EEG Machine Learning for Analysis of Mild Traumatic Brain Injury: A survey
轻度创伤性脑损伤(mTBI)是一种常见的脑损伤,影响不同的人群:士兵,建筑工人,运动员,司机,儿童,老人和几乎所有人。因此,拥有一种成熟、快速、廉价和准确的分类方法对全球人民的福祉至关重要。幸运的是,在脑电图(EEG)数据上使用机器学习(ML)显示了有希望的结果。该调查分析了2017年至今最前沿的文章。从Google Scholar数据库中检索文章,并根据我们的标准进行排除。我们回顾、总结和比较了14篇最前沿的机器学习研究论文,用于预测和分类mTBI,包括1)EEG数据类型,2)数据预处理方法,3)机器学习特征表示,4)特征提取方法,5)机器学习分类器和预测。最常见的EEG数据类型是人类静息状态EEG,大多数研究使用过滤器来清理数据。功率谱,尤其是α和θ功率,是最普遍的特征。其他非功率谱特征,如熵,也显示出巨大的潜力。傅里叶变换是最常用的特征提取方法,而使用神经网络作为自动特征提取通常返回高精度的结果。最后,支持向量机(SVM)是我们调查中最常见的ML分类器,因为它具有较低的计算复杂度和坚实的数学理论基础。这项研究的目的是收集和探索ML的一个人口稀少的领域,我们希望我们的调查能够揭示基于机器学习的EEG分析mTBI的固有趋势,优点,缺点和偏好。
2022-08-10 eess.SP
Knowledge extraction, modeling and formalization: EEG case study
形式概念分析(FCA)是一种成熟的数据分析方法,在数据采掘中有着广泛的应用。它在复杂数据表示格式上的扩展为基因表达挖掘、化合物毒性预测或过程事件日志中的序列聚类等问题带来了一波新的应用。基于此,我们的研究继承了他们的模型,并设计了一个实验来挖掘脑电图记录的睡眠纺锤波模式。本文的贡献在于对去激化过程的规范和FCA实验的体系结构。并对相关研究论文进行了反思。
2018-09-11 cs.IR eess.SP
Automatic detection of abnormal EEG signals using wavelet feature extraction and gradient boosting decision tree
The University of Western Australia(西澳大利亚大学);Effat University(埃法特大学)
脑电图因其高分辨率、无创性和低成本等优点,常用于各种脑相关疾病的诊断评估。然而,对于专家来说,EEG信号的手动分析可能是费力且耗时的过程。医生需要长时间的培训才能发展其专业知识,此外,专家之间的评估者一致性(IRA)较低。因此,许多基于计算机辅助诊断(CAD)的研究已经考虑了解释EEG信号的自动化,以减轻工作量并支持最终诊断。在本文中,我们提出了一个自动的二进制分类框架,脑信号在多通道EEG记录。我们建议使用小波包分解(WPD)技术分解的EEG信号到频率子带和提取一组统计特征,从每个选定的系数。此外,我们提出了一种新的方法来降低特征空间的维数,而不影响提取的特征的质量。提取的特征进行分类使用不同的梯度提升决策树(GBDT)的分类框架,这是CatBoost,XGBoost和LightGBM。我们使用天普大学医院脑电图异常语料库V2.0.0来测试我们提出的技术。我们发现,CatBoost分类器实现了87.68%的二进制分类准确率,并且在同一数据集上的准确率和灵敏度方面分别超过了1%和3%。在这项研究中获得的结果提供了重要的见解WPD特征提取和GBDT分类器的EEG分类的有用性。
2020-12-18 cs.AI cs.LG eess.SP
EEGsig: an open-source machine learning-based toolbox for EEG signal processing
Iran University of Science and Technology(伊朗科技大学)
在寻求实现一个全面的脑电信号信号处理框架,在本文中,我们展示了一个工具箱和图形用户界面,EEGsig,为脑电信号的全过程。我们的目标是为EEG信号处理提供一个全面的套件,免费和开源的框架,用户特别是没有编程经验的医生可以专注于他们的实际需求,以加快医疗项目。基于MATLAB软件开发,我们将脑电信号信号处理的预处理、特征提取和分类三个步骤集成到脑电信号中。除了各种有用的功能列表之外,在EEGsig中,我们还实现了三种流行的分类算法(K-NN,SVM和ANN)来评估功能的性能。我们的实验结果表明,我们的新框架,脑电信号处理取得了良好的分类结果和特征提取的鲁棒性在不同的机器学习分类算法。此外,在EEGsig中,为了选择提取的最佳特征,所有EEG信号通道可以同时可见;因此,每个任务对信号的影响可以可见。我们相信,我们以用户为中心的MATLAB软件包是一个令人鼓舞的平台,为新手用户以及提供最高水平的控制专家用户
2021-08-26 cs.LG eess.SP
EEG Wheelchair for People of Determination
本论文的目的是设计和构建一种基于脑电的脑控轮椅,为有决心的人或部分或完全瘫痪的个体提供一个从神经系统到外部技术设备的通信桥梁。EEG是一种通过使用特殊的EEG耳机非侵入性地捕获大脑信号来读取大脑活动的技术。采集的信号经过预处理、特征提取和分类。这种技术允许人类的思想被转换为控制轮椅。使用的命令是向右、向左、向前、向后和停止。大脑信号是使用Actutiv Epoc耳机采集的。采用离散小波变换进行特征提取,采用支持向量机进行分类。
2020-01-17 cs.HC eess.SP
Decoding Human Attentive States from Spatial-temporal EEG Patches Using Transformers
