Conex-Connect: Learning Patterns in Extremal Brain Connectivity From Multi-Channel EEG Data
癫痫是一种慢性神经系统疾病，影响全球5000多万人。癫痫发作的行为就像对神经系统的暂时性电击，破坏大脑中正常的电活动。癫痫通常通过脑电图（EEG）进行诊断。目前的方法研究时变光谱和相干性，但不直接模拟极端行为的变化。因此，我们提出了一种新的方法来表征脑连接的基础上联合尾行为的脑电图。我们提出的方法，大脑连接的条件极值依赖（Conex-Connect），是一种开创性的方法，它将参考通道处的较高振荡的极值与其他大脑网络通道之间的关联联系起来。使用Conex-Connect方法，我们发现癫痫发作病灶处的活动驱动的极值依赖性的变化。我们的基于模型的方法表明，癫痫发作前，依赖性是非常稳定的所有通道时，条件的极端值的局灶性癫痫发作面积。相比之下，癫痫发作后，通道之间的依赖性较弱，依赖模式更“混乱”。此外，在频谱分解方面，我们发现，高频率的伽玛带的高值是最相关的功能，以解释大脑连接的条件极值依赖。
2021-01-03 q-bio.NC stat.AP stat.ME
Classification of EEG recordings in auditory brain activity via a logistic functional linear regression model
我们想分析脑电图记录，以调查在听觉处理的早期阶段的音素分类。这个问题可以通过功能数据的监督分类来建模。通过逻辑功能线性模型，使用小波表示的数据的歧视进行了探讨。不同的程序进行了调查，基于惩罚似然和主成分减少或偏最小二乘减少。
2014-07-04 math.ST q-bio.NC stat.AP
Complex tensor factorisation with PARAFAC2 for the estimation of brain connectivity from the EEG
目的：神经元群体之间的耦合及其幅度已被证明是各种临床应用的信息。估计大脑连通性的一种方法是利用脑电图（EEG），从EEG导出不同传感器位置之间的互谱。我们希望测试张量因子分解在估计大脑连通性方面的功效。研究方法：基于PARAFAC2的复张量分解用于将EEG分解成由空间、频谱和复试验轮廓描述的头皮分量。在复杂的域中的EEG模型推导出，表明PARAFAC2的适用性。一个连接性度量也来自复杂的审判配置文件的提取组件。结果如下：在基准EEG数据集上的结果证实，PARAFAC 2可以在信噪比范围内比传统的张量分析（如PARAFAC）更好地估计连接性。对轻度认知障碍或阿尔茨海默病患者的EEG分析表明，PARAFAC2比传统方法更好地识别大脑连接的丧失，并且与先前的病理知识一致。结论：复杂的PARAFAC 2算法适用于EEG连接估计，因为它允许提取有意义的耦合源，并提供比复杂PARAFAC更好的估计。重要性：一个新的范例，采用复杂的张量因子分解已被证明是成功的，在识别大脑的连接和位置的夫妇源的基准和现实世界的EEG数据集。这可以支持未来的应用，并有可能解决一些使传统连接性指标性能恶化的问题。
2017-05-02 cs.CE q-bio.NC
Identification of interictal epileptic networks from dense-EEG
癫痫是一种网络疾病。癫痫网络通常涉及空间分布的大脑区域。在这种情况下，无创M/EEG源连接是一种新兴的技术，以确定功能的大脑网络在皮层水平从无创记录。在本文中，我们分析了两个关键因素参与EEG源连接处理的效果：i）用于解决EEG逆问题的算法和ii）用于估计的功能连接的方法。我们评估四个逆解算法和四个连接措施的数据模拟从一个组合的生物物理/生理模型，以产生现实的发作间期癫痫棘波反映在头皮EEG。我们使用一种新的基于网络的相似性指数（SI）来比较由每个逆/连接组合识别的网络和模型中生成的原始网络。该方法也将应用于从一个癫痫患者谁经历了一个完整的术前评估耐药局灶性癫痫记录的真实数据。在模拟数据中，结果显示，逆/连通性组合的选择对所识别的网络有显着的影响。结果表明，非线性方法测量连接性比线性方法更有效。wMNE逆解显示出比dSPM、cMEM和sLORETA更高的性能。在实际数据中，组合（wMNE/PLV）导致从非侵入性EEG记录中识别的发作间期癫痫网络与从脑内EEG记录的连接性分析中获得的网络之间非常好的匹配。这些结果表明，源连接方法，适当配置时，是能够提取高度相关的诊断信息网络参与发作间期癫痫棘波从非侵入性密集EEG数据。
2016-08-17 q-bio.NC
Integrating EEG and MEG signals to improve motor imagery classification in brain-computer interfaces
我们提出了一种融合的方法，结合功能，同时记录脑电图（EEG）和脑磁图（MEG）信号，以提高分类性能的运动图像为基础的脑机接口（BCI）。我们将我们的方法应用于一组15名健康受试者，并发现与alpha和beta波段的标准单模态方法相比，分类性能有显着增强。总之，我们的研究结果表明，考虑多模式方法作为补充工具，以改善非侵入性脑机接口的影响的优势。
2018-03-26 q-bio.NC
Cascade and Parallel Convolutional Recurrent Neural Networks on EEG-based Intention Recognition for Brain Computer Interface
