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
Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model
Korea University(高丽大学)
针对EEG数据集中存在噪声数据影响模型泛化能力的问题,提出一种基于数据影响评估指标的数据集精炼算法,通过移除噪声数据有效提升了深度学习模型在EEG领域的泛化性能。
2024-10-31 cs.AI cs.HC cs.LG
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
EEG classifier cross-task transfer to avoid training sessions in robot-assisted rehabilitation
Robotics Innovation Center, German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心机器人创新中心);Institute of Medical Technology Systems, University of Duisburg-Essen(杜伊斯堡-埃森大学医学技术系统研究所)
针对机器人辅助康复中个体化EEG模型需专门训练数据的问题,提出利用双侧镜像治疗数据跨任务迁移SVM分类器,在8名受试者上验证其可仅凭少量通道预测单侧运动。
2024-02-26 cs.LG eess.SP
Reconstructing ERP Signals Using Generative Adversarial Networks for Mobile Brain-Machine Interface
Korea University(高丽大学)
实际的脑机接口已被广泛研究,以准确地检测人类的意图,在现实世界中使用大脑信号。然而,由于诸如行走和头部运动的伪影,脑电(EEG)信号失真,因此脑信号的幅度可能比期望的EEG信号大。由于这些伪影,在移动环境中准确地检测人类意图是具有挑战性的。在本文中,我们提出了基于生成对抗网络的重建框架,使用行走过程中的事件相关电位(ERP)。我们使用一个预先训练好的卷积编码器来表示潜在变量,并通过与编码器相反形状相似的生成模型来重建ERP。最后,使用判别模型对ERP进行分类,验证了该框架的有效性。结果表明,重建的信号具有与站立时ERP相似的重要成分,如N200和P300。重建的脑电信号的准确性与行走过程中的原始噪声脑电信号相似。重建脑电信号的信噪比显著提高,为1.3。生成式模型的损失率为0.6301,相对较低,说明训练生成式模型具有较高的性能。重建的ERP结果表明,通过降噪的效果,分类性能在步行过程中得到了改善。所提出的框架可以帮助识别人的意图,即使在移动环境中的脑机接口的基础上。
2020-05-18 cs.HC cs.LG eess.SP
DAL: Feature Learning from Overt Speech to Decode Imagined Speech-based EEG Signals with Convolutional Autoencoder
Korea University(高丽大学)
脑-机接口(BCI)是通过反映人的意图和状态来实现人与设备之间通信的工具之一。随着人工智能的发展,人们对使用脑电图(EEG)在人类和无人机之间进行通信的兴趣增加。特别是,在控制无人机群的情况下,例如方向或编队,与控制无人机单元相比,有许多优点。想象言语是一种内源性的脑机接口范式,它可以识别用户的意图。当进行想象语音时,用户想象发音就像实际说话一样。相比之下,显性语音是用户直接发音的任务。当使用想象的语音控制无人机群时,可以更直观地传递复杂的命令,但解码性能低于其他内源性BCI范例。提出了深度自学习算法(DAL)来学习明显语音的脑电信号特征,用于基于想象语音的脑电信号分类。据我们所知,这项研究是第一次尝试使用脑电特征的公开语音解码想象的语音为基础的脑电信号与自动编码器。共有8名受试者参加了实验。当对四个词进行分类时,DAL的平均正确率为48.41%。此外,当比较明显语音的w/o和w/ EEG特征之间的性能时,当包括明显语音的EEG特征时,性能提高了7.42%。因此,我们证明了公开语音的EEG特征可以提高想象语音的解码性能。
2021-07-15 cs.HC cs.LG cs.SD
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
Comparison About EEG Signals Processing in BCI Applications
在为轻度受损中风患者的手臂康复而实施的脑机接口平台的背景下,比较了EEG信号处理的两种方法在(i)它们的识别性能速率和(ii)它们的计算复杂度方面,总体目标是选择最有效和可行的实时程序。实际上,有效的信号处理是这种技术的最关键问题之一,这种技术旨在在受试者的大脑和机器(即计算机、机器人手臂或其他设备)之间建立实时通信,该机器应该实现他/她的意图以代替他/她受损的手臂移动。
