Design and Validation of a Portable EEG-tES Platform Supporting High-Rate EEG Recording and Temporal Interference Stimulation
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；State Key Laboratory of Brain-machine Intelligence, Zhejiang University（浙江大学脑机智能全国重点实验室）；Zhejiang Qiangnao Technology Co., Ltd.（浙江强脑科技有限公司）
本研究设计并验证了一款以MCU为核心的便携式EEG-tES平台，集成8通道EEG采集与2通道tES功能，具备高信号保真度与低刺激误差，为便携式闭环神经调控系统提供了实用基础。
2026-08-10 eess.SP
ESTformer: Transformer utilising spatiotemporal dependencies for electroencephalogram super-resolution
East China University of Science and Technology（东华大学）
提出ESTformer框架，基于Transformer利用时空依赖关系进行EEG超分辨率，通过级联空间插置与时间重建模块有效提升数据质量，在识别任务中实现显著性能提升。
2025-10-31 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
Decoding Natural Images from EEG for Object Recognition
Tsinghua University（清华大学）；Institute of Semiconductors, CAS（中国科学院半导体研究所）
提出自监督EEG-图像对比学习框架，从脑电响应学习图像表征，在200类零样本目标识别中取得显著高于随机水平的结果，并验证其神经生物学合理性。
2024-04-04 cs.AI cs.HC 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
Graph-Guided Structured Recovery of Modulo EEG Signals
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
针对模EEG信号恢复的不适定逆问题，提出结合相位感知特征、图-时间建模与结构化折叠状态解码的框架，通过边界引导门控技术提升折叠事件附近的推理性能，在多数据集多阈值下验证了恢复效果。
2026-08-24 eess.SP
A Many Objective Optimization Approach for Transfer Learning in EEG Classification
Indian Statistical Institute（印度统计研究所）；University of Essex（埃塞克斯大学）
在脑机接口（BCI）中，由于受试者间脑电信号（EEG）的非平稳性，分类器的训练和测试使用来自同一受试者的EEG。当身体残疾瓶颈的自然方式执行一项任务，获取充足的训练数据是困难的，这实际上阻碍了分类器的训练。以前的作品已经解决了这个问题，通过概括的多个主题，包括测试主题之间的特征空间。这项工作的目的是在知识转移分类EEG的目标主题使用的分类器训练与EEG的另一个单位源主题。提出了一种多目标优化框架，其中获得用于在另一个维度中投影特征的最佳权重，使得单源训练的目标EEG分类性能与修改后的特征最大化。为了验证该方法，运动想象任务的BCI竞赛III数据集IVa的分类使用功率谱密度为基础的功能和线性支持向量机。几个性能指标，提高精度，灵敏度的投影空间的尺寸，评估所提出的方法的有效性。解决单一来源的培训问题，通过减少他人的援助，促进能力不同的个人独立生活。该方法消除了对多源受试者脑电信号的要求，适用于任何现有的特征提取器和分类器。源代码可在http://worksupplements.droppages.com/tlbci.html上获得。
2019-04-04 cs.HC cs.LG cs.NE
Self-supervised EEG Representation Learning for Automatic Sleep Staging
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Relativity（Relativity公司）；Harvard Medical School（哈佛医学院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）
背景资料：深度学习模型通过从仔细注释的脑电图（EEG）数据中学习，在自动化睡眠医学任务方面取得了巨大成功。然而，有效地利用大量的原始EEG仍然是一个挑战。目的：在本文中，我们的目标是从大量未标记的EEG信号中学习鲁棒的矢量表示，以便学习的矢量化特征（1）具有足够的表达能力，可以取代睡眠分期任务中的原始信号;（2）在标签和噪声样本较少的情况下，提供比监督模型更好的预测性能。研究方法：我们提出了一个自监督模型，名为与世界表示的对比（ContraWR），用于EEG信号表示学习，它使用来自数据集的全局统计数据来区分与不同睡眠阶段相关的信号。在三个真实世界的EEG数据集上评估了ContraWR模型，这些数据集包括家庭和实验室EEG记录设置。结果：在3个大型EEG数据集上，ContraWR在睡眠分期任务上优于4种最近的自监督学习方法。当可用的训练标签较少时（例如，当标记的数据少于2%时，精度提高4%）。此外，该模型在2D投影中提供了信息丰富的代表性特征结构。结论：我们表明，ContraWR对噪声具有鲁棒性，可以为下游预测任务提供高质量的EEG表示。该模型可以推广到其他无监督的生理信号学习任务。未来的发展方向包括探索特定任务的数据增强，以及将自我监督与监督方法相结合，建立在本文自我监督学习的初步成功基础上。