针对EEG注意力状态解码问题,提出融合时间CNN、逐点CNN及时空补丁模块的EEG-PatchFormer框架,借助自注意力机制捕捉跨脑区时空特征,在公开数据集上多项指标超越现有基准。
2025-05-18 eess.SP
Tensor-driven extraction of developmental features from varying paediatric EEG datasets
Objective.儿童大脑发育过程中不断变化的生理特性对新的数据密集型技术提出了挑战,如脑机接口(BCI)。在这些技术中推进信号处理方法,使其对发育变化更加敏感,有助于改善其在儿科人群中的功能和可用性。通过张量分析利用EEG数据的多维结构提供了一个框架来提取儿科静息状态EEG数据集中存在的相关发育特征。方法.使用开发的两步约束平行因子(PARAFAC)张量分解分析了来自不同发育状态和人群的三个儿科数据集。这些数据集包括Muir Maxwell癫痫中心,波士顿儿童医院-麻省理工学院和儿童心理研究所,分别概述了两个受损人群和一个健康人群。数据集内交叉验证使用支持向量机(SVM)对预测受试者年龄的折外数据进行分类,作为发育的替代指标。t分布随机邻域嵌入(t-SNE)地图通过高维特征结构的可视化补充了分类分析。主要结果。成功地确定了每个数据集的发育条件的发育敏感特征。健康和受损的儿科人群的SVM分类精度和误分类成本显着改善。t-SNE图显示适当的张量因子分解是提取发育特征的关键。意义所描述的方法是一个很有前途的工具,将独特的发展特点,目前在整个儿童脑电图到新技术,如脑机接口及其应用。
2017-12-20 eess.SP q-bio.NC
Efficacy of Transformer Networks for Classification of Raw EEG Data
本文研究Transformer网络直接对原始EEG数据进行分类的有效性,在年龄、性别和脑力负荷分类任务上取得与最先进方法相当的准确率,证明其可减少对繁重特征提取的依赖。
2022-02-08 cs.AI cs.LG eess.SP
JNEEG shield for Jetson Nano for real-time EEG signal processing with deep learning
本研究推出可将Jetson Nano转为8通道脑机接口的JNEEG设备,支持无需数据传输的深度学习实时EEG等信号处理,经测试其噪声与精度满足机器学习应用需求,为低成本神经科学研究及应用提供了便捷方案。
2024-05-14 eess.SP
EEGMamba: Bidirectional State Space Model with Mixture of Experts for EEG Multi-task Classification
针对EEG分类模型计算复杂度高、单任务泛化差的问题,提出集成时空自适应模块、双向Mamba和任务感知MoE的EEGMamba,在8个数据集的四类任务上取得优越性能。
2024-10-06 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
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
STILN: A Novel Spatial-Temporal Information Learning Network for EEG-based Emotion Recognition
在基于脑电的情感识别中,空间相关性和时间背景是必不可少的.然而,学习多个通道之间的复杂空间相关性是一个具有挑战性的问题。此外,时间背景学习有利于强调关键的脑电帧,因为受试者只在部分刺激中达到预期的情绪。因此,我们提出了一种新的时空信息学习网络(STILN),通过捕获空间相关性和时间上下文来提取区分特征。具体而言,生成的2D功率地形图捕获电极之间的依赖性,并将它们馈送到基于CNN的空间特征提取网络。此外,卷积块注意模块(CBAM)重新校准功率地形图的权重,以强调关键的大脑区域和频段。同时,批量规范化(BN)和实例规范化(IN)的适当组合,以消除个体差异。在时间上下文学习中,我们采用双向长短期记忆网络(Bi-LSTM)网络来捕获EEG帧之间的依赖关系。为了验证该方法的有效性,在公开的DEAP数据集上进行了与主题无关的实验。该方法取得了优异的性能,唤醒和效价分类的准确率分别达到0.6831和0.6752。
2022-11-22 eess.SP
An end-to-end (deep) neural network applied to raw EEG, fNIRs and body motion data for data fusion and BCI classification task without any pre-/post-processing
使用EEG、fNIRS和身体运动(MoCap)数据的脑机接口(BCI)越来越受到关注,这是因为fNIRS和MoCap不容易产生与EEG等其他脑成像技术类似的运动伪影。深度学习(神经网络)的进步将允许使用原始数据进行有效的特征提取,而无需任何预处理/后处理。在这项工作中,我们使用端到端(深度)神经网络(NN)(从输入一直到输出)对原始fNIRS,EEG和MoCap数据进行5种活动类别的人类活动识别(BCI分类任务)。我们的核心贡献集中在应用端到端NN模型,而无需对数据进行任何预/后处理。整个NN模型使用反向传播算法进行训练。我们的端到端模型由四层MLP组成:输入层,两个隐藏层(使用全连接(密集)层,批量归一化和泄漏的非线性和激活函数)和输出层使用softmax。我们已经达到了最低90\%的准确性测试数据集的分类任务的10个主题的数据和5类活动。