2019-05-04 eess.SP q-bio.QM
Decoding Visual Responses based on Deep Neural Networks with Ear-EEG Signals
近年来,实用的脑机接口被积极地实施,特别是在移动环境中。然而,运动伪迹和运动状态下的肌电信号会使脑电信号发生畸变,从而使人的意图识别变得困难。此外,由于硬件问题也是具有挑战性的,耳-EEG已经被开发用于实用的脑机接口并且被广泛使用。然而,耳EEG仍然包含被污染的信号。本文提出了一种在步行条件下鲁棒的双流深度神经网络,并从统计分析和脑机接口性能两个方面分析了头皮和耳朵中的视觉反应脑电信号。我们验证了视觉反应范式,稳态视觉诱发电位的信号。当以1.6 m/s的速度快速行走时,脑机接口性能下降3~14%。当应用该方法时,头-EEG和耳-EEG的准确性分别提高了15%和7%。该方法在会话相关和会话到会话的实验中显示出对走动条件的鲁棒性。
2020-02-04 cs.HC eess.SP
Graph Convolutional Neural Networks for analysis of EEG signals, BCI application
近年来,解码大脑信号已经获得了许多关注,并且已经找到了许多应用,例如脑计算机接口,使用用户的意图与控制外部设备进行通信,占据了具有改变世界潜力的新兴领域,具有从康复到人类增强的多种应用。这就是说,脑信号分析,特别是EEG脑信号分析,是一项具有挑战性的任务。随着深度学习领域在仅使用原始数据解决问题方面的进步和成就,近年来很少有人尝试将深度学习应用于处理EEG和其他类型的大脑信号。在这项研究中,我们提出了一种新的损失函数,称为DeepCSP,将经典的公共空间模式扩展到一个非线性的,可微的模块,作为损失函数,以端到端的方式对原始信号执行属于不同类别的EEG信号的线性可分离的潜在表示,而不需要执行广泛的特征工程。随着最近深度学习方法在任意结构图上的推广和引入的损失,我们提出了两个轻量级模型来解码EEG信号,并进行了实验来展示它们的性能。
2020-06-16 eess.SP
A reworked SOBI algorithm based on SCHUR Decomposition for EEG data processing
在用于控制运动康复设备的脑机接口(BMI)中,需要处理所监测的脑信号,目的是识别患者移动他的手或肢体的意图并拒绝叠加在这些信号上的伪影和噪声。这种处理必须在由这种设备的在线控制要求所施加的时间限制内进行。一种广泛使用的算法是二阶盲识别(SOBI)独立分量分析(ICA)算法。然而,该算法存在较长的处理时间,因此不适合用于康复设备的基于脑的控制。本文提出了一种基于SCHUR分解结果的修正算法,大大减少了处理时间。这种新算法非常适合用于康复设备的基于大脑的控制。
2018-05-08 cs.HC eess.SP
EEG-DCNet: A Fast and Accurate MI-EEG Dilated CNN Classification Method
School of the Future Technology, Xi’an Jiaotong University(西安交通大学未来技术学院);School of the Automation Science and Engineering, Xi’an Jiaotong University(西安交通大学自动化科学与工程学院)
针对脑机接口中运动想象脑电分类的关键挑战,提出EEG-DCNet模型,通过多分支扩张卷积、滑动窗口和注意力机制提升准确性与效率,在三个数据集上优于SOTA且参数更少。
2024-11-12 cs.AI cs.LG eess.SP
Toward Adaptive BCIs: Enhancing Decoding Stability via User State-Aware EEG Filtering
Dept. of Artificial Intelligence Korea University Seoul, Republic of Korea(人工智能系 韩国大学首尔共和国)
针对脑机接口因用户状态变化导致解码性能下降的问题,提出用户状态感知的脑电图滤波框架,通过估计认知状态并自适应加权过滤不可靠片段,提升了不同状态和会话下的分类准确性与稳定性。
2025-11-11 cs.AI eess.SP
Source Aware Deep Learning Framework for Hand Kinematic Reconstruction using EEG Signal
