EEG-EyeTrack: A Benchmark for Time Series and Functional Data Analysis with Open Challenges and Baselines
Darmstadt University of Applied Sciences（达姆施塔特应用技术大学）；FH Aachen - University of Applied Sciences（亚琛应用技术大学）
本文提出EEG-EyeTrack基准数据集，通过函数型神经网络从EEG重建眼动，并给出消费级与研究级硬件上的基线结果。
2025-04-02 cs.LG eess.SP stat.ML
A Novel Slip-Kalman Filter to Track the Progression of Reading Through Eye-Gaze Measurements
在本文中，我们提出了一种方法来跟踪眼睛注视的进展，而阅读一块文字在计算机屏幕上。所提出的方法将有助于准确地量化阅读，例如，识别被阅读/跳过的文本行，并基于商业上可获得的廉价眼睛跟踪设备估计每行所花费的时间。所提出的方法是基于一种新的滑卡尔曼滤波器，是定制设计的，以跟踪阅读的进展。所提出的方法的性能证明使用25页的眼动跟踪数据收集使用商业台式眼动跟踪设备。
2019-07-16 cs.HC eess.SP
Exploiting EEG Signals for Eye Motion Tracking
人类眼动追踪设备可以帮助研究人类处理视觉信息的原理。凝视期间的注意力焦点移动可以用于人类的行为分析。在这项工作中，我们描述了我们的实验系统，我们设计的同步记录脑电图信号，事件的外部测试和凝视方向。作为外部测试，我们使用虚拟认知测试。我们研究了利用脑电信号进行眼动跟踪的可能性。我们的实验系统是设计一个自动眼动追踪系统的第一步，也可以作为教学学生的实验设备。
2022-01-04 cs.HC eess.SP
Tracking the Progression of Reading Through Eye-gaze Measurements
在本文中，我们考虑的问题，通过眼睛凝视测量跟踪阅读的进展。这样的算法是新颖的，并将最终有助于开发一种方法，分析眼睛凝视数据已在阅读活动期间收集，以揭示关键信息的个人的兴趣水平和质量的经验，而阅读一段文字或书籍。此外，这种方法将作为一种“视觉签名”-一种核实个人是否确实对关键的文本信息给予了足够注意的方法。此外，准确的“阅读进度跟踪器”在教育机构、电子阅读器和育儿解决方案中具有潜在的应用。跟踪阅读的进展仍然是一个具有挑战性的问题，因为眼睛注视运动是非常嘈杂的，并且眼睛注视很容易在有限的空间中分散注意力，比如电子书。在以前的工作中，我们提出了一种方法来分析眼睛注视注视点收集，而阅读一页的文本，以分类每个测量到一行的文本，这种方法没有考虑跟踪阅读的进展，沿着文本行。在本文中，我们扩展了以前的算法的能力，以准确地跟踪沿每条线阅读的进展。所提出的方法采用最小二乘批量估计，以便估计水平扫视的三个状态：位置、速度和加速度。首先，所提出的方法是客观地评估一个模拟的眼睛凝视数据集。然后，所提出的算法被证明对真实数据收集的Gazepoint眼动仪，而受试者正在阅读几页电子书。
2019-05-07 cs.HC eess.SP
Mind's Eye: Image Recognition by EEG via Multimodal Similarity-Keeping Contrastive Learning
National Yang Ming Chiao Tung University（国立阳明交通大学）
本文提出多模态保相似性对比学习（MUSE）框架，通过定制多元时间序列编码器和正则化对比EEG-Image预训练，解决零样本EEG图像分类问题，在200路分类中达到SOTA，并揭示了人脑视觉处理动态。
2024-06-05 cs.AI cs.HC cs.LG
Improving Intention Detection in Single-Trial Classification through Fusion of EEG and Eye-tracker Data