2019-07-17 eess.SP
Light-Weight 1-D Convolutional Neural Network Architecture for Mental Task Identification and Classification Based on Single-Channel EEG
利用单通道或有限通道脑电信号实时识别和分类心理任务在便携式脑机接口(BCI)和神经反馈(NFB)系统设计中具有重要意义。然而,实时记录的脑电信号中往往含有眼伪影(OAs)和肌肉伪影(MAs)等噪声,这使得从脑电信号中提取的特征质量下降,导致对心理任务的识别和分类不充分。因此,我们研究了最近的深度学习技术的使用,这些技术不需要任何手动特征提取或伪影抑制步骤。在本文中,我们提出了一个轻量级的一维卷积神经网络(1D-CNN)架构,用于心理任务识别和分类。所提出的架构的鲁棒性进行了评估,使用从两个公开的数据库中提取的无伪影和伪影污染的EEG信号(即,Keirn和Aunon($K$)数据库和EEGMAT($E$)数据库)和内部($R$)数据库记录使用单通道neurosky mindwave移动2(MWM 2)脑电图耳机,不仅在执行精神/非心理二元任务分类以及不同心理/心理多任务分类。评价结果表明,该体系结构在多类分类和成对心理任务分类中分别达到了$99.7\%$和$100\%$中最高的主体无关分类精度.此外,所提出的架构分别在数据库$E$和记录的数据库$R$中实现了$99\%$和$98\%$的主题无关的分类精度。比较性能分析表明,所提出的架构优于现有的方法,不仅在分类精度,而且在对文物的鲁棒性。
2020-12-12 eess.SP
Machine Learning-Based Detection of Parkinson's Disease From Resting-State EEG: A Multi-Center Study
University of Stavanger(斯塔万格大学);Stavanger University Hospital(斯塔万格大学医院);Universidad de Antioquia(安蒂奥基亚大学)
静息态脑电图(rs-EEG)已被证明有助于帕金森病(PD)的诊断。特别是,与未患PD的受试者(非PD)相比,PD患者的低频带(δ和θ)和高频带(α和\b{eta})的功率谱密度(PSD)显示出显著差异。然而,rs-EEG特征提取及其解释可能是时间密集型的,并且易于受检查者变化的影响。机器学习(ML)有可能自动分析rs-EEG记录,并为临床医生提供支持工具,以减轻他们的工作量。在这项工作中,我们使用的84 PD和85非PD受试者从四个数据集在不同的中心汇集的rs-EEG记录。我们提出了一个端到端的管道,包括预处理,提取PSD功能,从临床验证的频段,和功能选择之前,通过ML算法评估的功能,PD和非PD受试者之间的分层的分类能力。此外,考虑到数据集的多中心性质,我们评估了特征协调的效果。我们的验证结果显示,平均而言,当协调特征并执行单变量特征选择(k = 202个特征)时,通过逻辑回归提高了PD检测能力(69.6%与75.5%的准确度)。我们的最终结果显示,平均全球准确度为72.2%,研究中所有中心的平衡准确度结果分别为:60.6%,68.7%,77.7%和82.2%。
2023-03-02 cs.LG eess.SP
Universal EEG Encoder for Learning Diverse Intelligent Tasks
IIIT-Delhi(德里印度理工学院)
脑机接口(BCI)已经变得非常流行,脑电图(EEG)是最常用的信号采集技术之一。BCI研究的一个主要挑战是每个任务所需的个性化分析。因此,执行任务特定的特征提取和分类,这不能推广到具有类似时间序列EEG输入数据的其他任务。为此,我们设计了一个基于GRU的通用深度编码架构,从公开的数据集中提取有意义的特征,用于五个不同的基于EEG的分类任务。我们的网络可以生成任务和格式无关的数据表示,并在大多数实验中优于最先进的EEGNet架构。我们还将我们的结果与基于CNN的网络和Autoencoder网络进行了比较,进而对数据进行了本地,空间,时间和无监督分析。
2019-11-26 cs.LG eess.SP
Cognitive Inference based Feature Pyramid Network for Sentimental Analysis using EEG Signals
Electronics & Communication Engineering Department, Indian Institute of Technology, Roorkee(印度卢达克纳技术学院电子与通信工程系)
本文提出基于认知推断的特征金字塔网络,用于EEG信号的情感分析,通过多尺度特征提取和GRU建模时间依赖性,提升情感分类的准确性。
2025-12-20 eess.SP
Improved EEG Event Classification Using Differential Energy
Temple University(天普大学)
用于EEG信号自动分类的特征提取通常依赖于信号的时频表示。诸如基于倒谱的滤波器组或小波的技术是包括EEG分类的许多信号处理应用中的流行分析技术。在本文中,我们提出了一个比较的各种方法来估计和后处理功能。为了进一步帮助从非周期信号的周期信号的歧视,我们添加了一个微分能量项。我们评估我们的方法上TUH EEG语料库,这是最大的公开可用的EEG语料库和一个极具挑战性的任务,由于临床性质的数据。我们证明了一个标准的滤波器组为基础的方法,再加上一阶和二阶导数的变体,提供了一个整体的错误率大幅降低。差分能量和导数的组合产生了24%的绝对减少错误率,并提高了我们区分信号事件和背景噪声的能力。这种相对简单的方法被证明是可比的其他流行的特征提取方法,如小波,但更计算效率。