使用非侵入性脑电图(EEG)重建手部运动的运动学参数的能力对于使用外装/外骨骼的力量和耐力增强是必不可少的。对于系统开发,传统的基于分类的脑机接口(BCI)通过向致动器提供离散控制信号来控制外部设备。从EEG信号的连续运动重建更适合于实际BCI应用。最先进的多变量线性回归(mLR)方法提供了手部运动学的连续估计,实现了测量和估计手部轨迹之间的最大相关性高达0.67。在这项工作中,提出了三种新的源感知深度学习模型用于运动轨迹预测(MTP)。特别地,提出了多层感知器(MLP)、卷积神经网络-长短期记忆(CNN-LSTM)和小波包分解(WPD)CNN-LSTM。额外的新颖性的工作包括利用脑源定位(使用sLORETA)的可靠解码的运动意图映射(通道选择)和准确的EEG时间段选择。所提出的模型的性能进行了比较,与传统上使用的mLR技术的真正的把握和升降机(GAL)数据集。建议的框架的有效性建立使用皮尔逊相关系数和轨迹分析。与最先进的mLR模型相比,观察到相关系数的显着改善。我们的工作弥合了控制和致动器块之间的差距,使实时BCI实施。
2022-01-04 eess.SP
Upper Limb Movement Recognition utilising EEG and EMG Signals for Rehabilitative Robotics
National University of Singapore(新加坡国立大学)
上肢运动分类,将输入信号映射到目标活动,是康复机器人控制中的关键构建块。训练分类器以使康复系统理解上肢功能不正常的患者的期望。肌电信号和脑电信号被广泛用于上肢运动分类。通过分析实时EEG和EMG信号的分类结果,系统可以理解用户的意图并预测用户想要执行的事件。因此,它将为用户提供外部帮助。然而,实时EEG和EMG数据汇集过程中的噪声污染了数据的有效性,这破坏了分类性能。此外,由于肌肉损伤和神经肌肉疾病,并非所有患者都能处理强EMG信号。为了解决这些问题,本文探讨了不同的特征提取技术和用于EEG和EMG信号分类的机器学习和深度学习模型,并提出了一种新的决策级多传感器融合技术来集成EEG信号和EMG信号。该系统从两个来源检索有效信息,以理解和预测用户的需求,从而提供帮助。通过在公开的WAY-EEG-GAL数据集上测试所提出的技术,该数据集包含同时记录的EEG和EMG信号,我们可以得出新系统的可行性和有效性的结论。
2022-09-19 cs.LG cs.RO eess.SP
Towards a Network Expansion Approach for Reliable Brain-Computer Interface
针对EEG信号变异性导致脑机接口可靠性不足的问题,提出一种可扩展网络,在学习性能不足时通过扩展网络容量提升特征提取能力,实验表明该方法在三个会话中表现优异并支持个性化校准。
2024-11-04 cs.HC eess.SP
FingerNet: EEG Decoding of A Fine Motor Imagery with Finger-tapping Task Based on A Deep Neural Network
Chungbuk National University(忠北国立大学);The Catholic University of Korea(韩国天主教大学)
本研究提出专门用于精细运动想象分类的深度网络FingerNet,可提取EEG时空特征,在五指敲击任务分类上准确率优于EEGNet和DeepConvNet,采用加权交叉熵缓解类别不平衡,可拓展至多类运动想象及多分类领域。
2024-03-06 cs.LG eess.SP 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
EEG2MOTION: Towards Open-Vocabulary Human Motion Synthesis from Non-invasive Brain Signals
Zhejiang University(浙江大学);Qiushi Academy for Advanced Studies, Zhejiang University(浙江大学求是高等研究院);College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);The Hong Kong Polytechnic University(香港理工大学);Key Laboratory of Biomedical Engineering of Ministry of Education, Zhejiang University(浙江大学教育部生物医学工程重点实验室)
研究人员推出首个EEG-动作-文本数据集EEG2MOTION,提出EEG条件掩码动作模型EMMM,实现从无创脑信号生成多样连贯的全身体人体动作,为生成式开放词汇运动BCI开辟新方向。
2026-08-18 eess.SP
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
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
