Brain-Conditioned Action Policies for Neural Motor Decoding
The Chinese University of Hong Kong(香港中文大学);University of Hong Kong(香港大学)
针对神经运动解码中配对数据稀缺问题,提出BrainVLA框架,通过语言对齐将神经活动映射至预训练VLA策略,经LoRA微调与神经编码器实现高效跨会话解码,提升成功率与数据效率。
2026-09-29 cs.LG
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
Inter-subject Deep Transfer Learning for Motor Imagery EEG Decoding
Imperial College London(帝国理工学院)
卷积神经网络(CNN)已经成为解码EEG的强大技术,并且已经成为运动想象EEG脑机接口(BCI)解码的基准。然而,在不降低个体性能的情况下对多个受试者的EEG进行训练CNN仍然具有挑战性。这被称为负迁移问题,即从不同的分布中学习会导致CNN错误地表示它们中的每一个,而不是学习更丰富的表示。因此,CNN不能直接使用多个受试者的EEG来直接增强模型性能。为了解决这个问题,我们将深度迁移学习技术扩展到EEG多主题训练案例。我们提出了一种多分支深度传输网络,即分离-公共-分离网络(SCSN),该网络基于为单个主题拆分网络的特征提取器。我们还探讨了将最大均值差异(MMD)应用于SCSN(SCSN-MMD)的可能性,以更好地对齐来自各个特征提取器的特征分布。在BCI Competition IV 2a数据集(BCICIV 2a数据集)和我们的在线记录数据集上对所提出的网络进行了评估。结果表明,提出的SCSN(81.8%,53.2%)和SCSN-MMD(81.8%,54.8%)优于基准CNN(73.4%,48.8%)在两个数据集上使用多个主题。我们提出的网络显示了利用更大的多学科数据集训练EEG解码器而不受负传递影响的潜力。
2021-03-09 cs.LG
Domain Adaptation-Enhanced Searchlight: Enabling classification of brain states from visual perception to mental imagery
University of the Basque Country (UPV/EHU)(巴斯克大学(UPV/EHU));Basque Center for Cognition, Brain and Language (BCBL)(巴斯克认知、大脑与语言中心);Ikerbasque, Basque Foundation for Science(伊克尔巴斯克基金会(巴斯克科学基金会))
本研究提出基于领域自适应(DA)增强的探照灯分析方法,利用18名受试者fMRI数据训练模型预测想象刺激,显著提升了二分类和多分类的表象预测性能,并成功识别出视觉皮层和额顶皮层等高度分布的脑区。
2025-01-27 cs.LG q-bio.NC
Subject-Adaptive Transfer Learning Using Resting State EEG Signals for Cross-Subject EEG Motor Imagery Classification
Daegu Gyeongbuk Institute of Science and Technology(大邱庆北科学技术院);University of Pennsylvania(宾夕法尼亚大学);Harvard Medical School(哈佛医学院)
针对EEG运动想象分类中受试者间变异性导致的任务信号采集成本高的问题,提出利用静息态EEG信号的受试者自适应迁移学习策略,通过特征解耦与信号校准实现模型适配,在三个基准上取得最优准确率,推动脑机接口实用化。
2024-07-09 cs.AI cs.LG eess.SP
Stacked LoRA for Subject-Adaptive EEG Foundation Models in Motor Imagery Decoding
IMT Atlantique, Lab-STICC(法国布雷斯特的IMT大西洋学院,Lab-STICC实验室)
脑机接口的脑电图解码面临受试者间差异大的挑战。基于现有脑电基础模型,研究不同低秩适应策略对运动想象分类的影响,提出堆叠式LoRA框架,有效减轻受试者间差异,在多数组合中获最佳准确率。
2026-07-07 cs.LG
Lightweight Adaptation of EEG Foundation Models for Stroke Motor Imagery Decoding: Domain Shift and Subject-Level Robustness
University of Pennsylvania(宾夕法尼亚大学);School of Engineering and Applied Science(工程与应用科学学院)
该研究利用LoRA轻量适配EEG基础模型,发现健康人群模型无法可靠迁移至脑卒中EEG,仅提升模型容量无益,需目标域适配与受试者级评估以构建脑卒中康复BCI
2026-09-02 cs.CE cs.LG
Characterization of Speech Imagery in Scalp EEG and Comparison with Motor Imagery
KU Leuven(荷语鲁汶大学);Shanghai Advanced Research Institute, Chinese Academy of Sciences(中国科学院上海高等研究院)
本研究通过头皮脑电分析言语想象的时空特征,并与手指运动想象对比,发现言语想象呈现更弱、更分散的α波增强,分类准确率较低,表明其主导模式不同于运动想象,更接近非发音任务相关活动。
