这是一个经典的算法。尽管如此,我们希望我们的coreset将在未来的论文中扩展到其他算法。在实验结果中,我们表明,我们的系统确实可以学习脑电信号在实时的例如64通道设置与数百个时间样本每秒。完全开放源代码的实验重现,并希望它将被使用和扩展到更多的核心集和BCI应用程序在未来。
2019-01-02 cs.DS cs.LG eess.SP
EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification
University of Essex(埃塞克斯大学);University of Jaén(哈恩大学)
近年来,神经网络,特别是深层架构在脑机接口(BCI)领域的脑电信号分析中受到了极大的关注。在这个正在进行的研究领域,端到端模型比需要信号变换预分类的传统方法更受欢迎。它们可以消除对专家先验信息的需求,也不需要提取手工特征。然而,尽管文献中已经提出了几种深度学习算法,实现了对运动运动或心理任务进行分类的高准确性,但它们往往缺乏可解释性,因此不太受神经科学界的青睐。这个问题背后的原因可能是大量的参数和深度神经网络捕捉微小但不相关的判别特征的敏感性。我们提出了一个端到端的深度学习架构,称为EEG-ITNet和一个更容易理解的方法来可视化网络学习的模式。使用初始模块和具有膨胀的因果卷积,我们的模型可以从多通道EEG信号中提取丰富的频谱,空间和时间信息,其复杂性(就可训练参数的数量而言)低于其他现有的端到端架构,如EEG-Inception和EEG-TCNet。通过对BCI竞赛IV的数据集2a和OpenBMI运动图像数据集的详尽评估,与竞争对手相比,EEG-ITNet在不同场景下的分类准确率提高了5.9%,具有统计学意义。我们还从神经科学的角度全面解释和支持网络图示的有效性。我们还在https://github.com/AbbasSalami/EEG-ITNet上公开了代码
2022-04-14 cs.AI cs.LG q-bio.NC
Decoding EEG Speech Perception with Transformers and VAE-based Data Augmentation
Carnegie Mellon University(卡内基梅隆大学)
本研究利用VAE和变换器模型提升EEG语音解码性能,通过数据增强和序列到序列架构改进语音感知任务。
2025-12-29 cs.CL cs.HC cs.LG
Decoding Human Emotions: Analyzing Multi-Channel EEG Data using LSTM Networks
PES University, Bengaluru, India(班加罗尔印度PES大学)
本研究将 LSTM 网络应用于 DEAP 数据集的多通道 EEG 信号分析,以提升效价、唤醒度等情感状态分类的准确率,在各项指标上均取得约 90% 的准确率,显著提升了情感识别能力。
2024-08-19 cs.AI cs.HC cs.LG
Transformer-based EEG Decoding: A Survey
School of Software, Northwestern Polytechnical University(软件学院,西北工业大学)
本文系统综述了Transformer在脑电解码中的应用,按架构演变梳理其直接应用、混合架构与结构改进,并展望挑战与前景。
2025-07-03 cs.HC cs.LG
Towards Best Practice of Interpreting Deep Learning Models for EEG-based Brain Computer Interfaces
Zhejiang Lab(之江实验室);Nanyang Technological University(南洋理工大学);Brainnetome Center(脑科学与智能技术卓越创新中心)
针对 EEG-BCI 深度学习模型解释可信度不明的问题,本文定量评估多种解释技术,分析影响解释质量的因素,并提出一套可理解、可信的解释流程。
2023-04-18 cs.HC cs.LG cs.NE
NeuroECG: ECGFounder-Based Deep ECG Representation for EEG-Free Neurological Prognostication After Cardiac Arrest
本研究提出NeuroECG,利用预训练心电图基础模型ECGFounder进行微调,结合分位数池化和PCA,在心脏骤停后无需脑电图的情况下,通过床旁心电图深度特征与临床协变量融合,实现高精度神经预后预测(AUROC 0.8077)。
2026-09-30 cs.AI cs.LG
Learning Generative Factors of EEG Data with Variational auto-encoders
Helmholtz-Zentrum Dresden-Rossendorf(德累斯顿亥姆霍兹研究中心);TU Dresden(德累斯顿工业大学);University Medical Center Hamburg-Eppendorf(汉堡-埃彭多夫大学医学中心)
脑电图产生高维随机数据,从中提取有关感兴趣现象的高级知识可能具有挑战性。我们通过应用变分自动编码器的框架来解决这一挑战,以1)对多种病理进行分类,2)以数据驱动的方式恢复这些病理的神经机制。我们的框架学习与病理学相关的数据的生成因素。我们提供了一种算法来进一步解码这些因素,并发现不同的病理如何影响观察到的数据。我们说明了所提出的方法来识别精神分裂症的适用性,无论是其次是听觉言语幻觉。我们进一步证明了该框架学习与当前领域知识一致的疾病相关机制的能力。我们还比较了建议的框架与几个基准方法,并表明其分类性能和可解释性的优势。
2022-08-17 cs.LG q-bio.NC
An Explainable Model for EEG Seizure Detection based on Connectivity Features
American University of Beirut(贝鲁特美国大学)
癫痫是一种以癫痫发作为特征的疾病,通过记录脑电活动来研究脑电信号。大脑不同部分之间的不同类型的通信的特征在于可以是定向和非定向的许多现有技术的连接性测量。我们建议采用一组无向(谱矩阵,谱矩阵的逆,相干性,部分相干性和锁相值)和定向特征(定向相干性,部分定向相干性)来学习深度神经网络,该网络检测特定数据窗口是否属于癫痫发作,这是标准癫痫发作分类的新方法。将我们的数据作为十个子窗口的序列,我们的目标是使用注意力、CNN、BiLstm和全连接层来设计一个最佳的深度学习模型。我们还使用基于特定层的感受野的激活值的学习模型的权重来计算相关性。我们最好的模型架构导致97.03%的准确率使用平衡的MITBIH数据子集。此外,我们能够解释所有患者中每个特征的相关性。我们能够通过研究激活对决定的影响来实验性地验证一些关于癫痫发作的科学事实。