Deep Neural Networks on EEG Signals to Predict Auditory Attention Score Using Gramian Angular Difference Field
BITS Pilani K K Birla Goa Campus(BITS Pilani K K Birla 果阿校区)
听觉注意是一种选择性的听觉类型,人们有意地将注意力集中在特定的声音或言语来源上,而忽略或抑制其他听觉刺激。从某种意义上说,个体的听觉注意力分数显示了这个人在听觉任务中的注意力。深度学习和记录神经活动的非侵入性技术的最新进展提出了一个问题,深度学习以及脑电图(EEG)等技术是否可以用于预测个体的听觉注意力得分?在本文中,我们专注于这个问题,估计一个人的听觉注意力水平的基础上,他们的大脑的电活动捕获使用14通道EEG信号。更具体地说,我们处理的注意力估计作为一个回归问题。这项工作是在公开的Phyaat数据集上进行的。Gramian角差场(GADF)的概念已被用于将时间序列EEG数据转换为具有14个通道的图像,使我们能够训练各种深度学习模型,如2D CNN,3D CNN和卷积自动编码器。他们的表现已经相互比较,以及与以前所做的工作。在我们尝试的不同模型中,2D CNN的性能最好。它优于现有的方法的一个体面的利润率为0.22平均绝对误差(MAE)。
2021-10-24 cs.LG eess.SP
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
EEG fingerprinting: subject specific signature based on the aperiodic component of power spectrum
Stichting Epilepsie Instellingen Nederland (SEIN)(荷兰癫痫机构基金会(SEIN));University of Cagliari(卡利亚里大学)
在过去的几年里,人们越来越感兴趣的影响引起的个体差异激活模式和大脑连接。个体变异性的实际意义对于群体水平和学科水平的研究都具有基本的相关性。脑电图(EEG)仍然是最常用的记录技术之一,用于研究广泛的大脑相关特征。在这项工作中,我们的目标是估计一组非常简单,易于解释的特征提取的EEG功率谱的个体变异性的影响。特别是,在识别的情况下,我们研究了如何的非周期性(1/f背景)的EEG功率谱的组成部分,可以准确地识别从一个大的EEG数据集的主题。本研究的结果表明,非周期性的EEG信号的组成部分的特征在于由强的主题特定的属性,该功能是一致的,在不同的实验条件下(眼睛打开和眼睛关闭),并优于规范定义的频段。这些研究结果表明,简单的功能(斜率和偏移量)提取的非周期性成分的EEG信号是敏感的个人特质,并可能有助于表征,并作出推断,在单个主题的水平。
2020-01-26 cs.CV eess.SP q-bio.NC
Translating Mental Imaginations into Characters with Codebooks and Dynamics-Enhanced Decoding
提出基于心理任务的新型EEG范式与码本,结合TSLD网络捕获时空信号动态,在无外部刺激下实现字符解码,准确率较直接想象高五倍并提升基线约8.5%。
2024-09-25 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
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
Differences in MEG and EEG power-law scaling explained by a coupling between spatial coherence and frequency: a simulation study
电生理信号(脑电图,EEG和脑磁图,MEG),作为许多自然过程,表现出标度不变性的性质,导致一个幂律(1/f)频谱。有趣的是,EEG和MEG的斜率不同,这可以通过几种机制来解释,包括组织的非电阻特性。我们在本研究中的目标是估计源信号的空间/频率结构的影响,作为一个假定的机制来解释神经成像信号的频谱标度特性。我们进行了模拟的基础上,不同大小(范围从0.4到104.2厘米2)的皮质补丁的总和贡献。小补丁归因于高频率的信号,而大补丁与低频率的信号,在对数尺度上。测试的参数包括i)空间/频率结构(补丁大小和频率的范围)和ii)参数化空间尺度比的幅度因子c。我们发现,空间/频率结构可能会导致EEG和MEG无标度谱之间的差异,这与以往研究中报道的真实数据结果是一致的。我们还发现,在一定的空间尺度下,EEG和MEG之间没有更多的差异,这表明两种方法的分辨率是有限的。我们的工作为实验结果提供了解释。这并不排除EEG和MEG之间差异的其他机制,但表明神经动力学的时空结构的重要作用。这可以帮助分析和解释EEG和MEG中的幂律测量,我们相信我们的结果也可以影响大脑动力学的计算建模,其中可以在不同的频率下使用不同的局部连接结构。