意图解码是免提人机交互（HCI）中必不可少的过程。传统的眼动跟踪系统使用单一模型的注视持续时间可能会发出命令，忽略用户的真实期望。本文提出了一种眼-脑混合脑机接口（brain-computer interface，BCI）交互系统，通过融合多模态眼轨迹和ERP（一种来自EEG的测量值）特征来进行意图检测。眼轨迹和脑电图数据记录从64名健康的参与者，因为他们进行了40分钟的定制自由搜索任务的固定目标图标中的25个图标。提取相应的眼动注视时间和ERP。采用5种已验证的LDA分类器（包括RLDA、SWLDA、BLDA、SKLDA和STDA）和广泛使用的CNN方法，从离线和伪在线分析两个方面验证特征融合的有效性，并通过调整训练集和系统响应时间来评估最佳方法。我们的研究表明，在主动搜索任务的单次尝试分类中，多通道眼轨迹和ERP特征的输入获得了更好的意图检测性能。与单模型ERP特征相比，该策略还能在不同分类器之间获得一致的分类准确率。此外，通过与其他分类方法的比较，我们发现SKLDA在离线测试（ACC=0.8783，AUC=0.9004）和不同样本量和持续时间的在线模拟中融合特征时表现出了更好的性能。综上所述，本研究揭示了一种新颖有效的基于眼-脑混合BCI的意图分类方法，并进一步支持了免提HCI在现实生活中更精确、更稳定的应用。
2021-12-05 cs.HC eess.SP
Integration of Simultaneous Resting-State Electroencephalography, Functional Magnetic Resonance Imaging, and Eye-Tracker Methods to Determine and Verify Electroencephalography Vigilance Measure
本研究通过同步采集EEG、fMRI、生理与眼动数据，验证EEG额叶和枕叶β功率可作为睁眼静息态下健康人警觉度的客观指标。
2021-06-20 eess.SP physics.bio-ph q-bio.NC
Classification of eye-state using EEG recordings: speed-up gains using signal epochs and mutual information measure
Cardiff University（卡迪夫大学）；University of the West of England（西英格兰大学）
脑电图（EEG）信号的分类在广泛的应用中是有用的，例如癫痫发作检测/预测、运动想象分类、情绪分类和药物效果诊断等。随着大量的EEG通道采集，它已成为至关重要的是，有效的数据减少方法的开发，从一个应用程序到另一个不同的重要性。同样重要的是，在许多应用中，在EEG记录期间实现在线分类，以监测发生的变化。本文介绍了一种基于互信息的信道选择方法。得到的结果表明，虽然有一个惩罚的分类精度分数，有前途的加速增益可以实现使用MI技术。将MI与包含信号转换的信号时期（3秒）一起使用增强了这些加速增益。这项工作是探索性的，我们建议进行进一步的研究，以验证和开发。提高分类速度的好处包括改善临床或教育环境中的应用。
2022-08-31 cs.CV cs.LG eess.SP
Transformer Convolutional Neural Networks for Automated Artifact Detection in Scalp EEG
众所周知，脑电图（EEG）经常包含由于肌肉活动，眨眼和各种其他原因造成的伪影。检测这些伪影是正确解释EEG的重要第一步。虽然已经有很多努力致力于半自动和自动化的伪影检测EEG，伪影检测的问题仍然具有挑战性。在本文中，我们提出了一个卷积神经网络（CNN）增强Transformers使用信念匹配（BM）损失的自动检测五种类型的文物：咀嚼，电极弹出，眼球运动，肌肉和颤抖。具体来说，我们应用这五个检测器在个别EEG通道，以区分文物从背景EEG。接下来，对于这五种类型的伪影中的每一种，我们结合这些通道检测器的输出来检测多通道EEG段中的伪影。这些分段级分类器可以分别以0.947、0.735、0.826、0.857和0.655的平衡准确度（BAC）检测咀嚼、电极弹出、眼球运动、肌肉和颤抖伪影的特定伪影。最后，我们结合五个分段级检测器的输出来执行组合的二进制分类（任何伪影与背景）。所得到的检测器分别在95%、97%和99%的特异性（SPE）下实现60.4%、51.8%和35.5%的灵敏度（SEN）。该伪影检测模块可以拒绝伪影片段，同时仅去除背景EEG的一小部分，从而产生更干净的EEG以供进一步分析。
2022-08-04 eess.SP
Vector-Based Data Improves Left-Right Eye-Tracking Classifier Performance After a Covariate Distributional Shift