2018-01-03 cs.CV eess.SP stat.ML
Biaxialformer: Leveraging Channel Independence and Inter-Channel Correlations in EEG Signal Decoding for Predicting Neurological Outcomes
Oslo University Hospital(奥斯陆大学医院);University of Oslo(奥斯陆大学);Norwegian University of Science and Technology(挪威科学技术大学)
本文提出Biaxialformer,通过两阶段注意力框架同时建模EEG信号的时间与空间信息,并利用双极信号增强空间特征,在昏迷患者神经系统结局预测中取得跨医院场景下的稳健性能。
2025-06-18 cs.LG eess.SP
A Novel Use of Discrete Wavelet Transform Features in the Prediction of Epileptic Seizures from EEG Data
African Institute for Mathematical Sciences(非洲数学科学研究所);Stellenbosch University(斯泰伦博斯大学);Rochester Institute of Technology(罗切斯特理工学院)
本文证明了离散小波变换(DWT)的预测优势,以前使用的特征提取方法在诊断癫痫发作的EEG数据。分类准确性、特异性和灵敏度被用作评估指标。我们特别展示了2种组合(DWT-db 4与SVM组合和DWT-db2与RF组合)在平衡或不平衡数据集中诊断癫痫发作时与其他组合相比的巨大潜力。结果还强调,MFCC的表现低于本研究中使用的所有DWT,并且在不平衡和平衡数据集中,平均差异分别具有统计学显著性。最后,无论是在平衡或不平衡的数据集,特征提取技术,模型,以及它们之间的相互作用有统计上显着的分类精度的影响。
2021-01-31 cs.CE cs.LG eess.SP
Weight-based Channel-model Matrix Framework provides a reasonable solution for EEG-based cross-dataset emotion recognition
Lanzhou University(兰州大学);Beijing Institute of Technology(北京理工大学);Inner Mongolia University(内蒙古大学);Shandong Academy of Intelligent Computing Technology(山东智能计算技术研究院);Chinese Academy of Sciences(中国科学院)
跨数据集情感识别是基于脑电信号的情感计算领域中一个极具挑战性的任务,它受到多种因素的影响,使得通用模型的识别效果不理想。针对脑电信息解码研究缺乏的现状,首先在5个公开数据集上,通过样本空间可视化、样本聚集现象量化和能量模式分析,分析了不同脑电信息(个体、会话、情绪和试验)对情绪识别的影响。基于这些现象和模式,我们提供了各种脑电差异的处理方法和解释工作。通过对情绪特征分布模式的分析,发现个体情绪特征分布差异(IEFDD)是影响情绪识别稳定性的主要因素。分析了传统建模方法受IEFDD影响的局限性,提出了基于权重的通道模型矩阵框架(WCMF)。为合理表征情感特征分布模式,设计了4种权重提取方法,其中校正T检验(CT)权重提取方法效果最佳。最后,通过模拟不同实际场景的两类跨数据集任务验证了WCMF的性能,结果表明WCMF具有更稳定、更好的情感识别能力。
2022-11-04 cs.AI cs.LG eess.SP
Hybrid Quantum Deep Learning Model for Emotion Detection using raw EEG Signal Analysis
School of Electronics Engineering, Vellore Institute of Technology(韦洛尔理工学院电子工程学院)
针对传统基于EEG的情绪识别受噪声和高维数据限制的问题,提出混合量子深度学习模型,结合量子增强特征提取与传统深度学习分类,预处理后捕捉脑波模式及带间相互作用,提升情绪识别准确性,为相关领域应用提供工具。
2024-11-19 cs.AI cs.LG eess.SP
EEG-based 90-Degree Turn Intention Detection for Brain-Computer Interface
Bharti School of Telecommunication, Indian Institute of Technology Delhi(印度德里理工学院电信学院);Department of Electrical Engineering, Indian Institute of Technology Delhi(印度德里理工学院电气工程系);Department of Physiology, All India Institute of Medical Sciences(印度医学科学院生理学系);Department of Applied Mechanics, Indian Institute of Technology Delhi(印度德里理工学院应用力学系)
本研究利用EEG信号在事件发生前检测下肢运动的90度转弯意图,通过特征提取与分类算法实现高准确率的意图识别。
2026-01-13 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