脑机接口（Brain-Computer Interface，BCI）是一种使人类能够完全以大脑的意图与外界进行通信或控制的系统。基于脑电的脑机接口由于其方便、便携的仪器而成为很有前途的解决方案。运动想象脑电信号（MI-EEG）是一种最广泛的脑电信号，它揭示了被试的运动意图，而不是实际的动作。尽管近年来对MI-EEG进行了广泛的研究，但由于EEG信号中存在大量噪声（例如，低信噪比和不完整的EEG信号），以及难以捕捉EEG信号和某些大脑活动之间的不明显关系。现有的大多数工作要么只考虑脑电信号的链状序列，忽略了相邻信号之间的复杂依赖关系，或执行简单的时间平均的EEG序列。在本文中，我们介绍了级联和并行卷积递归神经网络模型，通过有效地学习原始EEG流的组成时空表示来精确识别人类预期的运动。所提出的模型抓住物理相邻的EEG信号之间的空间相关性，通过转换成一个2D网格状层次结构的链状EEG序列。基于LSTM的递归网络能够提取EEG数据流的细微时间依赖性。在大规模MI-EEG数据集（108名受试者，3，145，160条EEG记录）上进行的广泛实验表明，这两种模型都实现了接近98.3%的高准确度，并且优于一组基线方法和最新的基于深度学习的EEG识别模型，在跨受试者验证场景中，准确度显著提高了18%。
2021-06-10 cs.HC q-bio.NC
Normative brain mapping using scalp EEG and potential clinical application
本研究利用17名健康对照构建了基于头皮EEG相对频带功率的规范脑图谱，验证了其时间稳定性及与MEG、颅内EEG的相似性，并展示了其在癫痫异常区域侧化中的潜在临床应用价值。
2023-04-06 q-bio.NC
EEG-GAN: Generative adversarial networks for electroencephalograhic (EEG) brain signals
University of Freiburg（弗莱堡大学）
生成对抗网络（GANs）最近在涉及图像的生成应用中非常成功，并开始应用于时间序列数据。在这里，我们将EEG-GAN描述为生成脑电图（EEG）大脑信号的框架。我们对Wasserstein GANs的改进训练进行了修改，以稳定训练并研究一系列对时间序列生成至关重要的架构选择（最明显的是上采样和下采样）。为了进行评估，我们考虑并比较了不同的指标，如Inception评分，Frechet inception距离和切片Wasserstein距离，共同表明我们的EEG-GAN框架生成了自然的EEG示例。因此，它在神经科学和神经学背景下开辟了一系列新的生成应用场景，例如脑机接口任务中的数据增强，EEG超采样或损坏数据段的恢复。产生特定类别和/或具有特定属性的信号的可能性也可能为研究大脑信号的潜在结构开辟新的途径。
2018-06-05 cs.LG eess.SP q-bio.NC
PiEEG-16 to Measure 16 EEG Channels with Raspberry Pi for Brain-Computer Interfaces and EEG devices
本研究推出适配树莓派的PIEEG-16多功能扩展板，可离线实时测量16路EEG等多种生物信号并完成处理提取，为神经科学研究与脑机接口实验提供高性价比工具，推动相关领域研究大众化。
2024-09-08 eess.SP q-bio.NC
Inferring Brain Dynamics via Multimodal Joint Graph Representation EEG-fMRI
最近的研究表明，多建模方法可以为大脑成分的分析提供新的见解，这在单独获取每种模态时是不可能的。不同模态的联合表示是一种用于分析同时采集的脑电和功能磁共振成像（EEG-fMRI）的鲁棒模型。精密仪器的进步使我们能够通过非侵入性神经成像技术（如EEG和fMRI）观察人脑的时空神经动力学。流的非线性融合方法可以在不同的时间和空间维度上提取有效的脑成分。基于图的分析与大脑结构有许多相似之处，可以克服大脑映射分析的复杂性。在整个过程中，我们概述了几种不同媒体在基于图形和深度学习方法的一个源的时移中的相关性。确定重叠可以为神经可塑性研究中诊断功能变化提供新的视角。
2022-01-21 cs.AI q-bio.NC
Brain EEG Time Series Selection: A Novel Graph-Based Approach for Classification
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Macquarie University（麦考瑞大学）；Suzhou University（宿州学院）
脑电分类是近年来被广泛应用于脑部疾病分析的一种方法。不幸的是，无效/嘈杂的EEG降低了诊断性能，大多数以前开发的方法忽略了EEG选择分类的必要性。为此，本文提出了一种新的基于最大权值聚类的脑电选择方法mwcEEGs，将脑电选择映射为从一个同时考虑边权值和顶点权值的改进的Fréchet距离加权无向脑电图中搜索最大相似权团.我们的mwcEEG通过选择具有相似性阈值$δ$的团内成对相似和团间区分EEG来提高分类性能。在真实脑电数据集上的实验结果表明，与现有的时间序列选择算法相比，该算法是有效的。
2018-02-09 cs.LG q-bio.NC stat.ML
Building Brain Invaders: EEG data of an experimental validation