2026-08-04 eess.SP
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
Motor Imagery Classification of Single-Arm Tasks Using Convolutional Neural Network based on Feature Refining
Korea University(高丽大学)
脑机接口(BCI)解码大脑信号以理解用户意图和状态。由于其简单、安全的数据采集过程,脑电图(EEG)被广泛应用于无创脑机接口。运动想象(MI)是脑电的一种范式,由于其信号来源,常用于运动功能的恢复或康复。然而,EEG信号是振荡的和非平稳的信号,这使得难以准确地收集和分类MI。在这项研究中,我们提出了一个频带功率特征细化卷积神经网络(BFR-CNN),它是由两个卷积块,以实现高的分类精度。通过采集脑电信号建立包含单臂运动想象的MI数据集,该模型在4类MI任务分类中优于传统方法。因此,我们证明了使用BFR-CNN仅使用具有鲁棒性能的EEG信号就可以解码用户意图。
2020-02-04 cs.HC cs.LG eess.SP
MutualGraphNet: A novel model for motor imagery classification
Zhejiang University(浙江大学);Maebashi Institute of Technology(前桥工业大学);Monash University(莫纳什大学);Ningbo Research Institute, Zhejiang University(浙江大学宁波研究院)
运动想象分类对行动障碍者具有重要意义,如何从运动想象脑电通道中提取和利用有效特征一直是人们关注的焦点。运动想象的分类方法很多,但由于对人脑的认识有限,需要更有效的方法来提取脑电信号的特征。图神经网络(GNN)已经证明了它在分类图结构方面的有效性; GNN的使用为大脑结构连接特征提取提供了新的可能性。在本文中,我们提出了一种基于原始脑电信号通道互信息的新型图神经网络,称为MutualGraphNet。利用互信息作为邻接矩阵,结合时空图卷积网络(ST-GCN),可以更有效地提取运动想象脑电通道数据的转换规则。在运动想象EEG数据集上进行了实验,并将我们的模型与当前最先进的方法进行了比较,结果表明MutualGraphNet足够强大,可以学习可解释的特征,并且优于当前最先进的方法。
2021-09-02 cs.LG eess.SP q-bio.NC
Research on Event-Related Desynchronization of Motor Imagery and Movement Based on Localized EEG Cortical Sources
本研究利用sLORETA分析33名受试者运动想象与实际运动时的EEG皮层源,发现两者在Mu和Beta频带均引发显著ERD,且运动想象在感觉运动区激活更强,但差异不显著。
2025-02-27 eess.SP q-bio.NC
Emotion-robust EEG Classification for Motor Imagery
Technical University of Munich(慕尼黑工业大学)
脑机接口(BCIs)的发展正在通过在辅助系统中的使用来增强那些患有严重身体疾病的人的能力。实现这一目标的常用方法是通过运动想象(MI),它将大脑信号映射到某些命令的代码。脑电图(EEG)由于其非侵入性而优选用于记录脑信号数据。尽管具有潜在的实用性,但MI-BCI系统仍仅限于研究实验室。造成这种情况的一个主要原因是这种系统缺乏鲁棒性。正如两个团队在Cybathlon 2016期间所假设的那样,系统脆弱性的一个特殊来源是受试者情绪唤醒状态的急剧变化。这项工作旨在使MI-BCI系统对这种情绪扰动具有弹性。为此,受试者在记录EEG数据之前暴露于高唤醒和低唤醒诱导的虚拟现实(VR)环境。COVID-19的出现迫使我们修改我们的方法。我们没有训练机器学习算法来对情绪唤醒进行分类,而是选择对作为每个状态代理的对象进行分类。此外,MI模型针对每个受试者而不是每个唤醒状态进行训练。由于培训受试者使用MI-BCI可能是一个艰巨而耗时的过程,因此减少这种可变性并提高鲁棒性可以大大加快BCI支持的辅助技术的接受和采用。
2020-05-23 cs.HC cs.LG eess.SP
Unsupervised Adaptive Deep Learning Method For BCI Motor Imagery Decoding
IMT Atlantique(大西洋电信学院);Lab-STICC(STICC实验室);CNRS(法国国家科学研究中心)
提出一种无需监督的在线自适应深度学习方法,通过冻结模型并基于流式观测连续重新对齐输入与潜在空间数据,在跨被试运动想象脑电解码中达到离线性能水平。
2024-03-15 cs.LG eess.SP
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
An Accurate EEGNet-based Motor-Imagery Brain-Computer Interface for Low-Power Edge Computing
ETH Zürich(苏黎世联邦理工学院);University of Bologna(博洛尼亚大学)