2019-10-24 eess.SP q-bio.NC
Low-Latency Neural Inference on an Edge Device for Real-Time Handwriting Recognition from EEG Signals
Electrical and Computer Engineering, University of Florida(电子与计算机工程系,佛罗里达大学);Computer and Information Science and Engineering, University of Florida(计算机与信息科学与工程,佛罗里达大学);Behavioral and Cognitive Neuroscience, University of Florida(行为与认知神经科学,佛罗里达大学)
本研究提出EEdGeNet混合架构,结合EEG特征提取,在边缘设备上实现89.83%准确率、914.18ms延迟的实时想象手写解码,并通过特征选择将延迟降至202.6ms,验证了便携式非侵入式BCI的可行性。
2025-10-07 cs.LG eess.SP
RLEEGNet: Integrating Brain-Computer Interfaces with Adaptive AI for Intuitive Responsiveness and High-Accuracy Motor Imagery Classification
本文提出RLEEGNet框架,结合强化学习DQN与1D-CNN-LSTM架构及CSP预处理技术,解决假肢控制缺乏实时适应性问题,在GigaScience和BCI-IV-2a数据集上实现高达100%的运动想象分类准确率。
2024-02-09 cs.AI eess.SP
Towards Brain-Computer Interfaces for Drone Swarm Control
非侵入性脑机接口(BCI)解码大脑信号以理解用户意图。随着无人机控制需求的增加,基于BCI的无人机控制系统已经取得了最新进展。特别是,基于脑信号的无人机群体控制可以为军事服务或工业灾难等各种行业提供服务。本文提出了一个原型的脑群接口系统的各种情况下,使用视觉图像范例。我们设计了一个可以在无人机群体控制模拟器环境下获取大脑信号的实验环境。通过该系统,我们收集了四种不同的情况下的脑电图(EEG)信号。七名受试者参加了我们的实验,并使用基本的机器学习算法评估分类性能。总平均分类精度高于机会水平精度。因此,我们可以确认基于EEG信号的无人机群控制系统执行高级任务的可行性。
2020-02-03 cs.NE eess.SP
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
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
A Novel RL-assisted Deep Learning Framework for Task-informative Signals Selection and Classification for Spontaneous BCIs
Korea University(高丽大学)
在这项工作中,我们制定了一个马尔可夫决策过程的形式,估计和选择任务相关的时间信号段从一个单一的EEG试验的问题,并提出了一种新的学习机制,可以结合现有的基于深度学习的BCI方法。具体来说,我们设计了一个行动者-评论家网络,使代理可以确定哪些时间点需要使用(信息)或丢弃(无信息)在组成的意图相关的功能在一个给定的审判,从而提高意图识别性能。为了验证我们提出的方法的有效性,我们使用公开的大MI数据集进行了实验,并将我们的新机制应用于最近为MI分类设计的各种深度学习架构。基于详尽的实验,我们观察到,我们提出的方法有助于实现统计上显着的性能改善。
2020-07-01 cs.AI cs.LG eess.SP
Classification of Upper Limb Movements \newline Using Convolutional Neural Network \newline with 3D Inception Block
基于脑电图的脑机接口(BMI)可以克服患者的运动缺陷,也可以用于健康人的实际应用。理想情况下,BMI系统检测用户的移动意图,将其转换为机器人手臂移动的控制信号。在这项研究中,我们取得了进展,对用户意图解码,并成功地分类六个不同的到达运动的右臂在运动执行(ME)。值得注意的是,我们设计了一个使用机器人手臂运动的实验环境,并提出了一个卷积神经网络架构(CNN),具有初始块,用于对同一肢体的执行运动进行鲁棒分类。结果,我们证实了六个不同方向的分类精度显示0.45的执行会话。实验结果表明,与传统的分类模型相比,该结构的分类性能提高了约6~13%。因此,我们证明了3D初始CNN架构有助于ME的连续解码。