DAGAM: A Domain Adversarial Graph Attention Model for Subject Independent EEG-Based Emotion Recognition
Northwestern Polytechnic University(西北工业大学);Shaanxi Normal University(陕西师范大学)
基于脑电信号的情感识别面临的最大挑战之一是脑电信号的跨学科变化,导致性能和泛化能力差。本文提出了一种新的基于EEG的情感识别模型,称为域对抗图注意力模型(DAGAM)。其基本思想是生成一个图形来模拟多通道EEG信号,使用生物拓扑结构。图论可以拓扑地描述和分析脑电通道之间的关系和相互依赖性。然后,与其他图卷积网络不同,自注意力池被应用于从图中提取显著的EEG特征,这有效地提高了性能。最后,在图池化之后,基于图的领域对抗算法被用于识别和处理不同受试者的脑电变化,有效地达到了良好的泛化能力。我们对两个基准数据集(SEED和SEED IV)进行了广泛的评估,并在独立于主体的情感识别方面获得了最先进的结果。我们的模型将SEED准确度提高到92.59%(提高4.69%),最低标准偏差为3.21%(下降2.92%),SEED IV准确度提高到80.74%(提高6.90%),最低标准偏差为4.14%(下降3.88%)。
2022-02-27 cs.LG eess.SP
Deep Learning for scalp High Frequency Oscillations Identification
近20年来,高频振荡(HFO)被认为是一种定位难治性局灶性癫痫患者致痫灶的生物标志物。由于HFO的视觉检测耗时且主观,因此需要HFO检测的自动化。大多数HFO检测器是在侵入性脑电图(iEEG)上开发的,而头皮脑电图(EEG)用于临床常规。为了使HFO检测能够使更多的患者受益,必须开发头皮HFO检测器。然而,头皮EEG中的HFO识别比iEEG中的HFO更具挑战性,因为头皮HFO具有较低的速率、较低的幅度并且比iEEG HFO更可能被几个伪影源破坏。本研究的主要目标是探索深度学习架构从剩余EEG信号中识别头皮HFO的能力。因此,学习二进制分类卷积神经网络(CNN)来分析高密度脑电信号(HD-EEG)。首先将EEG信号映射到二维时频图像中,然后使用几种颜色定义作为CNN的输入。实验结果表明,深度学习允许预处理,特征提取和分类模块的简单端到端学习,同时达到有竞争力的性能。
2023-01-20 eess.SP
A Spatio-Temporal Feature Fusion EEG Virtual Channel Signal Generation Network and Its Application in Anxiety Assessment
针对便携式脑电设备通道少、信息不足的问题,提出基于时空特征融合的二维卷积神经网络生成虚拟通道信号,在PRED+CT数据库上验证了其与真实信号高度一致,并显著提升焦虑分类性能。
2025-09-15 cs.LG eess.SP
A 2-Block Architecture for Real-Time EEG Gait Decoding: A Pilot Study
该研究针对EEG下肢外骨骼控制的局限,提出含特征提取与PolyTVL+LSTM解码器的2模块BCI架构,经实验验证其在四态步态分类中表现优异,且具备实时可行性。
2026-08-18 cs.HC cs.LG eess.SP
Topological EEG Nonlinear Dynamics Analysis for Emotion Recognition
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of the Chinese Academy of Sciences(中国科学院大学);Stanford University(斯坦福大学);Beijing Normal University(北京师范大学);Institute of Biophysics, Chinese Academy of Sciences(中国科学院生物物理研究所)
近年来,通过探索脑电特征来进行情绪识别的研究得到了广泛的应用。用于理解复杂动力学现象的非线性分析和特征提取方法与不同情绪的脑电模式相关联。相空间重构是一种典型的非线性技术,可以揭示脑神经系统的动力学行为。近年来,拓扑数据分析(TDA)方法被用来探索空间的性质,它提供了一个强有力的工具来思考相空间。在这项工作中,我们提出了一种拓扑EEG非线性动力学分析方法,使用相空间重构(PSR)技术将EEG时间序列转换到相空间,并持续同源工具探索相空间的拓扑特性。对不同节律频段的脑电信号进行拓扑分析,建立情感特征向量,具有较高的区分能力。我们评估的方法与两个著名的基准数据集,DEAP和DREAMER数据集。DEAP在唤醒和效价分类任务中的识别结果分别达到99.37%和99.35%,DREAMER在唤醒、效价和优势分类任务中的识别结果分别达到99.96%、99.93%和99.95%。性能应该优于DREAMER中当前最先进的方法(根据时间长度提高1%至10%),同时与DEAP中评估的其他相关作品相当。该工作首次在面向情绪识别的脑电拓扑特征分析方面进行了研究,为脑神经系统非线性动力学分析和特征提取提供了新的视角。
2022-03-14 cs.HC cs.LG eess.SP
Unsupervised EEG-based decoding of absolute auditory attention with canonical correlation analysis
KU Leuven(库勒芬大学)
