Binary and Multiclass Classifiers based on Multitaper Spectral Features for Epilepsy Detection
Federal University of Technology（联邦理工大学）；University of São Paulo（圣保罗大学）
癫痫是最常见的神经系统疾病之一，可以通过脑电图（EEG）进行诊断，其中可以观察到以下癫痫事件：发作前、发作、发作后和发作间期。在本文中，我们提出了一种新的方法，癫痫检测到两个分化的背景下：二进制和多类分类。对于特征提取，从功率谱、频谱图和双频谱图中提取总共105个测量值。对于分类器构建，使用了八种不同的机器学习算法。我们的方法被应用在一个广泛使用的EEG数据库。因此，随机森林和反向传播的多层感知器算法的基础上达到最高的精度为二进制（98.75%）和多类（96.25%）分类问题，分别。随后，统计测试没有找到一个模型，将实现比其他分类器更好的性能。在基于混淆矩阵的评估中，也不可能识别出与用于EEG分类的其他模型相比突出的分类器。即便如此，我们的结果是有希望的，并与文献中的发现竞争。
2020-04-02 cs.LG eess.SP stat.ML
Handwriting Imagery EEG Classification based on Convolutional Neural Networks
本研究首次尝试解码手写想象相关的非侵入式EEG，通过训练4种CNN模型对5名受试者的26字母想象脑电分类，最高准确率达约20%，验证了字母特异性模式并为后续研究建立基准。
2025-09-03 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
Synthetic EEG Generation using Diffusion Models for Motor Imagery Tasks
Escola de Artes, Ciências e Humanidades (USP) São Paulo, SP（艺术、科学与人文学院（USP）圣保罗，SP）
针对EEG数据采集难题，提出用DDPM生成运动想象任务合成EEG的方法，经多分类器验证其准确率超95%，可补充数据集提升BCI分类性能。
2025-10-03 cs.AI cs.LG 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
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
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
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
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
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
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
Deep Learning with ConvNET Predicts Imagery Tasks Through EEG
A. Yay k ( ) Military Academy \ Defence University, Ankara, Turkey email: Y. Kutlu Department of Computer Engineering, \. I skenderun Technical University, Hatay, Turkey G. Altan Department of Computer Engineering, \. I skenderun Technical University, Hatay, Turkey
使用卷积神经网络（ConvNets）的深度学习通过考虑原始数据而无需任何先前的特征提取，大大提高了计算机视觉应用的学习能力。如今，人们对使用ConvNets解释和分析脑电图（EEG）动力学越来越感兴趣。我们的研究集中在不同结构的ConvNets上，这些ConvNets是为了通过原始EEG数据在独立于主体的基础上预测想象的左右运动而构建的。结果表明，近年来机器学习领域的先进方法，即自适应矩和批量归一化以及dropout策略，提高了ConvNets的预测能力，优于传统的具有广泛使用的光谱特征的全连接神经网络。
2019-07-12 cs.HC cs.LG eess.SP
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
Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification
Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院（DGIST））
基于脑电（EEG）信号，特别是运动想象（MI）数据的脑机接口（BCI）已经受到了很多关注，并显示出在医疗保健和其他行业中设计关键技术的潜力。当受试者想象肢体运动时生成MI数据，并且MI数据可以用于辅助康复以及自动驾驶场景。因此，MI信号的分类对于基于EEG的BCI系统至关重要。最近，使用深度学习的MI EEG分类技术已经显示出比传统技术更好的性能。然而，由于受试者之间的差异性，看不见的受试者数据的稀缺性，以及低信噪比，提取鲁棒的特征和提高准确性仍然是具有挑战性的。在这种情况下，我们提出了一种新的双向Few Shot网络，它能够有效地学习如何学习看不见的主题类别的代表性特征，以及如何用有限的MI EEG数据对它们进行分类。该流水线包括从一组样本学习特征表示的嵌入模块、用于关键信号特征发现的关注机制、以及用于基于支持集和查询信号之间的关系得分进行最终分类的关系模块。除了统一学习的特征相似性和一个Few Shot分类器，我们的方法导致强调信息功能的支持数据相关的查询数据，这更好地概括了看不见的主题。为了进行评估，我们使用了BCI竞赛IV 2b数据集，并在20次分类任务中实现了9.3%的准确率提高，具有最先进的性能。实验结果证明了使用注意力的有效性和我们的方法的总体通用性。
2020-08-19 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