2020-02-04 cs.HC eess.SP
Contrastive Learning of Shared Spatiotemporal EEG Representations Across Individuals for Naturalistic Neuroscience
Tsinghua University(清华大学);Southern University of Science and Technology(南方科技大学)
本研究提出跨个体共享时空EEG表征对比学习框架CL-SSTER,通过时空卷积结合对比学习提取跨个体共享神经模式,在三类EEG数据集上取得最优被试间相关性,为自然神经科学研究提供可解释、可扩展的分析工具。
2024-07-14 cs.LG eess.SP q-bio.NC
Quantifying Event-Related (De)Synchronization Variability for Brain-Computer Interface: A Unified and Interpretable Framework
Inria Centre at the University of Bordeaux(波尔多大学Inria中心)
研究针对脑机接口中EEG变异性问题,提出统一可解释框架,通过提取EEG特征量化时间、空间和频率变异性。利用两个数据集进行实验,发现变异性与BCI性能负相关,揭示了不同分类器对变异性的敏感性差异,为理解EEG变异性和改进BCI提供支持。
2026-09-29 eess.SP
The WQN algorithm for EEG artifact removal in the absence of scale invariance
本文针对EEG信号在睡眠和麻醉等脑状态下缺乏标度不变性的问题,研究了小波分位数归一化(WQN)算法的正则化性质、小波基无关性及连续性,证明其能有效去除瞬态伪迹并优于传统阈值方法。
2023-07-09 eess.SP stat.ME
Review of the State-of-the-art on Bio-signal-based Brain-controlled Vehicles
脑控车(Brain-controlled vehicle,BCV)是一种已经建立的技术,通常是为残疾患者设计的。这篇评论集中在大脑控制车辆的最相关的主题上,特别是考虑到陆地BCV(例如,移动汽车、汽车模拟器、真实汽车、图形和游戏汽车)和空中BCV,也称为BCAV(例如,真实的四轴飞行器、无人机、固定翼、图形直升机和飞行器),其使用诸如脑电图(EEG)、眼电图和肌电图的生物信号来控制。例如,基于EEG的算法检测来自用于意图检测的大脑的运动想象皮层区域的模式,如事件相关去同步/事件相关同步、状态视觉诱发电位、P300和生成的局部诱发电位模式。我们已经确定,报告的最佳性能方法采用机器学习和人工智能优化方法,即支持向量机,神经网络,线性判别分析,k-最近邻,k-均值,水滴优化和混沌拔河优化优化。我们考虑了以下指标来分析不同方法的效率:生物信号的类型和组合、时间响应和统计分析的准确度值。目前的工作提供了一个广泛的文献回顾过去十年的主要发现,表明在该领域的未来前景。
2020-06-03 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
Edge Sparse Basis Network: A Deep Learning Framework for EEG Source Localization
Southern University of Science and Technology(南方科技大学);Wake Forest School of Medicine(维克森林医学院);KU Leuven(鲁汶大学)
脑电源定位是脑电分析中的一个重要技术问题。尽管存在许多用于脑电源定位的数值方法,但它们都依赖于强先验,并且深源是难以处理的。在这里,我们提出了一个深度学习框架,使用空间基函数分解的EEG源定位。该框架结合了边缘稀疏先验和高斯源基,称为边缘稀疏基网络(ESBN)。通过合成数据和运动任务中的真实脑电数据验证了ESBN的性能。结果表明,监督ESBN优于传统的数值方法在合成数据和无监督的微调提供了更多的焦点和准确的定位在真实数据。我们提出的深度学习框架可以扩展到其他源先验,ESBN的实时性可以促进EEG在脑机接口和临床中的应用。
2021-06-16 cs.LG eess.SP
Dynamic-Attention-based EEG State Transition Modeling for Emotion Recognition
提出基于动态注意力的脑电状态转换模型(DAEST),通过提取EEG时空成分并估计动态注意力权重来刻画脑状态转换,在对比学习框架下优化,在FACED、SEED和SEED-V数据集上取得最先进性能,为情绪处理神经动力学提供见解。