我们描述了一个数据集的实验过程，我们已经在https://doi.org/10.5281/zenodo.2649006上以mat和csv格式公开提供。该数据集包含25名受试者测试脑入侵者（Congedo，2011）的脑电图（EEG）记录，脑入侵者是一种视觉P300脑机接口，灵感来自著名的老式视频游戏太空入侵者（Taito，东京，日本）。视觉P300是由视觉刺激引起的事件相关电位，在刺激开始后240-600 ms达到峰值。2012年，在法国格勒诺布尔GIPSA实验室进行的一项实验中，通过16个电极记录EEG数据（Van Veen，2013和Congedo，2013）。用于操作数据的Python代码可在https://github.com/plcrodrigues/py.BI.EEG.2012-GIPSA上获得。该数据集的ID为BI.EEG.2012-GIPSA。
2019-05-13 cs.HC q-bio.NC
Accounting for the Complex Hierarchical Topology of EEG Phase-Based Functional Connectivity in Network Binarisation
研究大脑功能的二进制网络分析面临着一个方法上的挑战，选择一个适当的阈值二进制边缘权重。对于基于EEG相位的功能连接，我们测试的假设，这种二进制化应考虑到复杂的层次结构中发现的功能连接。我们探索适合这种结构的密度范围，并提供了一个比较国家的最先进的二进制化技术，最近提出的跨跨度阈值（CST），最小生成树，效率-成本优化和工会的最短路径图，任意比例阈值和加权网络。我们测试这些技术加权复杂的层次结构模型，通过对比模型实现小的参数差异。我们还测试了这些技术对随机和有针对性的拓扑攻击的鲁棒性，我们发现CST在最先进的EEG网络拓扑建模、对拓扑网络攻击的鲁棒性和三个真实数据集上表现出良好的一致性，与我们的分层复杂性假设一致。这提供了有趣的新的证据到相关的考虑大量的边缘在EEG功能连接研究，以提供信息密度的拓扑结构。
2017-09-29 q-bio.NC
A Review on understanding Brain, and Memory Retention and Recall Processes using EEG and fMRI techniques
人类记忆--学习新信息涉及到专门用于存储信息的神经元之间突触水平的变化。一般来说，记忆分为长期记忆和短期记忆。各种类型的记忆及其障碍被广泛研究使用神经成像技术，如脑电图（EEG）和功能性磁共振成像（fMRI）。大脑有效地被学习、记忆和回忆的能力占据。参与记忆回忆任务的大脑区域（前额叶皮层，相关的海马皮层及其与其他脑叶的相互作用）专注于理解记忆保持和回忆过程。然而，由于大脑机制的高度复杂性和动态性，信息可能驻留的特定区域尚未完全探索。在这篇研究论文中，最近的记忆文献使用脑电图和功能磁共振成像研究进行了审查，以了解记忆保持和回忆过程，以及与这些过程相关的各种大脑区域。一些刺激，这是在以前的研究报告进行了评估和讨论。此外，EEG和fMRI方法的研究人员所面临的挑战也提出。最后对未来记忆保持和回忆的研究提出了建议。
2019-04-30 q-bio.NC
Self-regulation of human brain activity using simultaneous real-time fMRI and EEG neurofeedback
神经反馈是一种很有前途的方法，用于非侵入性调制人类大脑活动，用于治疗精神疾病和增强大脑性能。神经反馈技术通常基于脑电图（EEG）或实时功能性磁共振成像（rtfMRI）。同步EEG-fMRI的进展使得将这两种方法结合起来成为可能。在这里，我们报告的第一个实现同步多模态rtfMRI和EEG神经反馈（rtfMRI-EEG-NF）。它是基于一个新的系统，实时集成的同时rtfMRI和EEG数据流。我们应用rtfMRI-EEG-NF对健康受试者进行情绪自我调节训练，进行基于快乐自传体记忆检索的积极情绪诱导任务。参与者能够使用rtfMRI-EEG-nf同时调节左杏仁核中的BOLD fMRI激活和高β频段中的额叶EEG功率不对称。我们的概念验证的结果表明，同时自我调节的血液动力学（rtfMRI）和电生理（EEG）活动的人脑的可行性。他们提出了rtfMRI-EEG-NF在开发新型认知神经科学研究范式和增强主要神经精神疾病（特别是抑郁症）的认知治疗方法中的潜在应用。
2013-08-12 physics.ins-det physics.med-ph q-bio.NC
EEG-fused Digital Twin Brain for Autonomous Driving in Virtual Scenarios
提出EEG融合数字孪生大脑框架，结合sMRI高空间分辨率与EEG高时间分辨率构建生物真实脑模型，在CARLA仿真器中实现脑启发自动驾驶，开创感觉运动整合研究新范式。
2025-07-16 q-bio.NC
Neural modulation enhancement using connectivity-based EEG neurofeedback with simultaneous fMRI for emotion regulation
本文提出基于 EEG 电极相干性并结合同步 fMRI 的连接性神经反馈方法，实验证明其相较传统活动反馈和虚假反馈更能改善情绪相关脑网络、EEG 指标及正负情绪。
2023-11-03 q-bio.NC
How Does a Single EEG Channel Tell Us About Brain States in Brain-Computer Interfaces ?