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
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
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
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
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
EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification
University of Technology Sydney（悉尼科技大学）；School of Biomedical Engineering（生物医学工程学院）；Faculty of Engineering and IT（工程与信息技术学院）
针对脑机接口中EEG运动想象信号实时分类的邻接矩阵构建问题，提出无需先验知识的EEG_GLT算法，适配个体与模型，准确率、效率均优于PCC等现有方法。
2024-04-17 cs.AI cs.LG 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
Subject-Independent Deep Architecture for EEG-based Motor Imagery Classification
University of Rochester（罗切斯特大学）；Goergen Institute for Data Science, University of Rochester（罗切斯特大学戈尔根数据科学学院）
提出一种跨被试半监督深度架构SSDA，结合柱状时空自编码器提取特征与中心损失优化分类，在有限标注下显著提升基于EEG的运动想象分类性能。
2024-01-27 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
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
GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals
Northeast Electric Power University（东北电力大学）；City University of Hong Kong（香港城市大学）；Jinan Vocational College of Nursing（济南护理职业学院）；University of Sydney（悉尼大学）
为了开发有效的脑机接口（BCI）系统，精确解码由脑电图（EEG）测量的大脑活动是非常有必要的。传统的脑电信号分类方法没有考虑电极间的拓扑关系。然而，神经科学研究越来越强调大脑动力学的网络模式。因此，电极的欧几里德结构可能不足以反映信号之间的相互作用。为了填补这一空白，提出了一种新的基于图卷积神经网络（GCN）的深度学习框架，以增强不同类型的运动想象（MI）任务期间原始EEG信号的解码性能，同时配合电极的功能拓扑关系。基于整体信号的绝对皮尔逊矩阵，建立了脑电电极的图拉普拉斯算子。由图卷积层构造的GCNs-Net学习广义特征。随后的池化层降低了维度，而完全连接的softmax层推导出最终的预测。所介绍的方法已被证明是收敛的个性化和群体明智的预测。与现有研究相比，它在受试者和组水平上分别实现了最高的平均准确度，93.06%和88.57%（PhysioNet数据集），96.24%和80.89%（高伽马数据集），这表明了对个体变异性的适应性和鲁棒性。此外，性能是稳定的重复性实验交叉验证。我们的方法的优异性能表明，它是迈向更好的BCI方法的重要一步。综上所述，GCNs-Net基于功能拓扑关系过滤EEG信号，其设法解码脑运动想象的相关特征。
2022-08-26 cs.LG cs.NE 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
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
EEG-DG: A Multi-Source Domain Generalization Framework for Motor Imagery EEG Classification
针对运动想象EEG分类受信号非平稳性与个体差异影响、现有域适应方法需训练时获取目标数据的问题，提出多源域泛化框架EEG-DG，通过优化边缘与条件分布实现域不变特征，在多个数据集上性能优于现有最优方法甚至部分域适应方法。
2023-11-09 eess.SP
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
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
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
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
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
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
Neural Network-Based Feature Extraction for Multi-Class Motor Imagery Classification
从脑电（EEG）中解码运动想象（MI）是脑-机接口（BCI）系统的重要组成部分，该系统帮助运动障碍者通过外部设备与外部世界进行交互。脑电数据的非平稳特性给脑机接口带来了信息混乱，是目前脑机接口研究的主要问题。在这项工作中，首次提出了将EEG信号转换为称为自动编码器的无监督神经网络的权重向量的创新思想，以解决该问题。针对个体EEG数据训练单独的自动编码器。然后针对各个EEG信号优化权重向量。因此，EEG信号被表示在新的域中，该新的域是各个自动编码器的权重向量的形式。然后使用权向量来提取特征，例如自回归系数（AR）、香农熵（SE）和小波前导。一个基于窗口的特征提取技术实现捕获的局部特征的EEG数据。最后，使用分类器网络对提取的特征进行分类。所提出的方法进行了测试，两个公开访问的EEG数据集（BCI竞争-III和竞争-IV），以确保它是成功的，优于以前发表的方法。所提出的技术实现了平均准确度为95.33%的BCI-III和平均准确度为97%的BCI-IV的四类EEG为基础的MI分类的BCI-IIIa。实验结果表明，该方法是一种很有前途的方法，以提高脑机接口的性能。