本文提出了一种精确和鲁棒的嵌入式运动想象脑机接口(MI-BCI)。所提出的基于EEGNet的新模型符合低功耗微控制器单元(MCU)(如ARM Cortex-M系列)的内存占用和计算资源要求。此外,本文提出了一组方法,包括时间下采样,通道选择和缩小分类窗口,以进一步缩小模型,以放松内存要求,精度下降可以忽略不计。在Physionet EEG运动/图像数据集上的实验结果表明,标准EEGNet在全局验证中对2类、3类和4类MI任务的分类准确率分别为82.43%、75.07%和65.07%,比最先进的(SoA)卷积神经网络(CNN)高出2.05%、5.25%和5.48%。我们的新方法进一步缩小了标准EEGNet,精度损失为0.31%,内存占用减少了7.6倍,精度损失为2.51%,减少了15倍。缩放模型部署在商用Cortex-M4 F MCU上,操作最小模型需要101 ms,每个推理消耗4.28 mJ,中型模型需要44 ms,每个推理消耗18.1 mJ,实现完全自主,可穿戴和准确的低功耗BCI。
2023-01-16 cs.HC cs.LG eess.SP
Towards Asynchronous Motor Imagery-Based Brain-Computer Interfaces: a joint training scheme using deep learning
本文将深度学习(DL)方法应用于基于异步电机图像的脑机接口(BCI)的联合训练方案。所提出的DL方法是一维卷积神经网络和全连接神经网络(CNN-FC)的级联。重点是三种类型的大脑反应:非意象EEG(\textit{background EEG}),(\textit{pure imagery})EEG,和EEG在背景EEG和纯意象(\textit{transitional imagery})之间的过渡期。过渡图像信号的研究应该提供更深入的了解现实世界的情况。由此可以推断,单纯脑电表象和过渡脑电表象分别是高功率脑电表象和低功率脑电表象。此外,从CNN-FC的结果进行了比较,传统的方法为运动图像-BCI,即共同的空间模式(CSP)的特征提取和支持向量机(SVM)的分类(CSP-SVM)。在联合训练方案下,纯和过渡图像被视为同一类,而背景EEG是另一类。十倍交叉验证用于评估联合训练方案是否显着提高了从背景EEG中分类纯和过渡图像信号的性能任务。使用稀疏的几个电极通道($C_{z}$、$C_{3}$和$C_{4}$),CNN-FC和CSP-SVM的平均准确率分别达到71.52%和70.27%。另一方面,在没有联合训练方案的情况下,CNN-FC和CSP-SVM的平均准确率分别仅为62.68%和52.41%。
2018-08-31 cs.HC eess.SP q-bio.NC
Enhanced motor imagery-based EEG classification using a discriminative graph Fourier subspace
图像信号处理是处理不规则区域的一种方法,在脑图像分析中得到了广泛的关注。运动想象任务被广泛用于脑-机接口(BCI)系统中,该系统使用从脑电信号中提取的特征来执行分类。本文提出了一种基于一般特征处理的两类运动想象任务分类方法。所提出的方法利用两个矩阵的同时对角化,量化来自每个类的数据的图谱表示的协方差结构,提供一个判别子空间,从数据中提取独特的功能。在BCI竞赛III的数据集IVa上评估了所提出方法的性能。实验结果表明,该方法优于两个国家的最先进的替代方法。
2022-01-23 eess.SP
Divergence Framework for EEG based Multiclass Motor Imagery Brain Computer Interface
与大多数真实世界的数据类似,EEG信号中普遍存在的非平稳性显著干扰了特征分布,从而恶化了脑机接口的性能。在这封信中,提出了一种新的方法,基于联合近似对角化(JAD),以优化多类运动想象脑机接口(BCI)的平稳性在信息论的框架。具体而言,在所提出的方法中,我们估计优化类之间的可辨别性,同时保持运动想象类内的平稳性的子空间。我们确定所提出的方法,通过优化正交流形上的梯度下降的子空间。所提出的平稳性执行算法的性能进行比较,基线一对休息(OVR)-CSP和JAD公开可用的BCI竞争IV数据集IIa。结果表明,在基线算法的平均分类精度的提高,从而缓解会话内的非平稳性的本质。
2019-01-12 cs.HC eess.IV eess.SP
Mu-suppression detection in motor imagery electroencephalographic signals using the generalized extreme value distribution
研究脑-机接口(BCI)中脑电信号中μ抑制的检测问题。为此,提出了一种基于统计模型和线性分类器的有效算法。更准确地说,广义极值分布(GEV)被提出来表示中央运动皮层的脑电信号的功率谱密度。使用最大似然法估计相关的三个参数。基于这些参数,一个简单而有效的线性分类器被设计成三种类型的事件:意象,运动,和休息。初步结果表明,所提出的统计模型可以用来准确地检测μ抑制和区分不同的EEG事件,具有很好的分类精度。
2020-05-29 eess.SP stat.AP stat.ML
Applying Dimensionality Reduction as Precursor to LSTM-CNN Models for Classifying Imagery and Motor Signals in ECoG-Based BCIs
本研究提出利用无监督降维技术 UMAP 结合 KNN 作为预处理步骤,评估并减少对 LSTM 和 CNN 等监督深度学习方法的依赖,以优化基于 ECoG 的 BCI 运动意象分类,提升康复效率并解决监管与安全问题。
2023-11-22 cs.HC cs.LG eess.SP
The evolution of AI approaches for motor imagery EEG-based BCIs
University of Milano-Bicocca(米兰比可卡大学);NeuroMI, Milan Center for Neuroscience(米兰神经科学中心 NeuroMI);University of Insubria(因苏布里亚大学)