提出一种完全无监督的脑电图绝对听觉注意力解码算法,结合判别性CCA特征提取与MILDA分类器,性能优于监督模型,且能低成本适应非平稳数据。
2025-04-24 cs.SD eess.SP
Improvement of Resting-state EEG Analysis Process with Spectrum Weight-Voting based on LES
脑电是一种非侵入性的脑生物电记录技术,在人机交互、神经科学等领域具有潜在的应用价值。然而,脑电信号的成分复杂、幅值低、信噪比低等特点使得分析脑电信号存在许多困难。一些现有的分析方法是基于特征提取和机器学习来区分样本所属的精神分裂症的阶段。然而,医学研究要求使用机器学习不仅要给出更准确的分类结果,还要给出可以应用于病理学研究的结果。本研究的主要目的是在利用LES特征提取更有效的分类方法的基础上,获得表征各频段对精神分裂症时相分类影响的权值,并对权值进行处理和应用,以提高机器学习分类的准确性。我们提出了一种称为加权投票的方法来获得子带特征的权重,通过使用投票的分类结果来拟合EEG数据的实际类别,并使用权重进行重新分类。通过这种方法,我们可以首先获得每个波段在区分精神分裂症三个阶段中的影响,并分析波段特征对精神分裂症风险的影响,有助于精神病理学的研究。我们的研究结果表明,有一个高的相关性之间的低γ波段的权重的变化与HC,ESTA和FES之间的差异。如果使用根据权值修正的特征进行分类,分类结果的准确性将比原分类器有所提高,这证实了波段权值分布的作用。
2018-01-17 eess.SP q-bio.NC
Learning Signal Representations for EEG Cross-Subject Channel Selection and Trial Classification
EEG技术在若干领域中得到应用。目前,大多数EEG系统需要受试者在头皮上佩戴几个电极才能有效。然而,多个通道可能包括噪声信息、冗余信号,导致更长的准备时间,并增加用于EEG解码的任何自动化系统的计算时间。降低信噪比和提高分类精度的单向式方法之一是将通道选择与特征提取相结合,但是已知EEG信号呈现高的受试者间变异性。在这项工作中,我们介绍了一种新的算法主体独立的通道选择的EEG记录。该算法将多通道试验记录视为统计单元,将EEG解码任务视为参考类,(i)以监督方式利用通道特定的1D-卷积神经网络(1D-CNN)作为特征提取器,以最大化类可分性;(ii)它通过连接通道的嵌入将高维多通道试验表示减少为唯一的试验向量,以及(iii)通过利用自动编码器(AE)的集合从这些向量中识别最相关的通道来执行分类,从而在通道选择期间恢复复杂的通道间关系。训练后,该算法可以通过仅将所选通道特定的1D-CNN的参数化子组转移到来自新受试者的新信号来利用,并获得低维和高信息量的试验向量以馈送到任何分类器。
2021-06-20 cs.LG eess.SP
Domain Generalization for Zero-calibration BCIs with Knowledge Distillation-based Phase Invariant Feature Extraction
针对脑机接口因EEG数据分布偏移泛化差、校准过程繁琐的问题,提出结合域内知识蒸馏提取相位不变特征与域间相关对齐的域泛化方法,在三个公开数据集上取得最优性能,为零校准脑机接口落地提供新思路。
2024-05-18 cs.HC eess.SP
EEGDiR: Electroencephalogram denoising network for temporal information storage and global modeling through Retentive Network
College of Computer Science and Cyber Security(计算机与网络安全学院);College of Geophysics(地球物理学院);Chengdu University of Technology(成都理工大学)
针对脑电信号易受噪声干扰的问题,提出将Retentive Network引入脑电去噪,通过信号嵌入将一维信号转为二维,实现时间信息存储与全局建模,显著提升去噪效果。
2024-05-20 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
CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework for Zero-Shot Electroencephalography Signal Conversion
Department of Applied Mathematics and Computer Science(应用数学与计算机科学系);Technical University of Denmark(丹麦技术大学)
提出CSLP-AE框架,利用对比学习引导分裂潜变量表征,实现脑电信号在任务和受试者间的零样本转换,优于传统方法。
2023-11-13 cs.CV cs.LG eess.SP
Multiscale Fractal Analysis on EEG Signals for Music-Induced Emotion Recognition
School of ECE, National Technical University of Athens(雅典国家技术大学电气与计算机工程学院)
从EEG信号的情绪识别已经研究了很长时间,因为它可以帮助许多医疗和康复应用。然而,其复杂和嘈杂的结构已被证明是一个严重的障碍,传统的建模方法。在本文中,我们采用多重分形分析来研究的行为,EEG信号的波动和破碎的程度沿其主要的频段,为任务的情绪识别。为了提取与情绪相关的特征,我们利用两种新的算法进行脑电分析,基于多尺度分形维数和多重分形去趋势波动分析。所提出的特征提取方法有效地执行,超过了一些广泛使用的基线功能的竞争DEAP数据集,表明多重分形分析可以作为基础的情感状态识别的鲁棒模型的发展。