Swarthmore College（斯沃斯莫尔学院）
使用脑电图（EEG）信号进行眼动追踪（ET）预测的主要挑战是基准数据和真实世界数据之间的分布模式的差异以及来自多个源的脑信号的非预期干扰所导致的噪声。因此，提高机器学习模型在从EEG数据预测眼动追踪位置方面的鲁棒性对于研究和消费者使用都是不可或缺的。在医学研究中，人们已经探索使用更复杂的数据汇集方法来测试更简单的任务，以解决这个问题。在这项研究中，我们提出了一个细粒度的数据方法，脑电图-ET数据汇集，以创建更强大的基准。我们利用粗粒度和细粒度数据来训练机器学习模型，并在对相似/不同分布模式的数据进行测试时比较它们的准确性，以确定EEG-ET基准对分布数据差异的敏感程度。我们应用协变量分布偏移来检验这种易感性。结果表明，在细粒度、基于向量的数据上训练的模型比在粗粒度、二进制分类的数据上训练的模型更不容易受到分布偏移的影响。
2022-07-31 cs.LG eess.SP
Dynamical Embedding of Single Channel Electroencephalogram for Artifact Subspace Reconstruction
本文提出E-ASR框架，通过动态嵌入将原本依赖多通道的ASR扩展到单通道EEG伪影去除，并在半模拟与真实数据上验证其有效性。
2024-10-29 eess.SP
Cepstral Analysis Based Artifact Detection, Recognition and Removal for Prefrontal EEG
本研究针对前额叶EEG的眼动伪迹问题，提出基于倒谱分析的检测识别方法与统计值去除方法，兼具高准确率与低计算成本，适用于实时抗伪迹脑机接口。
2024-04-12 eess.SP
A new approach for a safe car assistance system
瞌睡是司机在长途旅行时没有计划休息的状态，是严重高速公路事故背后的主要原因。因此，专家们声称，昏昏欲睡的状态很难被及早识别出来，以防止严重的事故，甚至可能导致道路死亡。在这项工作中，我们提出了一种新的基于生理信号和眨眼的困倦状态检测系统。一个实验已经被导向证明所提出的方法的效用。该系统使用智能摄像机拍摄驾驶员的面部图像并监督眨眼（打开和关闭）;此外，它还使用EPOC耳机来获取脑电图（EEG）信号。眼睛检测通过Viola和Jones技术、EEG来完成。最后，我们选择模糊逻辑技术对脑电信号进行分类，并对眨眼检测的结果进行分析。
2018-06-02 cs.HC eess.SP
RaspberryPi to measure EEG, ECG, EMG and EOG with Shield PiEEG
本文介绍了硬件和软件屏蔽PiEEG读取信号通过家庭的单板计算机-树莓派，OrangePi，香蕉Pi等，在大多数情况下，本文提供了技术信息，如何实现这个设备。该设备旨在熟悉神经科学，是开始EEG测量的最简单方法之一。
2023-01-01 cs.HC eess.SP
Automated Human Mind Reading Using EEG Signals for Seizure Detection
National Institute of Technology, Kurukshetra（库鲁克舍特拉国立技术学院）；Indian Institute of Information Technology, Sonepat（索内帕特印度信息技术学院）
癫痫是全球最常见的神经系统疾病之一，早在公元前4000年就出现了。目前，它影响着大约5000万各年龄段的人。这种病的特点是反复发作。在过去的几十年里，随着医学科学和技术的进步，用于癫痫控制的治疗方法有了很大的改进。脑电图（EEG）是一种广泛使用的监测大脑活动的技术，广泛用于癫痫发作区域的检测。它在手术前进行，也可以在手术时预测癫痫发作，这在神经刺激装置中很有用。但在大多数情况下，视觉检查是由神经科医生进行的，以检测和分类疾病的模式，但这需要大量的前域知识和经验。这反过来又给神经外科医生带来了压力，导致时间浪费，并降低了他们的准确性和效率。在信息技术领域需要一些自动化系统，例如在深度学习中使用神经网络，这可以帮助神经学家。在本文中，提出了一个模型，给出了98.33%的准确度，可用于自动化系统的开发。开发的系统将显着帮助神经科医生在他们的表现。
2021-11-05 cs.LG eess.SP q-bio.NC