EuroMov Digital Health in Motion, Univ. Montpellier, IMT Mines Ales（欧罗莫运动数字健康研究所，蒙彼利埃大学，阿莱斯矿业学院）
本文研究如何利用单个EEG通道实现脑状态识别，提出基于CNN的高效分类方法，在三个数据集中达到最高91.55%的准确率。
2024-07-23 eess.SP q-bio.NC
Probing fMRI brain connectivity and activity changes during emotion regulation by EEG neurofeedback
神经反馈是一种非侵入性的大脑训练，具有长期的医疗和非医疗应用。尽管存在一些使用神经反馈的情绪调节研究，但需要进一步研究以了解参与该过程的大脑区域的相互作用。我们实现了EEG神经反馈与同步功能磁共振成像使用修改后的幸福诱导任务，通过自传体记忆上调积极情绪。结果显示，实验组的前额叶、枕叶、顶叶和边缘系统的活动增加，前额叶、顶叶、边缘系统和边缘系统之间的功能连接增加。通过比较实验组内以及实验组与对照组之间不同实验条件下的功能连接，确定了新的连接链路。所提出的多模态方法量化的变化，在大脑活动（高达1.9%的增加）和连接（FDR校正的多重比较，q = 0.05）在情绪调节前额叶，顶叶，边缘，和大脑皮层区域之间。心理测量学评估证实了神经反馈的积极和消极情绪状态的显着变化，实验组的p值小于0.002。本研究量化了EEG神经反馈在改变参与情绪调节的所有脑区的功能连接中的作用。对于参与情绪调节的大脑区域，我们发现实验组中由于神经反馈而显著增加了BOLD和功能连接，但在控制组中没有观察到学习效果。结果揭示了脑电神经反馈调节情绪的神经生物学基础，并将神经反馈的作用与自传体记忆的回忆分离开来。
2020-06-11 q-bio.NC
Plasma Brain Dynamics (PBD): A Mechanism for EEG Waves Under Human Consciousness
脑电信号是人脑中非线性孤立波的记录。波具有几种类型（例如，a，b，g，q，d）对不同意识水平的反应。它们分为两组：第1组由复杂的风暴波（a，b和g）组成;第2组由简单的准线性波（q和d）组成。为了阐明脑电波的形成和传播机制，本文将等离子体脑动力学（PBD）的Vlasov-Maxwell方程组推广为一组双流体、自相似的非线性孤立波方程组。对不同的脑电信号进行了数值模拟。主要结果包括：（1）脑电波包的激发和传播依赖于电场和磁场、脑水离子、电子和离子的温度、质量以及它们的初始流体速度：（2）第一组复合波包含三种成分：高频离子声（IA）模、中频低杂波（LH）模和低频离子回旋（IC）模;（3）第2组简单波落在IA频带内，其特征在于三个包络中的一个或组合：正弦、正弦和尖峰/双极。该研究提出了一种量子脑动力学（QBD）的替代模型，即脑中非线性孤立脑电波的形成和传播与空间等离子体中的波具有相同的机制
2018-01-16 physics.med-ph q-bio.NC
EEGs disclose significant brain activity correlated with synaptic fickleness
在这里，我们研究了一个网络的突触关系混合兴奋性和抑制性神经元节点，显示振荡非常类似于脑电图（EEG）的脑电波，并确定突然的变化所带来的快速突触介导。因此，我们得出结论，相应的变化，脑电序列肯定来自于神经元群体的活动，由于突触的限制放缓。后者恰好在兴奋和抑制之间产生不平衡，导致兴奋活动的快速爆炸性增加，这被证明是动态心理阶段之间的（一阶）过渡。此外，在该相变附近，我们的模型系统表现出与快速振荡共存的所谓的\textit{delta-theta domain}中的强分量的波。这些发现为在实际大脑中观察到的\textit{delta-gamma}和\textit{theta-gamma modulation}提供了一个简单的解释，并为深入理解大量明显不稳定的、容易获得的大脑数据开辟了一条严肃而通用的道路。
2021-02-16 cond-mat.dis-nn q-bio.NC
Recording and Reproduction of Pattern Memory Trace in EEG by Direct Electrical Stimulation of Brain Cortex
本研究证明了用交流电直接刺激大鼠大脑皮层，可以将外界信号记录到记忆中，并在脑电中再现这种模式的记忆痕迹。此外，我们还研究了与这些现象相关的DC电位水平的变化。我们发现，在记忆痕迹再现的过程中，连续相的记忆痕迹激活和放松注册，并伴随着相应的负和正的DC移位。所观察到的电生理变化可能反映了参与印迹形成的神经系综的连续激活和抑制阶段。
2011-11-22 q-bio.NC
Leveraging Hyperscanning EEG and VR Omnidirectional Treadmill to Explore Inter-Brain Synchrony in Collaborative Spatial Navigation
本研究利用超扫描EEG和虚拟现实全向跑步机，分析双人协作空间导航中跨频段脑内与脑间连接，揭示了领导者和跟随者角色特异性的神经同步模式及表现相关差异。
2024-06-10 q-bio.NC
Reliability and validity of TMS-EEG biomarkers