2024-11-07 cs.HC eess.SP q-bio.NC
Six-center Assessment of CNN-Transformer with Belief Matching Loss for Patient-independent Seizure Detection in EEG
神经科医生通常通过视觉检查从脑电图(EEG)中识别癫痫发作。这个过程通常很耗时,特别是对于持续数小时或数天的EEG记录。为了加快这一过程,一个可靠的,自动化的,独立于患者的癫痫发作检测器是必不可少的。然而,开发患者独立的癫痫发作检测器是具有挑战性的,因为癫痫发作在患者和记录设备之间表现出不同的特征。在这项研究中,我们提出了一个独立于患者的癫痫发作检测器,自动检测癫痫发作头皮脑电图和颅内脑电图(iEEG)。首先,我们部署了一个具有Transformers和置信匹配损失的卷积神经网络来检测单通道EEG片段中的癫痫发作。接下来,我们从通道级输出中提取区域特征,以检测多通道EEG片段中的癫痫发作。最后,我们将后处理滤波器应用于多通道EEG的分段级输出,以确定癫痫发作的开始和结束点。最后,我们引入了最小重叠评估评分作为评估指标,该指标考虑了检测和癫痫发作之间的最小重叠,改进了现有的评估指标。我们在坦普尔大学医院癫痫发作(TUH-SZ)数据集上训练了癫痫发作检测器,并在五个独立的EEG数据集上对其进行了评估。我们使用以下指标评估系统:灵敏度(SEN),精度(PRE)以及每小时的平均和中位数假阳性率(aFPR/h和mFPR/h)。在四个成人头皮EEG和iEEG数据集中,我们获得了SEN为0.617-1.00,PRE为0.534-1.00,aFPR/h为0.425-2.002,mFPR/h为0-1…
2022-11-22 eess.SP
Multivariate Empirical Mode Decomposition of EEG for Mental State Detection at Localized Brain Lobes
在这项研究中,多变量经验模式分解(MEMD)方法被应用于提取特征的多通道脑电信号的精神状态分类。MEMD是一种数据自适应分析方法,特别适用于EEG等多维非线性信号。应用MEMD会产生一组称为固有模式函数(IMF)的振荡模式。由于分解过程是依赖于数据的,因此IMF根据由功能性脑活动引起的信号变化而变化。在所提取的IMF中,发现对应于高振荡模式的IMF对于检测不同的精神状态是最有用的。从对精神状态检测贡献最大的IMF计算非线性特征。这些MEMD特征显示出比通过傅里叶变换和小波变换获得的常规时间谱特征显著的性能增益。通过分析从相关EEG通道提取的MEMD特征,观察特定脑区的优势。额区被认为是最显着的分类准确率为98.06%。这种多维分解方法支持联合通道属性,并为基于EEG的精神状态检测产生最具鉴别力的特征。
2022-06-02 eess.SP
mixEEG: Enhancing EEG Federated Learning for Cross-subject EEG Classification with Tailored mixup
Shanghai Jiao Tong University(上海交通大学)
本文首次在联邦学习场景下研究跨被试脑电图分类,提出 mixEEG 框架,通过共享未见被试的平均数据并提供伪标签来增强隐私保护和模型可迁移性,在癫痫检测和情绪识别任务上验证了其有效性。
2025-04-07 cs.LG eess.SP
EEG-based Emotional Video Classification via Learning Connectivity Structure
School of Integrated Technology, Yonsei University(延世大学综合技术学院)
脑电(EEG)是一种有效的方法,隐式监测用户的感知状态,在多媒体消费。基于EEG的监测的实际使用的主要挑战之一是在EEG分类中实现令人满意的准确度水平。不同脑区之间的连通性是脑电信号分类的重要特征。然而,如何定义给定任务的连接结构仍然是一个悬而未决的问题,因为没有关于连接结构应该如何以最大限度地提高分类性能的基本事实。本文提出了一种端到端的神经网络模型用于基于EEG的情感视频分类,该模型可以直接从一组原始EEG信号中提取适当的多层图结构和信号特征,并使用它们进行分类。实验结果表明,我们的方法相比,现有的方法,手动定义的连接结构和信号特征的使用,产生更好的性能。此外,我们表明,图结构提取过程是可靠的一致性方面,学习的图结构有很大的意义的观点发生在大脑中的情感感知。
2021-12-06 cs.LG eess.SP stat.ML
Enhancing Listened Speech Decoding from EEG via Parallel Phoneme Sequence Prediction
University of Southern California(南加州大学)