本文综述了人工智能方法在基于运动想象脑电的脑机接口数据上的演进与影响,分析了不同年份和设备收集的数据集,强调了AI在提供用户反馈中的重要性。
2022-10-11 cs.AI cs.HC cs.LG
Cross-Correlation Based Discriminant Criterion for Channel Selection in Motor Imagery BCI Systems
Objective.许多基于脑电(EEG)的脑机接口(BCI)系统为了获得更高的性能而使用大量的通道,这是建立耗时且不便于实际应用的。找到一个最佳的子集的通道,而不损害性能是一个必要的和具有挑战性的任务。Approach.在这篇文章中,我们提出了一个基于互相关的判别准则(XCDC),它评估的重要性,区分不同的运动想象(MI)任务的心理状态的通道。根据所提出的标准对信道进行排序和选择。在两个运动想象脑电数据集上评估了XCDC的功效。主要结果。在这两个数据集中,与全通道设置相比,XCDC显着减少了通道数量,而不会影响分类准确性。在相同的精度约束下,该方法比现有的基于皮尔逊相关系数和共同空间模式的信道选择方法需要更少的信道。XCDC的可视化显示与神经生理学原理一致的结果。意义本文提出了一种量化的脑电通道在MI任务中的重要性评估和排序标准,并为MI BCI系统校准阶段的通道选择提供了一种实用的方法,从而降低了后续步骤的计算复杂度和配置难度,使BCI系统实时性和使用方便性得到提高。
2021-03-03 cs.LG eess.SP
An EEG pre-processing technique for the fast recognition of motor imagery movements
本文提出了一种新的运动想象脑电信号预处理方法。该技术导致在康复设备的基于大脑的实时控制的要求所施加的时间限制内加速确定图像运动和执行该图像运动的命令,从而使得根据患者的意愿驱动这些设备是可行的。基于运动想象的事件相关去噪和同步(ERD/ERS),接收到的患者信号首先经历与正常人类活动(例如眨眼和心脏运动)相对应的环境、系统和干扰噪声的去除。接下来,将处理后的信号的功率和能量特征与来自可用数据库的分类信号的相同特征进行比较,并且识别处理后的信号所属的类别。数据库分类是通过使用支持向量机算法离线。
2018-05-08 eess.SP physics.med-ph
Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor Imagery Recognition
Northeast Electric Power University(东北电力大学);Changchun University of Science and Technology(长春理工大学);University of Sydney(悉尼大学)
在构建实用的基于脑电图(EEG)的脑机接口(BCI)之前,识别精度和响应时间都是至关重要的。然而,最近的方法,要么妥协的分类精度或响应时间。本文提出了一种新的深度学习方法,旨在实现基于头皮EEG的非常准确和响应性的运动想象(MI)识别。具有注意力机制的双向长短期记忆(BiLSTM)设法从原始EEG信号中获得相关特征。连通图卷积神经网络(GCN)通过与从整体数据中估计的特征的拓扑结构相配合来提高解码性能。0.4秒的检测框架已经显示出基于个人和群体训练的有效和高效的预测,准确率分别为98.81%和94.64%,优于所有最先进的研究。本文提出的深度特征挖掘方法可以从原始脑电信号中准确识别出人体运动意图,为将基于脑电信号的MI识别转化为实际的脑机接口系统铺平了道路。
2021-12-02 cs.CV cs.HC cs.LG
Sparse Multitask Learning for Efficient Neural Representation of Motor Imagery and Execution
Korea University(高丽大学)
本研究针对脑机接口中神经数据高效建模的需求,提出基于显著性剪枝的稀疏多任务学习框架用于运动想象与执行分类,可缓解过拟合并提升小数据下的性能,助力高效鲁棒BCI系统开发。
2023-12-10 cs.LG eess.SP
Optimized Feature Selection and Neural Network-Based Classification of Motor Imagery Using EEG Signals
本研究提出一种结合支持向量机顺序前向特征选择与深度神经网络的方法,利用多通道EEG信号进行运动想象意图分类,有效识别关键空间特征并提升了模型性能。
2025-04-04 eess.SP
Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning
City University of London(伦敦城市大学);University of Liverpool(利物浦大学)
本文提出了一种基于最小随机卷积核变换和混合深度学习的运动想象EEG信号分类方法,通过高效特征提取和低计算成本实现高准确率分类。
2025-08-22 cs.AI cs.LG eess.SP
Single Channel-based Motor Imagery Classification using Fisher's Ratio and Pearson Correlation
针对运动想象BCI系统需缩减通道以走出实验室的需求,提出结合Fisher比率选通道、Pearson相关选滤波器组并提取时频特征的FRPC集成框架,经3个数据集验证有效,还探究了最优通道与适用类别。
2024-06-20 eess.SP
Can EEG resting state data benefit data-driven approaches for motor-imagery decoding?