2023-02-12 cs.AI cs.LG 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
Classification of EEG Signals using Genetic Programming for Feature Construction
脑电图（EEG）波形的分析对于睡眠障碍的诊断至关重要，如睡眠呼吸暂停和失眠，此外，癫痫发作，癫痫，头部损伤，头晕，头痛和脑肿瘤。在这种情况下，一个重要的任务是识别EEG信号中的可见结构，例如睡眠纺锤波和K复合波。这些结构的识别通常是由人类专家通过视觉检查来执行的，这是一个容易出错并且容易受到偏见影响的过程。因此，有兴趣开发技术的自动分析脑电图。在本文中，我们提出了一个新的遗传编程（GP）框架的特征建设和降维从脑电信号。我们使用这些功能来自动识别来自DREAMS项目的数据上的纺锤体和K-复合体。使用5种不同的分类器，由GP产生的属性集获得了比从PCA或完整属性集获得的AUC分数更好的AUC分数。此外，从所提出的框架获得的结果得到了更好的平衡的特异性和召回比其他模型最近提出的文献。对GP最常用的特征的分析也建议在未来的EEG检查中改进数据采集协议。
2019-06-11 cs.NE eess.SP
Comparison of Sub-Scalp EEG and Endovascular Stent-Electrode Array for Visual Evoked Potential Brain-Computer Interface
本研究针对头皮下脑电图尚未验证脑机接口适用性的问题，在绵羊模型中对比其与血管内支架电极的视觉诱发电位，发现二者信号质量相当，为该技术用于BCI提供了初步依据。
2023-05-08 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
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
A Real-Time BCI for Stroke Hand Rehabilitation Using Latent EEG Features from Healthy Subjects
Military Technical College（军事技术学院）
提出一种结合3D打印外骨骼、CAE潜在EEG特征与Ada Boost分类的便携式实时BCI，用于卒中手部康复，并验证其低成本家庭神经康复潜力。
2025-09-07 cs.AI cs.HC eess.SP
Generative AI Enables EEG Super-Resolution via Spatio-Temporal Adaptive Diffusion Learning
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 Chinese Academy of Sciences（中国科学院大学）；The University of Hong Kong（香港大学）；Guangdong University of Technology（广东工业大学）
本文提出时空自适应扩散模型（STAD），利用扩散模型将低分辨率脑电（≤64通道）重建为高分辨率脑电（256通道），通过时空条件模块和多尺度Transformer去噪模块提升空间分辨率，并在分类和源定位任务中验证其有效性。
2025-02-23 cs.LG eess.SP q-bio.NC
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
A Novel Deep Learning Architecture for Decoding Imagined Speech from EEG
Indian Institute of Science（印度科学学院）；Voice and Speech Systems（语音与言语系统公司）
深度学习领域的最新进展尚未被充分用于解码想象语音，主要是因为没有足够的训练样本来训练深度网络。在本文中，我们提出了一种新的架构，该架构采用深度神经网络（DNN）对ASU想象语音数据集中相应的EEG信号中的单词"in"和"cooperate"进行分类。九个EEG通道，最好地捕捉底层皮层活动，选择使用共同的空间模式（CSP），并被视为独立的数据向量。采用离散小波变换进行特征提取。据我们所知，到目前为止，DNN还没有被用作解码想象语音的分类器。将对应于每个想象的单词的所选EEG通道视为独立的数据向量有助于提供足够数量的样本来训练DNN。对于每个测试试验，通过对试验中考虑的各个通道的分类结果应用多数投票来获得最终类别标签。我们已经达到了与最先进的结果相媲美的精度。通过使用更高密度的EEG采集系统，结合其他深度学习技术（如长短期记忆），可以进一步改善结果。
2020-03-19 cs.LG eess.SP stat.ML
BrainGPT: Unleashing the Potential of EEG Generalist Foundation Model by Autoregressive Pre-training
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Beijing Jiaotong University（北京交通大学）
本文提出首个通用EEG基础模型EEGPT，通过电极级建模、自回归预训练和共享电极图网络的多任务迁移，在12个基准的5项任务上全面超越专家模型。