本文提出在 EEG 所听语音解码中加入并行辅助音素预测器,使模型可同时输出语音波形与文本音素序列,并在两种模态上超越以往方法。
2025-01-08 cs.AI cs.CL eess.AS
hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications
University of Milan-Bicocca(米兰比可卡大学);University of Padova(帕多瓦大学)
本文提出vEEGNet-ver3和hvEEGNet两个变分自编码器,以EEGNet为编码器并结合动态时间规整损失,在BCI Competition IV Dataset 2a上实现高保真EEG重建,并发现该数据集存在损坏记录。
2023-11-20 cs.LG eess.SP
Classification of EEG Signal based on non-Gaussian Neutral Vector
Pattern Recognition and Intelligent System Laboratory Beijing University of Posts and Telecommunications(北京邮电大学模式识别与智能系统实验室北京邮电大学)
在脑机接口系统的设计中,脑电信号的分类是必不可少的一部分,也是一项具有挑战性的任务。近年来,由于边缘化离散小波变换(mDWT)能够反映脑电信号的瞬态特性,mDWT系数被广泛应用于脑电信号分类中。在我们之前的工作中,我们提出了一个基于超狄利克雷分布的分类器,它利用了mDWT系数的非负和和一属性。该分类器的性能优于最先进的支持向量机为基础的分类器。在本文中,我们进一步研究的中性mDWT系数。假设mDWT向量系数是一个中性向量,我们将它们非线性地转换成一组独立的标量系数。在变换后的特征域上提出了特征选择策略。实验结果表明,该特征选择策略有助于提高分类精度。
2020-02-02 cs.LG eess.SP stat.ML
Characterising Alzheimer's Disease with EEG-based Energy Landscape Analysis
阿尔茨海默病(AD)是最常见的神经退行性疾病之一,全世界约有5000万患者。因此,迫切需要诊断和表征AD的可解释的和非侵入性的方法。脑电图(EEG)符合这些标准,通常用于研究AD。来自EEG的几个特征被证明可以高精度地预测AD,例如信号复杂性和同步性。然而,在AD和EEG数据的情况下,大脑如何在稳定状态之间转换的动力学还没有得到适当的研究。能源景观分析是一种可以用来量化这些动态的方法。这项工作提出了这种方法的第一个应用到AD和EEG。能量景观为每个可能的状态分配能量值,即大脑区域的激活模式。能量与发生概率成反比。通过研究20名AD患者和20名年龄匹配的健康人的能量景观特征,发现AD患者的大脑网络动力学更受约束-具有更多的局部极小值,盆地大小的变化更小,盆地更小。我们表明,能源景观可以预测AD具有很高的准确性,表现显着优于基线模型。
2021-07-13 cs.IT cs.SY eess.SP
MVGT: A Multi-view Graph Transformer Based on Spatial Relations for EEG Emotion Recognition
School of Computer Science (National Pilot Software Engineering School)(计算机学院(国家试点软件工程学院))
本文提出MVGT模型,通过整合时间动态、频率特征和通道关系,提升EEG情感识别的性能和表征能力。
2026-03-13 cs.AI cs.NE eess.SP
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
AERIAL: Adversarial Evaluation of Robustness in Accuracy-Preserving Low-Precision EEG Decoders
New York University Abu Dhabi (NYUAD)(纽约大学阿布扎比分校)
本研究通过对抗性评估发现,精度保持的压缩(如剪枝和量化)不改善脑电解码器的直接鲁棒性,但会降低对抗性迁移效率,表明鲁棒性、迁移性和部署效率是独立属性。
2026-09-25 cs.CR cs.CV cs.LG
Towards Automated EEG-Based Epilepsy Detection Using Deep Convolutional Autoencoders
University of Applied Sciences Ansbach(安斯巴赫应用技术大学);BESA GmbH(BESA有限公司)
本文提出基于深度卷积自编码器的自动脑电图癫痫检测方法,通过结合时间和频率损失提升EEG信号重建性能,验证了深度学习在处理EEG数据时对频域信息的捕捉能力。
2025-12-16 eess.SP