2021-12-13 cs.IR cs.LG eess.SP
SSL-SE-EEG: A Framework for Robust Learning from Unlabeled EEG Data with Self-Supervised Learning and Squeeze-Excitation Networks
Elmore Family School of Electrical and Computer Engineering, Purdue University, USA(电气与计算机工程学院,普渡大学)
SSL-SE-EEG结合自监督学习与挤压激励网络,将EEG信号转为二维图像,在多个数据集上取得高准确率,实现稳健、低功耗的脑电处理。
2025-10-07 cs.AI cs.LG eess.SP
Toward asynchronous EEG-based BCI: Detecting imagined words segments in continuous EEG signals
Instituto Nacional de Astrofísica, Óptica y Electrónica(国家天体物理、光学与电子学研究所)
基于想象语音的异步脑机接口(BCI)是一种允许通过解码想象语音的EEG信号来控制外部设备或在用户期望的时刻发出消息的工具。为了正确实现这些类型的BCI,我们必须能够从连续信号中检测出受试者何时开始想象单词。在这项工作中,五种特征提取方法的基础上,小波分解,经验模式分解,频率能量,分形维数和混沌理论的功能,以解决检测的任务,从连续的脑电信号想象的话段作为一个初步的研究后实现的异步脑机接口的基础上想象的语音。这些方法在三个数据集使用四种不同的分类器进行测试,每个数据集获得的F1分数分别为0.73,0.79和0.68。这一结果是有希望建立一个系统,自动分割的想象的词段,为以后的分类。
2021-04-13 cs.HC cs.LG eess.SP
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
CLASH: Contrastive learning through alignment shifting to extract stimulus information from EEG
针对EEG数据信噪比低、个体差异大的问题,提出自监督范式CLASH,通过对齐EEG片段提取刺激信息,在语音包络解码任务中表现优于现有去噪技术,且无需重训练即可适配新受试者和刺激。
2024-05-14 eess.SP q-bio.NC
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
A Simple Review of EEG Foundation Models: Datasets, Advancements and Future Perspectives
The College of Computer Science, Zhejiang University, Hangzhou, China.(浙江大学计算机科学学院);The MOE Frontiers Science Center for Brain and Brain-Machine Integration, Zhejiang University, Hangzhou, China.(脑科学与脑机接口前沿科学中心);The Nanhu Brain-Computer Interface Institute, Hangzhou, China.(南湖脑机接口研究院);The Qiushi Academy for Advanced Studies, Hangzhou, China.(启石先进研究院)
本文系统综述了14个早期EEG基础模型,分析其架构、预训练策略与数据集,指出现有研究空白并展望未来方向。
2025-09-21 cs.AI cs.LG eess.SP
SCFNet:A Transferable IIIC EEG Classification Network
East China Jiao Tong University(华东交通大学)
针对EEG信号缺乏统一采集标准导致模型难以跨不同通道数迁移的问题,提出单通道特征提取后端融合架构SCFNet,在IIIC-Seizure数据集上准确率显著提升,并展现出良好的跨数据集迁移能力。
2024-12-16 cs.LG eess.SP
Feature Estimation of Global Language Processing in EEG Using Attention Maps
Tokyo Institute of Technology(东京工业大学);RPTU Kaiserslautern-Landau(凯撒斯劳滕-兰道理工大学);DFKI GmbH(德国人工智能研究中心)
本研究提出利用Vision Transformer和EEGNet的注意力图估计脑电图特征,发现EEGNet在聆听与说话任务分类中准确率最高,且注意力图特征随输入数据变化,可支持定制化特征提取和早期疾病检测。
2024-09-27 cs.CV eess.SP q-bio.NC
EEG2GAIT: A Hierarchical Graph Convolutional Network for EEG-based Gait Decoding
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);Institute of Neural Engineering, Graz University of Technology(技术大学神经工程研究所);Center for Al in Medicine (C-AlM)(医学人工智能中心)