非侵入性脑刺激和神经成像已经彻底改变了人类神经科学，具有多种应用，包括诊断亚型，治疗优化和复发预测。因此，识别将症状与其潜在神经机制联系起来的稳健且具有临床价值的脑生物标志物特别相关。脑生物标志物必须是可再现的（即，具有内部可靠性）并且是可推广的（即，具有外部可靠性）。然而，可靠性（内部和外部）是不够的;生物标志物还必须具有有效性。有效性描述了与潜在神经信号或疾病状态的真实测量的接近程度。我们建议，这两个指标，可靠性和有效性，应进行评估和优化之前，任何生物标志物用于通知治疗决策。在这里，我们讨论这些指标与因果脑连接生物标志物耦合经颅磁刺激（TMS）与脑电图（EEG）。我们讨论了围绕TMS-EEG的争议，这些争议源于多个大的脱靶成分（噪声）和相对较弱的真实大脑反应（信号），不幸的是，人类神经科学经常出现这种情况。我们回顾了TMS-EEG记录的当前状态，其中包括可靠的噪声和不可靠的信号的混合。我们描述了评估TMS-EEG生物标志物的方法，包括如何评估设施，认知状态，大脑网络和疾病的内部和外部可靠性，以及如何使用侵入性神经记录或治疗反应来验证这些生物标志物。我们提供建议，以提高可靠性和有效性，讨论经验教训，并建议该领域的未来发展方向。
2022-07-18 q-bio.NC
Reconstruction of brain networks involved in magnetophosphene perception using dense electroencephalography
人类在磁磷感知过程中大脑功能网络的特征。在高强度（50 mT）磁场（MF）暴露期间，对N=3名志愿者进行密集脑电图（EEG，128通道）检查。使用EEG源连接方法，在皮层水平上从头皮记录重建功能性脑网络。磁磷感知似乎始终激活右下枕颞通路。这项研究提供了第一个表征人类磁磷感知的神经成像结果。在生物电磁学领域，密集脑电源连接的使用是一种很有前途的方法。
2018-03-01 q-bio.NC
Resting state brain networks from EEG: Hidden Markov states vs. classical microstates
功能性脑网络在亚秒级时间尺度上表现出动态性，通常被认为是认知过程的生理基础。在这里，我们分析这些状态的时间和空间动态，EEG测量，与隐马尔可夫模型，并比较这种方法与经典的EEG微观分析。我们发现两种方法的主导态寿命为100- 150 ms。这些州的地形显示出明显的相似性。然而，它们也具有独特的空间特性，特别是时间特性。这些差异可以携带源自数据中的模式的生理上有意义的信息，HMM能够整合这些信息，而微观状态分析不能。这一假设是由一个一贯的高成对相关性的时间演变的EEG微观状态，这是没有观察到的HMM状态，这似乎不太可能是一个很好的描述的基础生理。然而，需要进一步的调查，以确定的鲁棒性和功能和临床相关性的EEG HMM状态相比，EEG microstates。
2016-06-07 q-bio.NC stat.ML
Combining EEG source connectivity and network similarity: Application to object categorization in the human brain
认知神经科学的一个主要挑战是评估人类大脑基于共同特征对视觉刺激进行分类或分组的能力。这个分类过程非常快，在几百毫秒的时间尺度内发生。然而，大规模脑网络的时空动态的精确跟踪仍然是一个未解决的问题。在这里，我们展示了最近开发的称为密集EEG源连接的方法的组合，以识别具有出色的时间和空间分辨率的功能性大脑网络，以及一种称为SimNet的算法，以计算大脑网络的相似性。在这项研究中分析了两类视觉刺激：不动和移动。在每个类别（条件内）和类别之间（条件间）评估网络相似性。结果表明，每个类别内的相似性高，两个类别之间的相似性低。在120- 190 ms的时间段内，观察到在内部和内部条件下计算的相似性之间的显着差异，认为这与视觉识别和记忆访问有关。我们推测，这些观察将有助于从网络的角度理解人脑中的对象分类。
2016-06-03 q-bio.NC
Calibration of off-the-shelf low-cost wearable EEG headset for application in field studies
脑电图（EEG）是全球神经认知研究中不可或缺的工具。然而，研究级EEG（32/64通道）系统是昂贵的，并且具有为临床使用而设计的繁琐设置，不适合实验室外的野外研究的恶劣环境。此外，EEG的长设置时间可能对那些不安分的受试者是恐吓的，儿童或老人。现成的，低成本的，干EEG设备（LCDE）已被提出作为有前途的选择。然而，LCDE中的少量电极限制了检测头皮区域，从而降低了LCDE仅用于基于所扫描的脑叶的一组特定认知任务的效用。本文提出了一种用于校准LCDE的新方法（例如，DREEM头带），以确定LCDE可能适合的特定类别的认知任务。该方法涉及使用LCDE与通过在脑叶中嵌入偶极子模拟的EEG样信号（使用BESA模拟器软件）对记录的数据进行比较分析。模拟的头皮活动和相应的源分析有助于识别LCDE设备扫描的大脑的近似区域。在使用脑电源分析（BESA软件）定位的脑叶源的进一步比较分析中，有助于表征认知任务的LCDE。主要研究结果总结了一系列心理学研究，这些研究可以使用各种LCDE进行，能够在实验室内外取代传统和昂贵的湿EEG系统。
2022-09-26 q-bio.NC
Human brain distinctiveness based on EEG spectral coherence connectivity
近年来，利用脑电生物特征进行自动身份识别的研究受到了越来越多的关注。目前大多数分析依赖于提取表征单个大脑区域活动的特征，如功率谱估计，从而忽略了所生成的EEG信号之间可能的时间依赖性。然而，重要的生理信息可以从不同大脑区域的功能耦合中提取出来。在这项研究中，我们提出了一种新的方法，将不同大脑区域之间基于光谱相干性的连接性融合为可能可行的生物特征。在闭眼（EC）和睁眼（EO）静息状态条件下，对受试者（N=108）的大型数据集进行了测试。所获得的识别性能表明，使用大脑的连接导致更高的独特性相对于功率谱测量，在这两个实验条件。值得注意的是，当整合额叶区域之间的功能连接时，在EC和EO中获得100%的识别准确率，而当融合来自中央顶叶区域的功率谱信息时，在EC中获得较低的97.41%（在EO中为96.26%）。两者合计，这些结果表明，功能连接模式代表有效的功能，以改善基于EEG的生物识别系统。