2025-08-29 cs.LG eess.SP
Adaptive Template Enhancement for Improved Person Recognition using Small Datasets
Swansea University（斯旺西大学）；University of Kent（肯特大学）
提出了一种基于实例的脑电信号分类方法。EEG信号的非平稳性质，加上有限的训练数据以及潜在的噪声信号采集条件下的模式识别的苛刻任务，激发了本研究中报告的工作。所提出的自适应模板增强机制通过单独对待每个特征维度来转换特征级实例，从而改善了类分离和更好的查询类匹配。所提出的新的基于实例的学习算法进行了比较，与一些相关的算法在一些情况下。临床级64-电极EEG数据库，以及低质量（高噪声水平）EEG数据库获得了一个低成本的系统，使用一个单一的干传感器已被用于生物特征的人识别的评价。所提出的方法表明，显着提高了识别和验证的情况下的分类精度。特别是，这种新方法被认为是提供了一个良好的分类性能嘈杂的EEG数据，表明其潜在的适用范围广泛的应用。
2022-01-03 cs.LG eess.SP
Manifold-regression to predict from MEG/EEG brain signals without source modeling
Inserm（法国国家健康与医学研究院）；Paris Diderot University（巴黎第七大学）；Lariboisière Hospital（拉里博瓦西耶医院）；Assistance Publique Hôpitaux de Paris（巴黎公共援助医院）；Université Paris-Saclay（巴黎萨克雷大学）；Inria（法国国家信息与自动化研究所）；CEA（法国原子能和替代能源委员会）
脑磁图和脑电图（M/EEG）可以实时无创地揭示神经元动力学，因此在医学和神经科学中受到重视。最近的进展，在建模脑行为的关系，突出了黎曼几何总结的空间相关的时间序列从M/EEG的协方差方面的有效性。然而，伪迹抑制后，M/EEG数据往往是秩亏的，这限制了黎曼概念的应用。在这篇文章中，我们专注于秩降维协方差矩阵的回归任务。我们研究了两种黎曼方法，矢量化的M/EEG传感器之间的协方差通过投影到一个切空间。Wasserstein距离很容易适用于秩缩减的数据，但缺乏仿射不变性。这可以通过找到一个共同的子空间，其中协方差矩阵是满秩，使仿射不变的几何距离。我们研究了这两种方法在合成生成模型中的意义，这使我们能够控制线性模型预测的估计偏差。我们表明，Wasserstein和几何距离允许生成模型上的完美样本外预测。然后，我们评估的方法对真实数据的有效性，在预测年龄从M/EEG协方差矩阵。研究结果表明，数据驱动的黎曼方法优于不同的传感器空间估计器，并且它们接近需要MRI采集和繁琐的数据处理的生物制药驱动的源定位模型的性能。我们的研究表明，所提出的黎曼方法可以作为基本的积木自动化大规模分析M/EEG。
2019-11-22 cs.LG eess.SP stat.ML
The EAVI EMG/EEG Board: Hybrid physiological sensing
本文提出一种基于 ADS129x 和 STM32F427 的无线混合生理传感板 EAVI，可同时采集 EMG 和 EEG，并通过蓝牙或 USB 与主机交互，用于神经多样性音乐家研究及舞台表演。
2024-09-30 eess.SP q-bio.QM
Consumer Grade Brain Sensing for Emotion Recognition
几十年来，脑电图（EEG）一直是通过监测独特的大脑活动来识别情绪状态的最常用工具之一。一系列的数据集已经产生了使用不同的情绪引发的刺激和由此产生的脑波反应，传统上捕获的高端EEG设备。然而，这些设备的适用性在一定程度上受到实际约束的限制，并且可能难以部署在日常事件中无处不在的高度移动环境中。在这项研究中，我们评估了OpenBCI弥合这一差距的潜力，首先将其性能与研究级EEG系统进行比较，采用与基准数据集相同的算法。此外，对于情绪分类的目的，我们提出了一种新的方法，以方便选择的视听刺激的高/低价和唤醒。我们招募了200名不同年龄段的健康志愿者，通过标准化的自我评估、类型标签和无监督机器学习，从总共120个候选人中识别出前60个情感视频片段。另外43名参与者被招募观看预先选择的片段，在此期间收集情绪EEG脑电波和外周生理信号。这些记录被分析并提取特征输入分类模型，以预测所引发的信号是否与高或低水平的效价和唤醒相关。事实证明，我们的预测准确性与以前使用更昂贵的EEG放大器进行数据采集的研究结果完全相当。
2019-08-09 cs.HC eess.SP
RobustSeiz: An Open-Source Framework for Benchmarking the Robustness of EEG Seizure Detection Models
Sharif University of Technology（谢里夫理工大学）
该研究推出开源框架RobustSeiz，标准化4个EEG语料库，可对癫痫检测模型在环境、噪声等偏移下的鲁棒性进行基准测试，扩展了部署前评估范围。
2026-09-04 cs.LG eess.SP
Enhancing EEG Signal Generation through a Hybrid Approach Integrating Reinforcement Learning and Diffusion Models