2022-01-05 eess.SP
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
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
MIN2Net: End-to-End Multi-Task Learning for Subject-Independent Motor Imagery EEG Classification
Queen Mary University of London（伦敦玛丽女王大学）；Nanyang Technological University（南洋理工大学）；Suranaree University of Technology（苏拉那里理工大学）
基于运动想象（MI）的脑机接口（BCI）的进展允许通过解码神经生理现象来控制几种应用，这些现象通常由脑电图（EEG）使用非侵入性技术记录。尽管基于MI的BCI取得了很大进展，但EEG节律是特定于受试者的，并且随着时间的推移会发生各种变化。这些问题指出了提高分类性能的重大挑战，特别是以独立于主题的方式。为了克服这些挑战，我们提出了MIN 2Net，这是一种新的端到端多任务学习来解决这一任务。我们将深度度量学习集成到多任务自动编码器中，以从EEG中学习紧凑且有区别的潜在表示，并同时执行分类。该方法降低了预处理的复杂度，显著提高了脑电分类的性能。以独立于受试者的方式进行的实验结果表明，MIN 2Net的性能优于最先进的技术，在SMR-BCI和OpenBMI数据集上分别实现了6.72%和2.23%的F1分数提高。我们证明了MIN 2Net提高了潜在表示中的判别信息。这项研究表明，使用该模型开发基于MI的BCI应用程序的新用户，而不需要校准的可能性和实用性。
2022-01-07 cs.AI cs.CV 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
EEG-Fusion: Failure-Informed Source-Free Expert Routing for Robust Motor Imagery EEG Decoding
New York University (NYU)（纽约大学）
EEG-Fusion提出无标签可靠性估计的决策级融合框架，通过可靠性门控路由专家，在无源运动想象脑电解码中显著提升宏F1并降低崩溃风险。
2026-09-29 cs.AI cs.HC cs.LG
Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification
Nanyang Technological University（南洋理工大学）
在过去的五年里，深度学习（DL）在基于脑电图（EEG）的脑机接口（BCI）的绝大多数应用中得到了广泛的研究，特别是在运动想象（MI）分类中。用于MI-EEG分类的主流DL方法使用卷积神经网络（CNN）利用EEG信号的时空模式，卷积神经网络在视觉图像中取得了显著的成功。然而，由于视觉图像的统计特征与EEG信号完全不同，因此自然会产生一个问题，即除了CNN之外是否存在替代的网络架构。为了解决这个问题，我们提出了一种新的几何深度学习（GDL）框架，称为Tensor-CSPNet，它描述了对称正定（SPD）流形上的EEG信号的空间协方差矩阵，并使用SPD流形上现有的深度神经网络完全捕获时间空间模式，结合许多成功的MI-EEG分类器的经验来优化框架。在实验中，Tensor-CSPNet在两个常用的MI-EEG数据集的交叉验证和保持场景中达到或略优于当前最先进的性能。此外，可视化和可解释性分析也显示了Tensor-CSPNet的MI-EEG分类的有效性。总之，在这项研究中，我们提供了一个可行的答案，通过推广的DL方法SPD流形，这表明开始一个特定的GDL方法的MI-EEG分类的问题。
2022-09-23 cs.CV cs.LG eess.IV
Spatial and Spectral Features Fusion for EEG Classification during Motor Imagery in BCI
脑机接口（BCI）是某些特殊患者与外界进行交流的唯一途径，为大脑与外部设备之间提供了直接的控制通道。头皮脑电作为一种非侵入性的接口，有可能成为未来脑机接口系统的主要输入信号。传统的脑机接口方法只关注脑电信号中的某一特征，限制了脑机接口的实际应用。在本文中，我们提出了一种算法，脑电分类的能力，融合多个功能。首先，以共同空间模式（CSP）作为空间特征，以小波系数作为光谱特征。其次，将这些特征以协调的方式与融合算法融合，以提高分类精度。我们的算法被应用到数据集IVa从BCI完整的\uppercase \expandafter{\romannumeral3}。通过分析实验结果，可以得出结论，我们可以推测，我们的算法比传统的方法性能更好。
2018-08-06 eess.SP q-bio.QM
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
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
Graph Neural Networks on SPD Manifolds for Motor Imagery Classification: A Perspective from the Time-Frequency Analysis
Nanyang Technological University（南洋理工大学）
本文提出 Graph-CSPNet，利用 SPD 流形上的流形值图卷积从时频域学习 EEG 空间协方差特征，并在五个公开 MI-EEG 数据集的多数场景中取得接近最优的分类性能。
2023-08-20 cs.AI cs.LG eess.SP
Motor imagery classification using EEG spectrograms