2014-03-23 q-bio.NC stat.ML
Effects of simultaneous real-time fMRI and EEG neurofeedback in major depressive disorder evaluated with brain electromagnetic tomography
最近，我们报道了一项情绪自我调节研究（Zotev等人，2020），其中重度抑郁症（MDD）患者使用同步实时fMRI和EEG神经反馈（rtfMRI-EEG-nf）上调与MDD相关的两种fMRI和两种EEG活动测量。目标措施包括左杏仁核和左喙前扣带皮层的功能磁共振成像活动，以及额叶脑电图在α波段（FAA）和高β波段（FBA）的不对称性。在这里，我们应用精确的低分辨率脑电磁断层扫描（eLORETA），以调查在rtfMRI-EEG-NF过程中的EEG源活动。探索性分析显示，在上α和高β电流源密度在前额叶区域，与上调的FAA和FBA在rtfMRI-EEG-NF任务的半球偏侧性的显着变化。在杏仁核的电流源密度观察到类似的偏侧变化。前额叶上部α电流密度变化与快感缺失严重程度呈显著负相关。前额叶高β电流密度的变化与共病焦虑的减少一致。与先前LORETA研究结果的比较表明，rtfMRI-EEG-nf训练对MDD患者有益，并且可能有能力纠正MDD中与快感缺失和共病焦虑相关的功能缺陷。
2020-10-21 physics.med-ph q-bio.NC
Fingerprints of data compression in EEG sequences
传统上，大脑通过将概率模型分配给刺激序列来压缩数据。与此猜想相关的一个重要问题是大脑使用哪类模型来执行其压缩任务。我们通过引入一个新的统计模型选择程序来解决这个问题，该程序旨在研究大脑执行数据压缩的方式。我们的程序使用上下文树模型来表示刺激序列和一个新的投影方法聚类EEG段。起点是一个实验协议，其中记录EEG数据，而参与者暴露于由随机链产生的听觉刺激。本文的结论是，使用两种不同的上下文树模型产生的刺激序列与两种不同算法产生的EEG片段进行仿真研究。
2020-08-25 q-bio.NC
Emergence of Brain Rhythms: Model Interpretation of EEG Data
脑电图（EEG）通过侵入式或非侵入式电极监测时间和频率变化以及电压波动或波的频谱内容，称为脑节律，以某种方式揭示受试者在休息期间和特定事件中受到刺激时的活动。这是探索大脑行为的有用工具，因为它补充了时间分辨率较差的成像技术。在这里，我们的方法从第一原理的EEG数据的理解，通过研究一个网络模型的兴奋性和抑制性神经元，产生各种可比波。事实上，我们因此再现了$α$、$β,$ $γ$和其他EEG观察到的节律，并识别了各自涉及的复杂现象的细节，包括输入和集体反应之间的精确关系。它增强了我们的模型的潜力，以更好地理解实际的心理机制及其可能的疾病，描述了心理行为主要质变的随机共振现象，人类我们还讨论了这些发现的合理用途，以设计深度学习算法来检测大脑中相变的发生并分析其后果。
2019-03-11 nlin.AO q-bio.NC
On the variability of functional connectivity and network measures in source-reconstructed EEG time-series
估计（相互作用的）大脑区域之间的统计相互依赖性的想法促使许多研究人员研究由此产生的连接模式和网络如何在任何可能的情况下组织起来。尽管这一想法并非处于初始阶段，但其实际应用仍远未普及。一个并发的原因可能与不同方法的扩散有关，这些方法旨在捕捉（相互作用）单元之间的潜在相关性。这个问题可能阻碍了不同研究之间的比较。不仅所有这些方法都有相同的名称（功能连接），而且它们经常使用不同的方法进行测试和验证，因此很难理解它们在多大程度上相似或不相似。在这项研究中，我们的目的是比较一组不同的方法，通常用于估计的功能连接的公共EEG数据集代表一个可能的现实情况。正如预期的那样，我们的研究结果表明，源级EEG连接估计和派生的网络措施，即使指向相同的方向，可能会显示大量的依赖于（通常是任意的）选择所选择的连接度量和阈值方法。在我们看来，观察到的变化反映了模糊性和关注，在报告基于任何连接性指标的结果时，都应该加以讨论。
2020-11-24 eess.SP q-bio.NC
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
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
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
When Does Your Brain Know You? Segment Length and Its Impact on EEG-based Biometric Authentication Accuracy
本研究通过系统探索分段时长并采用多种机器学习模型，旨在确定脑电图数据用于生物识别认证的最佳阈值，以平衡准确性与计算复杂性，推动非侵入性身份验证系统的发展。
2024-03-19 cs.CR eess.SP q-bio.NC
Sub-Scalp EEG for Sensorimotor Brain-Computer Interface
本研究通过在绵羊模型中记录体感诱发电位和分类运动执行，证明头皮下EEG具有高空间分辨率和接近侵入式方法的信号质量，可作为长期脑机接口的可行选择。