Ahmedabad International School(艾哈迈达巴德国际学校);IIT Gandhinagar(甘地讷格尔印度理工学院)
本研究提出一种整合静息态EEG功能连接性度量与EEGNet的特征拼接方法以提升运动想象BCI泛化能力,但实验表明该方法仅在用户内场景小幅提升准确率,对跨用户场景无益。
2024-10-28 cs.HC cs.LG eess.SP
Time-space-frequency feature Fusion for 3-channel motor imagery classification
Tianjin University(天津大学)
针对低通道EEG运动想象解码难题,提出融合时空频特征的TSFF-Net及轻量级TSFF-img架构,通过MMD损失约束特征分布,在公开数据集上优于现有方法。
2023-04-04 cs.AI cs.LG eess.SP
3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention
Zhejiang University of Technology(浙江工业大学);Shanghai Jiao Tong University(上海交通大学)
针对运动想象脑电解码准确率不足的问题,提出融合3D-CNN与带注意力LSTM的3D-CLMI模型,在公开数据集上取得92.7%准确率,优于现有方法。
2023-12-20 cs.HC cs.LG eess.SP
Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI
University of Trieste(的里雅斯特大学)
基于运动图像的脑机接口(MI-BCI)有可能成为神经康复的突破性技术,为患有神经元疾病和残疾的患者重建非肌肉沟通和命令,但也在临床实践之外,用于视频游戏控制和其他娱乐目的。然而,由于所使用的EEG信号的噪声性质,可靠的BCI系统需要用于特征优化和提取的专门程序。本文比较了两种方法,共同的空间模式与线性判别分析分类器(CSP-LDA),广泛用于脑机接口提取特征的运动想象(MI)任务,和双增广拉格朗日(DAL)框架与三种不同的正则化方法:组稀疏与行组(DAL-GLR),双谱(DAL-DS)和l1范数正则化(DAL-L1)。对7名健康受试者进行了测试,每名受试者进行5次BCI-MI。初步结果表明,DAL-GLR方法优于标准CSP-LDA,误分类误差降低6.9%(p值= 0.008),并证明了DAL框架对MI-BCI的优势。
2020-10-13 cs.AI cs.LG cs.NE
Classification of High-Dimensional Motor Imagery Tasks based on An End-to-end role assigned convolutional neural network
Korea University(高丽大学)
脑机接口(BCI)提供了用户和外部设备之间的直接通信路径。脑电运动想象范式被广泛应用于无创脑机接口中,以获取包含用户运动执行意图的编码信号。然而,EEG具有复杂和非平稳特性,导致解码性能不足。通过想象单臂的许多运动,可以在没有人工命令匹配的情况下提高解码性能。在这项研究中,我们收集了直观的EEG数据包含了9个不同类型的运动的单臂从9个主题。我们提出了一个端到端的角色分配卷积神经网络(ERA-CNN),它考虑了每个上肢区域的区别特征,采用分层CNN架构的原则。该模型在3类、5类和两种不同类型的7类分类任务上优于以往的方法。因此,我们证明了使用ERA-CNN仅使用具有鲁棒性能的EEG信号解码用户意图的可能性。
2020-02-04 cs.LG eess.SP
Sinc-based convolutional neural networks for EEG-BCI-based motor imagery classification
基于运动想象的脑机接口(BCI)将从脑电图(EEG)中识别的心理运动图像转换为控制命令。不同的想象任务,如手和脚的运动,脑电模式,有效地分类与机器学习技术使用频带功率功能。最近,卷积神经网络(CNN)也被应用,它同时从原始EEG数据中学习有效特征和分类器。然而,CNN有两个主要缺点:(i)它们具有非常大量的参数,因此需要非常大量的训练示例;(ii)它们不是为了显式地学习频域中的特征而设计的。为了克服这些限制,在这项工作中,我们引入了Sinc-EEGNet,这是一种轻量级的CNN架构,它结合了可学习的带通和去卷积滤波器。在公开的BCI竞赛IV数据集2a上获得的实验结果表明,我们的方法在分类准确性方面优于参考方法。
2021-01-19 eess.SP
A New Method for Features Normalization in Motor Imagery Few-Shot Learning using Resting-State
脑机接口(BCI)系统通常是专门为每个主题的基础上运动想象。因此,这些网络的可用性已成为一个重大挑战。网络必须为每个用户单独设计,这对用户来说是耗时的。因此,本研究提出了一种方法,通过该方法的校准时间显着减少,而分类精度增加。在这种方法中,我们校准的特征提取的运动想象任务划分的特征提取的休息状态到睁开眼睛和闭上眼睛的模式和受试者移动他的眼睛的状态。使用睁开眼的静息状态信号的SVM分类器获得了最好的分类精度,提高了3.64%到74.04%。在本文中,我们还研究了休息状态信号的记录时间和眼睛状态对分类精度的影响。