EEG2GAIT通过分层图卷积网络和混合时间-频域奖励损失函数,实现了基于EEG的步态解码,提升了解码性能和准确性。
2026-02-12 cs.LG eess.SP
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
Subject-independent Classification of Meditative State from the Resting State using EEG
Dept. of Elect. and Comm. Engg. College of Engineering Trivandrum(电子与通信工程系 工程学院特里凡布尔姆);Centre for Brain Research Indian Institute of Science, Bangalore(脑研究中心印度科学研究院,班加罗尔);Language Technologies Institute Carnegie Mellon University(语言技术研究所卡内基梅隆大学);School of Psychology and Education Rishihood University, Sonipat(心理学与教育学院里希大学,索尼帕特);Dept. of Heritage Science and Technology Indian Institute of Technology, Hyderabad(遗产科学与技术系印度理工学院,海得拉巴)
本研究提出三种EEG架构,以受试者无关方式区分Rajyoga冥想与静息状态,其中CSP-LDA-LSTM在受试者内达98.2%准确率,SVD-NN在受试者间达96.4%,均能捕获受试者不变特征。
2025-04-25 cs.LG eess.SP
Leakage-Safe Empirical Benchmarking of EEG-Based Machine Learning Pipelines for Dementia Classification
Curtin University(科廷大学)
本文提出防泄漏基准测试,评估EEG痴呆分类流程,确定最佳实践为ASR+ICA、10秒时段、多域特征及线性SVM,在AD vs CN分类中达到87.69%准确率。
2026-09-22 cs.LG eess.SP
EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity
Vidyasirimedhi Institute of Science & Technology(维迪亚西里梅迪科学技术学院);King Mongkut’s Institute of Technology Ladkrabang(国王科技大学(拉卡邦));Kamnoetvidya Science Academy School(卡姆努特维迪亚科学学院);Tokyo Institute of Technology(东京工业大学)
基于脑电的脑生物特征识别技术已越来越多地应用于个人身份识别。传统的机器学习技术以及现代的深度学习方法已经得到了应用,并取得了可喜的成果。在本文中,我们提出了EEG-BBNet,一个混合网络,它集成了卷积神经网络(CNN)与图卷积神经网络(GCNN)。联合利用了CNN在自动特征提取中的益处和GCNN在通过图形表示学习EEG电极之间的连接性中的能力。我们研究了各种连接措施,即欧几里得距离,皮尔逊相关系数,锁相值,相位滞后指数,和Rho指数。所提出的方法的性能进行评估的基准数据集组成的各种脑机接口(BCI)的任务,并与其他国家的最先进的方法相比。我们发现,我们的模型在事件相关电位(ERP)任务中优于所有基线,使用会话内数据的平均正确识别率高达99.26%。EEG-BBNet与皮尔逊相关性和RHO指数提供了最好的分类结果。此外,我们的模型使用会话间和任务间数据表现出更大的适应性。我们还研究了我们提出的模型的实用性与较少的电极数量。电极放置在额叶区域似乎是最合适的,性能损失最小。
2022-08-17 cs.LG eess.SP
SSM2Mel: State Space Model to Reconstruct Mel Spectrogram from the EEG
School of Computer Science and Technology, Anhui University(安徽大学计算机科学与技术学院);Alibaba group(阿里巴巴集团)
本文提出SSM2Mel模型,利用状态空间模型和Mamba模块从EEG信号重建连续语音梅尔频谱图,在SparrKULee数据集上取得0.069的皮尔逊相关系数,较基线提升38%。
2025-01-03 cs.SD eess.AS 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
Balancing Spectral, Temporal and Spatial Information for EEG-based Alzheimer's Disease Classification
Coventry University(考文垂大学);Institute for Infocomm Research(信息通信研究院);A*STAR(新加坡科技研究局)
本文通过系统改变频谱、时间和空间维度分辨率,在两个EEG数据集上研究空间信息对阿尔茨海默病分类的重要性,发现空间信息优于时间信息且与频谱信息同等重要,替代频谱信息后准确率提升1.1%,并提出基于分辨率的特征提取方法可改善多变量信号分类。
2024-04-30 cs.LG eess.SP q-bio.NC