Shandong First Medical University（山东第一医科大学）；Shandong Academy of Medical Sciences（山东省医学科学院）；University of Technology Sydney（悉尼科技大学）；The Sixth Mobile Detachment of the First Mobile Corps of the Chinese People’s Armed Police Force（中国人民武装警察部队第一总队第六机动支队）
本研究提出融合强化学习与扩散模型的混合方法生成脑电信号，可同时建模时域与频域特征，在保护隐私的同时减少对标注数据的依赖，为脑机接口和神经康复研究提供数据增强新工具。
2024-09-14 cs.LG eess.SP
Robust and Clinically Reliable EEG Biomarkers: A Cross Population Framework for Generalizable Parkinson's Disease Detection
USD AI Research, Department of Computer Science, University of South Dakota（USD人工智能研究机构、计算机科学系、南达科他大学）；Biomedical and Translational Sciences, Sanford School of Medicine, University of South Dakota（生物医学与转化科学、桑福德医学院、南达科他大学）；Department of Sport, Exercise and Rehabilitation, Northumbria University（体育、运动与康复系、北umbria大学）；Department of Neurology, Oregon Health & Science University（神经病学系、俄勒冈健康与科学大学）
本文提出一种跨群体评估框架，用于评估EEG生物标志物的鲁棒性和临床可靠性，通过多队列实验发现训练群体多样性提高准确性和稳定性，达到94.1%的准确率。
2026-04-27 cs.LG eess.SP q-bio.NC
Sub-Scalp Brain-Computer Interface Device Design and Fabrication
针对现有设备缺乏BCI适配性的问题，本研究提出符合通道数等规格的SAFE系统，验证其低噪声性能，为家用BCI人体试验奠定基础，助力肢体残疾人士。
2025-04-17 eess.SP
Classification of Perceived Human Stress using Physiological Signals
University of Engineering and Technology, Taxila（塔克西拉工程技术大学）；University of Central Florida（中佛罗里达大学）
在本文中，我们提出了一个实验研究的分类感知人体压力使用非侵入性的生理信号。这些包括脑电图（EEG）、皮肤电反应（GSR）和光电体积描记（PPG）。我们进行了实验，包括数据采集，特征提取和感知人类压力分类的步骤。$28$参与者的生理数据是在睁眼条件下采集的，持续时间为三分钟。从EEG、GSR和PPG信号中提取四种不同的时域特征，并使用包括支持向量机、朴素贝叶斯和多层感知器（MLP）在内的多个分类器进行分类。使用MLP分类器获得了75%的最佳分类准确率。我们的实验结果表明，我们提出的方案优于现有的感知压力分类方法，其中没有使用压力诱导剂。
2019-05-13 cs.HC cs.LG eess.SP
Brain-Computer Interface with Corrupted EEG Data: A Tensor Completion Approach
脑-机接口中的一个重要问题是如何处理以多维数据集形式组织的脑电测量数据。另一方面，最近，在利用张量分解模型来捕获多维信号中的条目之间的复杂关系的多维信号补全算法中已经取得了重大进展。我们建议使用张量完成应用于EEG数据，以提高分类性能的运动图像BCI系统与损坏的测量。噪声测量被认为是从张量分解模型推断的未知量。我们评估了四个最近提出的张量完成算法的性能，加上一个简单的插值策略，首先与随机丢失的条目，然后与丢失的样本约束有一个特定的结构（随机丢失的通道），这是一个更现实的假设在BCI应用。我们测量了这些算法从观测数据重建张量的能力。然后，我们测试的分类准确性的想象运动的BCI实验与缺失的样本。我们表明，对于随机缺失的条目，所有张量完成算法可以恢复丢失的样本，增加分类性能相比，一个简单的插值方法。对于随机丢失通道的情况下，我们表明，张量补全算法有助于重建丢失的通道，显着提高运动想象分类的准确性，但是，不是在同一水平的干净的数据。张量补全算法在实际的BCI应用中是有用的。所提出的策略可以允许使用运动图像BCI系统，即使当EEG数据受到丢失通道和/或样本的高度影响时，避免在校准阶段需要新的采集。
2018-07-26 eess.SP q-bio.QM stat.ML
Coordinate-conditioned detector-atom network for montage-agnostic EEG channel completion: zero-shot transfer and a regime map
Faculty of Engineering Science, Kansai University（关西大学理工学部）
针对脑电设备电极布局差异导致补全方法无法迁移的问题，提出坐标条件检测器-原子网络（CC-DAN），利用球谐函数原子和坐标相关权重实现零样本跨设备补全，优于插值方法，并给出机制图谱指导实践。
2026-09-28 eess.SP
PyNoetic: A modular python framework for no-code development of EEG brain-computer interfaces