2021-03-17 eess.SP q-bio.NC
On-device Learning of EEGNet-based Network For Wearable Motor Imagery Brain-Computer Interface
ETH Zürich(苏黎世联邦理工学院);Tsinghua University(清华大学);German Research Center For Artificial Intelligence(德国人工智能研究中心);Slovak Academy of Sciences(斯洛伐克科学院)
本文提出在GAP9处理器上为EEGNet实现轻量级设备端在线学习,以应对运动想象脑机接口中的用户间特征分布漂移,在仅15.6 KB内存下实现最高7.31%的准确率提升,并保持低延迟和低能耗。
2024-08-25 cs.AI cs.HC cs.LG
Unsupervised Motor Imagery Saliency Detection Based on Self-Attention Mechanism
检测运动想象脑电信号(MI-EEG)的显著部分可以提高脑机接口(BCI)系统的性能,并减少处理冗长MI-EEG信号所需的计算负担。本文提出了一种基于自注意机制的无监督MI-EEG信号显著间隔自动检测方法。我们建议的方法可以用作任何BCI算法中的预处理步骤,以提高其性能。建议的方法的有效性进行评估,最广泛使用的BCI算法,共同的空间模式(CSP)算法,使用数据集2a BCI竞争IV。实验结果表明,该方法能有效地修剪MI-EEG信号,并显著提高CSP算法的分类精度。
2022-04-19 eess.SP
Mirror contrastive loss based sliding window transformer for subject-independent motor imagery based EEG signal recognition
针对跨被试运动想象脑电识别中黑箱模型对ERD空间位置不敏感的问题,提出MCL-SWT方法,通过镜像对比损失增强对ERD空间位置的感知,并结合时间滑动窗口Transformer提升识别准确率,在实验中超越SOTA模型。
2024-08-29 cs.AI cs.LG eess.SP
A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery
Virginia Tech(弗吉尼亚理工大学)
共同空间模式(CSP)是一种流行的脑电(EEG)运动想象(MI)特征提取方法。本文对传统的CSP算法进行了改进,提高了多类MI分类的精度,并保证了计算过程的高效性。EEG MI数据是从脑机接口(BCI)竞赛IV中收集的。首先,对每一次实验进行带通滤波和时频分析。然后,根据信号能量的大小选择最优的脑电信号进行CSP特征提取。最后,提取的特征进行分类的三个分类器,线性判别分析(LDA),朴素贝叶斯(NVB),支持向量机(SVM),在并行的分类精度比较。实验结果表明,该算法的平均计算时间比第四届BCI竞赛第一名FBCSP算法减少了37.22%,比传统CSP算法增加了4.98%。对于分类率,与BCI竞赛IV的前3名获奖者相比,所提出的算法kappa值达到第二高。
2020-08-25 cs.LG eess.SP
Navigating in Virtual Reality using Thought: The Development and Assessment of a Motor Imagery based Brain-Computer Interface
脑机接口(BCI)系统具有作为严重运动障碍个体的辅助技术的潜力。尽管如此,个人必须首先参加许多训练课程,以获得足够的数据来优化分类算法,并随后获得基于大脑的控制。这种传统的培训模式被称为对用户没有吸引力和没有动力。近年来,已经表明虚拟现实(VR)和BCI的协同作用可以提高用户参与度。这项研究创建了一个3类BCI,具有相当复杂的EEG信号处理管道,大量利用机器学习。BCI最初呈现假反馈,但最终由与运动想象相关的EEG驱动。BCI任务包括脚和左右手的运动想象,用于在VR中导航单路径迷宫。在11名被招募的参与者中,有10人的在线表现优于随机表现(p < 0.01),而大多数人成功完成了70%以上的规定导航任务。这些结果表明,所提出的范例值得进一步考虑作为神经反馈BCI训练工具。一个范例,允许用户从他们的角度来看,从一开始就控制,而不需要事先的数据收集会话。
2019-12-10 eess.SP q-bio.NC
A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification
West China Hospital, Sichuan University(四川大学华西医院);Southwest Jiaotong University(西南交通大学)