2025-06-03 eess.SP q-bio.NC
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
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
Exploring Two Novel Features for EEG-based Brain-Computer Interfaces: Multifractal Cumulants and Predictive Complexity
在本文中，我们介绍了两个新的功能设计的脑电图（EEG）的脑-机接口（BCI）：一个功能的基础上的多重分形累积量，和一个功能的基础上的预测复杂性的EEG时间序列。多重分形累积量特征测量信号的规律性，而预测复杂度测量基于信号的过去预测信号的未来的难度，从而测量信号的复杂程度。我们已经进行了评估，这两个新的功能对EEG数据对应的运动图像的性能。我们还将它们与BCI领域中使用的最成功的功能进行了比较，即频带功率功能。我们评估了这三种功能和他们的组合从13个主题的EEG信号。得到的结果表明，我们的新功能可以导致BCI设计与改进的分类性能，特别是当使用和组合的三种功能（带功率，多重分形累积量，预测复杂性）在一起。
2010-09-18 physics.data-an q-bio.NC
Localization of Brain Activity from EEG/MEG Using MV-PURE Framework
本文提出基于MV-PURE框架的降秩活动指数，用于从EEG/MEG中定位脑活动源，证明其无偏性并在低信噪比下对邻近相关源具有比全秩指数更高的空间分辨率。
2024-08-01 eess.SP q-bio.NC
Perturbing a Neural Network to Infer Effective Connectivity: Evidence from Synthetic EEG Data
Southern University of Science and Technology（南方科技大学）；University of Macau（澳门大学）；University of Queensland（昆士兰大学）
本研究针对多脑区非线性因果作用表征方法不足的问题，提出扰动训练后神经网络的有效连接推断框架，在合成EEG数据上验证发现CNN和Transformer性能优于经典Granger因果方法，为揭示脑因果结构提供新途径。
2023-07-19 cs.AI eess.SP q-bio.NC
Music of Brain and Music on Brain: A Novel EEG Sonification approach
Jadavpur University（贾达普大学）
我们能听到大脑的声音吗？有没有什么技术可以让我们听到来自大脑不同脑叶的神经电脉冲？所有这些问题的答案都是肯定的。在本文中，我们提出了一种新的方法，我们可以用声音的脑电图（EEG）数据记录在休息状态下，以及在一个最简单的声刺激的影响下-一个tanpura无人机。tanpura drone具有非常简单但非常复杂的声学特征，通常用于在音乐表演期间创建氛围。因此，对于这个试点项目，我们选择研究简单的声学刺激（tanpura drone）和超声EEG数据之间的相关性。到目前为止，还没有研究处理生物信号与其声学对应物之间的直接相关性以及该相关性如何在不同类型的刺激的影响下变化。这是同类研究中的第一个，它弥合了这一差距，并使用称为多重分形去趋势交叉相关分析（MFDXA）的强大数学显微镜寻找音乐信号和EEG数据之间的直接相关性。为此，我们采取了EEG数据的10名参与者在2分钟的“休息状态”（即白噪声）和2分钟的“tanpura无人机”（音乐刺激）听条件。然后，对不同电极的脑电信号进行超声处理，并采用MFDXA技术评估紫癜信号与脑电信号之间的相关程度（或互相关系数）。在实验过程中，不同叶的γx的变化也提供了重要的有趣的新信息。只有音乐刺激有能力参与大脑的几个区域，这与其他刺激（只参与特定领域）明显不同。
2017-12-22 cs.SD eess.AS physics.data-an
Classification of EEG-Based Brain Connectivity Networks in Schizophrenia Using a Multi-Domain Connectome Convolutional Neural Network
Universiti Teknologi Malaysia（马来西亚理工大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
我们利用脑功能连接的改变模式作为神经精神病患者自动判别分析的特征。深度学习方法最近才被引入到功能性网络分类中，用于fMRI，并且所提出的架构基本上集中在单一类型的连接性度量上。我们提出了一个深度卷积神经网络（CNN）框架，用于对精神分裂症（SZ）患者的脑电图（EEG）衍生脑连接体进行分类。为了捕捉在SZ中断连接的互补方面，我们探索各种连接功能的组合，包括有效连接的时间和频域指标的基础上向量自回归模型和部分有向相干性，和复杂的网络拓扑结构的网络措施。我们设计了一种新的多域连接体CNN（MDC-CNN）的基础上并行集成的一维和二维CNN集成的功能，从不同的域和维度使用不同的融合策略。多个卷积层从EEG连接性中学习到的分层潜在表示揭示了SZ和健康对照（HC）之间明显的群体差异。在一个大的静息状态EEG数据集上的结果表明，所提出的CNN显着优于传统的支持向量机分类器。具有组合连接特征的MDC-CNN进一步提高了使用单个特征的单域CNN的性能，实现了具有决策级融合的$93.06\%$的显著准确性。通过整合来自不同大脑连接描述符的信息，所提出的MDC-CNN能够准确地区分SZ和HC。新的框架是潜在的有用的开发SZ和其他疾病的诊断工具。