2020-09-26 cs.LG
CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations
Guangdong Provincial Key Laboratory of AI Large Model and Intelligent Cognition(人工智能大模型与智能认知广东省重点实验室);School of Computer Science and Engineering(计算机科学与工程学院);South China University of Technology(华南理工大学);Pazhou Lab(琶洲实验室);Engineering Research Center of the Ministry of Education on Health Intelligent Perception and Paralleled Digital-Human(教育部健康智能感知与平行数字人工程研究中心)
针对现有脑电预训练方法仅利用单视图语义、难以捕捉多视图交互的问题,提出CRIA框架,通过可变长度/通道编码、交叉注意力融合时间-频谱-空间特征及信息瓶颈掩蔽策略,在Temple和CHB-MIT数据集上取得领先性能。
2025-06-19 cs.AI cs.LG
Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data
Coventry University(考文垂大学);University of Sheffield(谢菲尔德大学);Royal Devon and Exeter NHS Foundation Trust(皇家德文和埃克塞特国民保健服务基金会信托)
提出自适应门控图卷积网络(AGGCN),结合卷积特征增强与相关性度量自适应学习脑图结构,在EEG数据上实现高精度且可解释的阿尔茨海默病诊断。
2023-09-27 cs.AI cs.LG cs.NE
The signature of robot action success in EEG signals of a human observer: Decoding and visualization using deep convolutional neural networks
Albert-Ludwigs-University Freiburg(弗莱堡阿尔伯特-路德维希大学);University Medical Center Freiburg(弗莱堡大学医学中心)
机器人辅助设备在我们的工作和日常生活中的重要性越来越大。涉及机器人和人类的合作场景需要安全的人机交互。这里的一个重要方面是机器人错误的管理,包括快速准确的在线机器人错误检测和纠正。分析来自与机器人交互的人类的大脑信号可能有助于识别机器人错误,但这种分析的准确性仍有很大的改进空间。在本文中,我们评估是否一种新的框架的基础上,深度卷积神经网络(深度ConvNets)可以提高解码机器人错误的准确性从EEG的人类观察者,无论是在一个对象的抓取和倾倒任务。我们发现,深度ConvNets达到了比正则化线性判别分析(rLDA)和滤波器组共同空间模式(FB-CSP)与rLDA相结合的更高的准确率,这两种方法都被广泛使用。深度ConvNets在错误与正确试验的解码中达到了75% +/-9%,rLDA 65% +/- 10%和FB-CSP + rLDA 63% +/- 6%的平均准确率。通过ConvNets学习的时域EEG特征的可视化来解码错误,揭示了反映两种实验范式之间差异的时空模式。在所有受试者中,ConvNet解码准确度与rLDA获得的准确度显著相关,但与CSP无关,这表明在目前的情况下,ConvNet表现得更像“rLDA”(但始终更好),而在之前的解码研究中,另一项任务但相同的ConvNet架构,它被发现表现得更像“CSP”。因此,我们的研究结果为以下假设提供了进一步的支持:深度ConvNet…
2017-11-16 cs.HC cs.LG cs.RO
xEEGNet: Towards Explainable AI in EEG Dementia Classification
Department of Neuroscience, University of Padua(帕多瓦大学神经科学系);Padua Neuroscience Center(帕多瓦神经科学中心);Department of Information Engineering, University of Padua(帕多瓦大学信息工程系);Department of Physics and Astronomy, University of Padua(帕多瓦大学物理与天文学系);Information Systems Institute, University of Applied Sciences Western Switzerland (HES-SO Valais)(瑞士西部应用科学大学信息系统研究所)
xEEGNet通过减少参数和提升可解释性,在EEG痴呆分类中实现了高性能和低过拟合,展示了小型架构的有效性。
2025-04-30 cs.AI cs.LG
Investigating the Impact of Rational Dilated Wavelet Transform on Motor Imagery EEG Decoding with Deep Learning Models
Department of Electrical, Electronic and Computer Engineering (DIEEI), University of Catania, 95123 Catania, Italy(意大利卡塔尼亚大学电气、电子与计算机工程系);Department of Engineering, University of Palermo, 90128 Palermo, Italy(意大利巴勒莫大学工程系)
本研究评估有理离散小波变换作为运动想象脑电解码的预处理步骤,在四个深度学习模型和三个数据集上显示平均准确率和kappa的增益,尤其对挑战性受试者有效。
2025-10-10 cs.HC cs.LG
Genetic algorithm for feature selection of EEG heterogeneous data
University of Milano-Bicocca(米兰比可卡大学)
本研究提出一种用于EEG异构数据特征选择的遗传算法,设计了三种不依赖专家知识的适应度函数,在认知负荷和运动/意象数据集上表现优于基准技术,有效提升了整体性能和特征降维效果。
2023-01-17 cs.LG cs.NE