Improving EEG Signal Classification Accuracy Using Wasserstein Generative Adversarial Networks
The University of British Columbia（不列颠哥伦比亚大学）
提出基于 WGAN 的 EEG 信号生成方法，在 BCI2000 数据集上训练并通过分类器验证，有效提升分类准确率与泛化能力，解决 BCI 数据匮乏问题。
2024-02-05 cs.AI cs.LG eess.SP
An Interpretable and Attention-based Method for Gaze Estimation Using Electroencephalography
Technical University of Denmark（丹麦技术大学）；University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
本文利用同步EEG与眼动数据，提出一种基于注意力机制的可解释深度学习框架用于注视估计，并通过全面评估验证其在准确性和鲁棒性上优于现有方法。
2023-08-09 cs.LG eess.SP
Too Fine or Too Coarse? The Goldilocks Composition of Data Complexity for Robust Left-Right Eye-Tracking Classifiers
Swarthmore College（斯沃斯莫尔学院）
基准数据和真实世界数据之间的分布模式差异一直是使用脑电（EEG）信号进行眼动跟踪（ET）分类的主要挑战之一。因此，提高机器学习模型在从EEG数据预测眼睛跟踪位置方面的鲁棒性对于研究和消费者使用都是不可或缺的。之前，我们比较了仅在细粒度数据上训练的分类器与仅在粗粒度数据上训练的分类器的性能。结果表明，尽管鲁棒性总体上有所提高，但与粗粒度训练模型相比，当测试集和训练集包含相同的分布模式\cite{vectorbased}时，细粒度训练模型的性能下降。本文旨在通过使用混合数据复杂度的数据集来训练模型来确定细粒度和粗粒度数据的理想分布来解决这种情况。我们使用由细粒度和粗粒度数据组成的混合数据集来训练机器学习模型，然后将精度与仅使用细粒度或粗粒度数据训练的模型进行比较。对于我们的目的，细粒度数据是指使用更复杂的方法收集的数据，而粗粒度数据是指使用更简单的方法收集的数据。我们应用协变量分布偏移来测试每个训练集的易感性。我们的研究结果表明，用于EEG-ET分类的最佳训练数据集并不完全由细粒度或粗粒度数据组成，而是两者的混合，倾向于细粒度。
2022-08-24 cs.LG eess.SP
A hybrid automated detection of epileptic seizures in EEG based on wavelet and machine learning techniques
癫痫是一种神经系统疾病，它会影响大脑和神经系统。其特征是反复发作，这是对一组脑细胞中突然、通常短暂、过度放电的身体反应。因此，癫痫发作的识别在癫痫患者的临床治疗中具有重要意义。脑电图（EEG）是测量脑电压波动的主要生物标志物之一，EEG数据分析有助于研究癫痫综合征患者，因为癫痫在EEG信号中留下了他们的签名。本文采用离散小波变换对脑电信号进行预处理，分解到第4层分解树，根据分解树的细节系数和最后一层分解树的近似系数计算熵、最小值、最大值、均值、中值、标准差、方差、偏度、能量和相对波能量等特征，然后，利用小波变换对脑电信号进行小波分解，得到脑电信号的特征信息。所提取的特征由三种现代机器学习分类器评估，诸如基于径向基函数的支持向量机（SVMRBF）、k-最近邻（KNN）和朴素贝叶斯（NB）。实验结果表明，SVMRBF对正常受试者数据和癫痫数据的分类准确率最高（100%）。在正常受试者数据和癫痫数据之间，使用KNN和NB的相应准确性在睁眼和闭眼条件下分别为99.50%和99%。SVMRBF、KNN和NB分类器对发作间期和发作期数据的分类准确率分别为99%、97.50%和98.50%。这些精确度比以前发表的结果高得多。
2018-07-13 eess.SP
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
Eccentricity Confound in EEG-based Visual Attention Decoding from Gaze-Fixated Neural Tracking of Motion in Natural Videos