2019-03-21 cs.CV cs.LG q-bio.NC
Source localization of the EEG human brainwaves activities via all the different mother wavelets families for stationary wavelet transform decomposition
人类大脑活动的源定位是认知状态、医学疾病和更好地理解大脑的重要资源。在这项研究中，我们比较了51个母小波从7个不同的小波家庭在平稳小波变换（SWT）分解的脑电信号。该过程包括Haar，Symlets，Daubechies，Coiflets，离散Meyer，双正交和反向双正交小波族，用于提取五个不同的脑电波子带用于源定位。在这个过程中，我们使用独立分量分析（ICA）的特征提取，其次是边界元模型（BEM）和等效电流偶极子（ECD）的正问题和反问题的解决方案。在调查最佳母小波源定位的评估结果最终确定sym 20母小波为最佳选择，其次是bior 6.8和coif 5。
2019-11-04 cs.SY eess.SP eess.SY
Using Shallow Neural Networks with Functional Connectivity from EEG signals for Early Diagnosis of Alzheimer's and Frontotemporal Dementia
本研究提出结合谱时与多方法功能连接特征的浅层CNN模型，用于AD、FTD与对照的EEG分类，最高准确率达94.54%，为痴呆早期诊断提供新工具。
2023-11-06 eess.SP q-bio.NC
Human brain state classification via permutation entropy of EEG phase dynamics across consciousness levels and inattentive-type ADHD
Asia Pacific Center for Theoretical Physics（亚太理论物理中心）；Pohang University of Science and Technology（浦项科技大学）；Center for Neuroscience Imaging Research, Institute for Basic Science（基础科学研究院神经科学成像研究中心）；Sungkyunkwan University（成均馆大学）；Center for Artificial Intelligence and Natural Sciences, Korea Institute for Advanced Study（韩国高等研究院人工智能与自然科学中心）；Research Institute of Slowave Inc.（Slowave公司研究所）；Department of Anesthesiology, University of Michigan Medical School（密歇根大学医学院麻醉学系）
本文利用排列熵分析EEG信号，探讨不同脑状态的区分性。通过EEG相动态的主模态量化紊乱，发现意识、注意力不集中型ADHD和闭眼状态的排列熵均值较低且标准差较大，表明排列熵在脑状态分类中具有有效性，但对注意力不集中型ADHD的识别存在局限。
2026-05-08 nlin.AO q-bio.NC
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
EEG Signal Processing and Classification for the Novel Tactile-Force Brain-Computer Interface Paradigm
所提出的研究探讨了在何种程度上，传递到手持操纵杆的手的推力刺激可以作为一个平台，脑机接口（BCI）。四个压力方向用于唤起触觉脑电位反应，从而定义了一个战斗力脑机接口（tfBCI）。我们提出了大脑信号处理和分类程序，导致成功的接口结果。实验结果与七个主题进行在线BCI实验提供了一个验证的手的位置tfBCI范例，而通过显着的信息传输率照亮的概念的可行性。
2013-10-17 cs.HC q-bio.NC
Understanding Brain Dynamics for Color Perception using Wearable EEG headband
York University（约克大学）
颜色知觉是人脑的一个重要认知特征。冲击人眼的各种颜色可以触发大脑活动的变化，这些变化可以使用脑电图（EEG）捕获。在这项工作中，我们设计了一个多类分类模型来检测原始EEG信号的特征的原色。与以往的研究相比，我们的方法采用频谱功率特征，统计特征以及相关性特征从连续Morlet小波变换而不是原始EEG的信号频带功率，分类任务。我们已经应用了降维技术，如前向特征选择和堆叠自动编码器，以减少数据的维度，最终提高模型的效率。我们提出的方法，使用正向选择和随机森林分类器给出了最好的整体准确率为80.6%的主题内分类。我们的方法在开发使用颜色线索的认知任务技术方面显示出了希望，例如通过查看运动能力受限的个人的原色来控制物联网（IoT）设备。
2020-08-17 cs.LG q-bio.NC stat.ML
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
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
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