脑电(EEG)信号是非平稳、随机和高度非线性的生物电信号,对于其实现高分类精度是具有挑战性的,特别是当受试者数量有限时。作为常用的解决方案,基于多层神经网络的分类器必须在没有大量训练数据集和仔细调整的情况下实现。本文提出了一个流形学习框架,通过发现低维几何结构来分类运动想象(MI)任务中的两种类型的EEG数据。对于特征提取,它是由共同的空间模式(CSP)从预处理的脑电信号。在用于分类的特征的邻域中,获得对数据的支持度的局部逼近,然后将特征分配到具有最接近支持度的类。该方法利用球面近似构造了一个球面近似(SPA)分类器,并利用流形方法对提取的特征进行分类。SPA分类器在2008年BCI竞赛数据中取得了较高的准确率,分析表明,该方法能显著提高MI任务的解码准确率,对小样本数据集表现出较强的鲁棒性。在线脑机接口(BCI)系统的双参数分类器的调整将是简单而有效的。
2021-07-30 cs.LG eess.SP
A new fast approach for an EEG-based Motor Imagery BCI classification
脑-机接口在现代人的生活质量中扮演着重要的角色。然而,该技术主要受每次试验中记录信号的质量的影响。这个问题可以通过拒绝低质量的试验来解决。但是,基于来自大脑的记录信号(目标信号加上噪声和伪影的混合物)来开发处理,在所有试验质量都很低的情况下是不利的。本文提出了一种新的分离记录源信号的快速算法。实验结果表明,与对记录的混合信号进行处理的分类精度相比,该方法的分类精度有所提高。
2019-06-12 eess.SP
EEG-Based Motor Imagery BCI Algorithms and Technologies: A Review
Sharif University of Technology(谢里夫理工大学);KTH Royal Institute of Technology(KTH皇家理工学院)
本文综述了基于脑电的运动想象脑机接口算法与硬件技术,涵盖AI方法及新兴融合技术,旨在推动高性能实时MI-BCI系统创新。
2026-09-29 cs.LG eess.SP
Enhancing Computational Efficiency of Motor Imagery BCI Classification with Block-Toeplitz Augmented Covariance Matrices and Siegel Metric
INRIA(法国国家信息与自动化研究所)
本文提出利用块Toeplitz增广协方差矩阵的数学结构并结合Siegel度量,在保持与ACM相似分类性能的同时显著提升运动想象BCI的计算效率,使其更适用于实时实验。
2024-06-05 cs.AI cs.HC cs.LG
Feature Reweighting for EEG-based Motor Imagery Classification
Indian Institute of Technology Roorkee(印度理工学院罗尔基分校);Indian Institute of Technology Bhubaneswar(印度理工学院布巴内斯瓦尔分校)
针对MI-EEG信号噪声高、特征含无关信息导致CNN分类性能下降的问题,提出特征重加权模块抑制无关时间与通道特征图,在Physionet EEG-MMIDB和BCI Competition IV 2a数据集上分别提升9.34%和3.82%。
2025-07-02 cs.HC cs.LG eess.SP
Robust Feature Engineering Techniques for Designing Efficient Motor Imagery-Based BCI-Systems
Salim Habib University(萨利姆哈比布大学);NUST(国家科技大学);Riphah International University(里法国际大学);NED University(NED大学);Institute of Business Administration(商业管理学院)
针对运动想象BCI中EEG识别准确率不足的问题,本文结合多域特征提取、MRMR选择与多种分类器,使SVM最高准确率达95.48%。
2025-02-20 cs.CV cs.LG eess.SP
Motor Imagery Task Alters Dynamics of Human Body Posture
本研究探讨了运动表象对人体姿势控制的影响,通过数学模型分析发现运动表象会显著改变压力中心的非线性动力学,且变化方向与想象运动一致,为康复科学中的针对性姿势调整提供了依据。
2024-05-31 eess.SP q-bio.NC
A self-paced BCI system with low latency for motor imagery onset detection based on time series prediction paradigm
在自主起搏运动想象脑机接口(MI-BCI)中,连续脑电图(EEG)信号中呈现的MI命令的起始是未知的。为了检测这些发作,大多数自定步调的方法在连续EEG信号上应用窗口函数,并将其分成长段以供进一步分析。因此,系统具有高延迟。为了减少系统延迟,我们提出了一种基于时间序列预测概念的算法,并使用先前接收到的时间样本的数据来预测即将到来的时间样本。我们的预测器是一个由长短期记忆(LSTM)单元构建的编码器-解码器(ED)网络。通过将输入信号与预测信号进行比较,很快检测到MI命令的开始。所提出的方法验证数据集IVc从BCI竞争III。仿真结果表明,该算法提高了26.7%的平均F1得分的竞争中获胜者所取得的时间短于1秒。
2022-04-12 eess.SP