University of Engineering and Technology, Taxila（塔克西拉工程技术大学）；Children’s National Hospital（国家儿童医院）；Sheikh Zayed Institute for Pediatric Surgical Innovation（谢赫·扎耶德儿科外科创新研究所）；George Washington University（乔治华盛顿大学）
脊髓损伤导致的肢体运动丧失是一种残疾，可能会影响人们进行日常活动。肢体运动的恢复将使脊髓损伤的人能够更自然地与他们的环境互动，这就是脑机接口（BCI）系统的好处。肢体运动想象（MI）的检测对于这样的BCI可能是重要的，其中检测到的MI可以指导计算机系统。通过脑电图（EEG）使用MI检测，我们可以识别用户对运动的想象，并将其转化为物理运动。在本文中，我们利用预训练的深度学习（DL）算法对想象的上肢运动进行分类。我们使用一个公开的EEG数据集，数据代表七类肢体运动。我们计算时间序列EEG信号的频谱图，并将其作为MI分类的DL模型的输入。我们使用预训练的DL算法和频谱图对上肢运动进行分类的新方法在七个运动类别中取得了显着改善的结果。与最近提出的最先进的方法相比，我们的算法实现了显着的平均准确率为84.9%的分类七个动作。
2022-11-15 cs.HC cs.LG eess.SP
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
NeuroPath: Practically Adopting Motor Imagery Decoding through EEG Signals
City University of Hong Kong（香港城市大学）；Florida State University（佛罗里达州立大学）
NeuroPath提出一种神经架构，通过EEG信号统一解码运动想象任务，解决现有方法模型孤立、电极配置固定和低信噪比下性能下降的问题。
2026-03-30 cs.AI cs.HC cs.LG
Optimal Time Window and Frequency Bandwidth Parameter Combination for Subject-Specific Motor Imagery EEG Classification
School of Electronic Engineering, Dublin City University（都柏林城市大学电子工程学院）；Insight SFI Centre for Data Analytics and School of Computing, Dublin City University（都柏林城市大学数据洞察SFI中心及计算机学院）
本文研究了在运动想象EEG分类中，同时优化时间窗口和频率带宽参数对分类性能的影响，通过在109名受试者上训练和测试不同参数组合的主体特异性模型，并利用重复测量方差分析揭示了不同带宽和时间窗口在准确性上的显著差异，发现(0,4)秒和(4,12)Hz的组合在所有受试者中表现最佳。
2026-05-20 eess.SP
Classification of Visual Perception and Imagery based EEG Signals Using Convolutional Neural Networks
近年来，视觉感知（VP）和视觉表象（VI）范式在脑机接口（BCI）研究中得到了广泛的研究。VP和VI分别被定义为感知和记忆视觉信息时大脑信号的变化。这些范例可以替代先前的基于视觉的范例，其具有诸如疲劳和低信息传输速率（ITR）的限制。在本研究中，我们分析了VP和VI，以探讨控制BCI的可能性。首先，我们进行了时频分析与事件相关的频谱扰动。此外，使用卷积神经网络获得了两种类型的解码精度，以验证是否可以从VP中的每个类别区分脑信号，以及是否可以用VP和VI范式区分它们。其结果是，在VP的6类分类性能为32.56%，分类两个范例的二进制分类性能为90.16%。
2021-02-05 eess.SP q-bio.NC
Robotic Grasping and Placement Controlled by EEG-Based Hybrid Visual and Motor Imagery
Institute of Science and Technology for Brain-inspired Intelligence (ISTBI), Fudan University（复旦大学类脑智能科学与技术研究院）；School of Data Science, Fudan University（复旦大学大数据学院）；Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身智能研究院）；Shanghai Key Laboratory of Multimodal Embodied AI（上海市多模态具身智能重点实验室）；Shanghai Innovation Institute（上海创新研究院）；ETH Zürich（苏黎世联邦理工学院）
本文提出一种整合EEG视觉和运动想象与机器人控制的框架，实现实时意图驱动的抓取与放置。系统通过离线预训练解码器在在线流式管道中零样本方式实现神经信号与物理控制的连接，实现视觉意图到机器人动作的转换，验证了纯想象基BCI范式在实际人机协作中的灵活性。
2026-04-07 cs.RO eess.SP
MI-BMInet: An Efficient Convolutional Neural Network for Motor Imagery Brain--Machine Interfaces with EEG Channel Selection
本文提出高效CNN模型MI-BMInet，结合自动通道选择与8位量化，在PULP MCU上实现30uJ/次推理、82.51%准确度，成为嵌入式MI-BMI新基准。
2024-09-19 eess.SP
EEG-DBNet: A Dual-Branch Network for Temporal-Spectral Decoding in Motor-Imagery Brain-Computer Interfaces
针对运动想象EEG信号特征提取难、分类准确率低的问题，提出双分支网络EEG-DBNet，通过局部分支转换域特征、全局分支提取深层特征，在两个基准数据集上准确率超越现有最优模型。
2024-06-19 cs.HC eess.SP