KU Leuven（荷语鲁汶大学）；Leuven.AI - KU Leuven institute for AI（荷语鲁汶大学人工智能研究所）
研究探讨了在控制眼动伪影的情况下，视觉偏心度对自然视频中物体运动神经响应的影响，发现偏心度干扰了神经对运动的追踪，揭示了当前解码方法的局限性。
2026-09-11 eess.SP
Hazard recognition in an immersive virtual environment: Framework for the simultaneous analysis of visual search and EEG patterns
在危险的施工环境中，未经管理的危害被证明是伤害和事故的主要来源之一。危险识别对于实现有效的安全管理和减少危险工作场所的伤亡至关重要。然而，一直缺乏努力，可以有效地帮助工人提高他们的危险识别技能。本研究提出了虚拟安全培训沉浸式虚拟环境（IVE），以提高工人的危险识别技能。一名工人戴着虚拟现实（VR）设备，配备了眼动追踪器，虚拟地识别模拟建筑工地上的危险，而脑波传感设备记录大脑活动。该平台可以分析工人在视觉危险识别任务中的整体表现，并识别需要对每个工人进行额外干预的危险。这项研究提供了新的见解，工人的大脑和眼睛如何在视觉危险识别过程中同时采取行动。所提出的方法可以通过向工人提供个性化的反馈，将当前的安全培训计划提升到另一个层次。
2020-03-14 cs.CY cs.HC eess.SP
Electrode Clustering and Bandpass Analysis of EEG Data for Gaze Estimation
ETH Zurich（苏黎世联邦理工学院）；University of Zurich（苏黎世大学）
在这项研究中，我们验证了以前发表的论文的研究结果，显示了基于脑电图（EEG）的凝视估计的可行性。此外，我们扩展了以前的研究，证明模型性能只有轻微的下降，我们可以显着减少电极的数量，这表明高密度，昂贵的EEG帽是不必要的EEG为基础的眼睛跟踪的目的。使用数据驱动的方法，我们建立了哪些电极簇影响凝视估计以及不同类型的EEG数据预处理如何影响模型的性能。最后，我们还检查哪些记录的频率对定义的任务最重要。
2023-02-19 cs.HC cs.LG eess.SP
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
Eye-Tracking and BCI Integration for Assistive Communication in Locked-In Syndrome: Pilot Study with Healthy Participants
针对LIS向CLIS进展中眼动追踪失效、EEG-BCI延迟采用性能下降的问题，提出ET与P300 BCI实时融合框架，并经五名健康参与者验证可保持高准确率、改善沟通连续性。
2025-09-27 cs.HC eess.SP
Noise removal methods on ambulatory EEG: A Survey
Indraprastha Institute of Information Technology（英德拉普拉斯塔信息技术学院）；Vellore Institute of Technology（韦洛尔理工学院）；Indian Institute of Technology（印度理工学院）
本文综述了100多篇文献，探讨移动脑电图（ambulatory EEG）的噪声检测与去除技术，指出不同数据集条件下EEG特征差异对模式识别技术选择的影响。
2023-07-17 cs.LG eess.SP
EEG-based Communication with a Predictive Text Algorithm
大脑中发生的几种变化是对一个人进行的自愿和非自愿活动的反应。在一定时间范围内从大脑中检索数据的能力为深入分析提供了基础，这些分析可以洞察大脑在决策过程中发生的变化。在这项工作中，我们提出的技术描述和软件实现的脑电图（EEG）为基础的通信系统。我们实时读取EEG数据，计算一个人自愿眨眼的可能性，并使用该决定触发用户界面上的按钮以产生文本。相关的文本建议使用T9算法的修改。我们的研究结果表明，基于EEG的技术可以有效地应用于促进严重的语言和肌肉残疾人的语言，为该领域的未来工作提供了基础。
2020-06-27 cs.HC cs.IR cs.LG