A Spatial-Spectral and Temporal Dual Prototype Network for Motor Imagery Brain-Computer Interface
针对小样本MI-EEG解码难题,提出融合轻量空间-光谱注意力、无参数多尺度方差池化与双原型学习的SST-DPN,在三个BCI数据集上取得先进准确率。
2024-10-29 cs.HC eess.SP
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification
Virginia Polytechnic Institute and State University(弗吉尼亚理工大学);Handong Global University(韩东国际大学)
基于脑电的运动想象分类是脑-机接口研究中的一个重要的非侵入性应用。本文提出了一种新的卷积神经网络(CNN)架构,用于准确和鲁棒的基于EEG的MI分类,其性能优于最先进的方法。所提出的CNN模型,即EEG-Inception,建立在Inception-Time网络的基础上,该网络对于时间序列分类具有高效和准确性。此外,所提出的网络是一个端到端的分类,因为它采取的原始EEG信号作为输入,不需要复杂的EEG信号预处理。此外,本文提出了一种新的EEG信号的数据增强方法,以提高准确性,至少3%,并减少有限的BCI数据集的过拟合。所提出的模型优于所有国家的最先进的方法,实现了88.4%和88.6%的平均准确率在2008年BCI竞赛IV 2a(四类)和2b数据集(二进制类),分别。此外,测试适合实时处理的样品所需时间不到0.025秒。此外,9个不同主题的分类标准差达到了最低值,2b数据集为5.5,2a数据集为7.1,这验证了所提出的方法是高度鲁棒的。从实验结果可以推断,EEG-Inception网络表现出很强的潜力,作为一个主体独立的分类器,基于EEG的MI任务。
2021-03-08 cs.HC cs.LG eess.IV
Decoding EEG Rhythms During Action Observation, Motor Imagery, and Execution for Standing and Sitting
事件相关去同步化(ERD/S)和运动相关皮层电位(MRCP)在脑机接口(BCI)的下肢康复中起着重要作用,尤其是在站立和坐位时。然而,人们对站立和坐姿之间皮层激活的差异知之甚少,特别是大脑的意图如何调节运动前的感觉运动节奏,就像他们对切换运动所做的那样。在这项研究中,我们的目的是调查连续EEG节律的解码过程中的动作观察(AO),运动想象(MI),和运动执行(ME)的行动,站着和坐着。我们开发了一个行为任务,其中参与者被指示执行AO和MI/ME关于从坐到站和从站到坐的过渡动作。我们的研究结果表明,ERD是突出的AO期间,而ERS是典型的MI期间在整个感觉运动区的α波段。将滤波器组公共空间模式(FBCSP)和用于分类的支持向量机(SVM)组合用于离线和分类器测试分析。离线分析表明,AO和MI的分类提供了最高的平均准确度,在82.73 $\pm$ 2.54\%的站立到坐的过渡。通过应用分类器测试分析,我们证明了更高的性能解码的神经意图从MI范式相比,ME范式。这些观察使我们看到了使用我们开发的基于AO和MI集成的任务来构建未来基于外骨骼的康复系统的有希望的方面。
2020-06-27 cs.HC eess.SP
Binarization Methods for Motor-Imagery Brain-Computer Interface Classification
ETH Zurich(苏黎世联邦理工学院);University of Bologna(博洛尼亚大学);IBM Research-Zurich(IBM苏黎世研究院)
成功的运动想象脑机接口(MI-BCI)算法要么提取大量手工特征并训练分类器,要么将特征提取和分类结合在深度卷积神经网络(CNN)中。这两种方法通常会导致一组实值权重,当在资源严格受限的设备上进行实时执行时,这会带来挑战。我们提出了这些方法中的每一种方法,允许将实值权重转换为二进制数,以进行有效的推理。我们的第一种方法基于稀疏双极随机投影,将大量实值黎曼协方差特征投影到二进制空间,其中线性SVM分类器也可以使用二进制权重进行学习。通过调整二进制嵌入的维度,我们在4类MI中实现了几乎相同的精度(与float 16权重的模型相比,低$\leq$ 1.27%),但提供了一个更紧凑的模型,执行操作更简单。其次,我们建议使用记忆增强神经网络(MANN)的MI-BCI,这样的增强记忆是二进制化。我们的方法使用双极随机投影或学习投影将CNN的全连接层替换为二进制增强记忆。我们在EEGNet上的实验结果表明,使用随机投影,它可以在等精度下压缩1.28倍,EEGNet是一个已经紧凑的用于MI-BCI的CNN。另一方面,使用学习的投影提供了3.89%的更高精度,但内存大小增加了28.10倍。
2020-10-14 cs.LG eess.SP
Pioneering EEG Motor Imagery Classification Through Counterfactual Analysis
Korea University(高丽大学)
针对反事实解释技术在EEG分类中应用较少的问题,提出一种交换时频分析块的非生成式反事实解释方法,验证了其有效性并提升了模型可解释性与人类信任。
2023-11-10 cs.AI cs.LG eess.SP