Thapar Institute of Engineering and Technology（塔帕尔工程技术学院）；Carnegie Mellon University（卡内基梅隆大学）；TU Dublin（都柏林理工大学）
PyNoetic是一个模块化Python框架，通过无代码GUI和拖放流程图简化脑电BCI开发，覆盖全流程并支持离线与实时应用，降低使用门槛并加速研究。
2025-08-31 cs.AI cs.HC cs.LG
How large an effect would we have seen? Positive controls, detection floors and dataset pitfalls in scalp-EEG speech decoding
Morgan State University（摩根州立大学）
该研究审核头皮EEG语音解码的阳性对照与数据集问题，注入已知效应测量检测下限，发现显性语音对照受肌源信号主导，建议报告限带准确率、频率相关准确率及检测下限。
2026-10-16 eess.SP q-bio.NC q-bio.QM
Sleep Staging Based on Multi Scale Dual Attention Network
North China University of Technology（北方工业大学）；Kailuan General Hospital（开滦总医院）；Sun Yat-sen University（中山大学）
睡眠分期在睡眠障碍的诊断中起着重要的作用。一般来说，专家根据多导睡眠图（PSG）手动分类睡眠阶段，这是相当耗时的。同时，多个信号的采集过程非常复杂，这会影响受试者的睡眠。因此，利用单通道脑电图（EEG）进行自动睡眠分期已成为一个热门的研究课题。在文献中，大量的基于单通道脑电的睡眠分期方法已经被提出，并取得了可喜的成果，实现了睡眠分期的初步自动化。然而，这些方法中的大多数在N1阶段的性能不能满足诊断的需要。本文提出了一种基于原始脑电信号的深度学习模型多尺度双注意力网络（MSDAN），该模型利用多尺度卷积提取脑电信号中不同波形的特征，串联通道注意力机制和空间注意力机制过滤和突出关键信息，并使用软阈值去除冗余信息。使用两个数据集进行实验，采用5折交叉验证和保留验证方法。在Sleep-EDF数据集上，模型的最终平均准确率、总体准确率、宏观F1评分和Cohen's Kappa系数分别达到96.70%、91.74%、0.8231和0.8723，在Sleep-EDFx数据集上分别达到96.14%、90.35%、0.7945和0.8284。值得注意的是，我们的模型在N1阶段表现出色，两个数据集的F1得分分别为54.41%和52.79%。结果表明，我们的网络优于现有的方法，达到一个新的国家的最先进的。特别是，该方法在N1睡眠阶段取得了优异的成绩相比，其他方法。
2021-08-14 cs.LG eess.SP
BELT:Bootstrapping Electroencephalography-to-Language Decoding and Zero-Shot Sentiment Classification by Natural Language Supervision
提出 BELT 框架，利用预训练语言模型的自然语言监督与对比学习增强 EEG 表示，在脑到语言翻译和零样本情感分类上取得最优性能。
2023-12-10 cs.AI cs.CL eess.SP
Activity Coefficient-based Channel Selection for Electroencephalogram: A Task-Independent Approach
Indian Institute of Technology, Kharagpur, West Bengal, India（印度理工学院，克哈格普尔，西孟加拉邦，印度）
针对EEG通道增加导致的干扰与计算开销问题，提出任务无关的ACCS方法，通过通道活度系数（CAC）量化通道效用，选前16通道可提升多分类准确率达34.97%，识别可复用信息通道适配多样EEG应用。
2025-08-10 cs.CV cs.HC cs.LG
Unifying Adaptive Fourier and Möbius-Based Models for Efficient and Interpretable Biomedical Signal Decomposition
University of Valladolid（巴利亚多利德大学）；University of València（瓦伦西亚大学）
本文证明自适应傅里叶分解（AFD）与调频莫比乌斯（FMM）模型在数学上等价，并扩展至多通道信号，为结合AFD的计算优势与FMM的可解释性提供理论基础。
2026-06-24 eess.SP stat.ME
Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage Classification
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
针对EEG睡眠分期采集不便的问题，提出基于EOG信号的SE-Resnet-Transformer模型实现五阶段睡眠分类，在三个公开数据集上取得较好效果，提升了睡眠分期的可及性与患者舒适度。
2023-09-25 cs.CV cs.LG eess.SP
A Raspberry Pi-based Traumatic Brain Injury Detection System for Single-Channel Electroencephalogram
University of Washington（华盛顿大学）；University of California, Irvine（加利福尼亚大学尔湾分校）；VA Portland Health Care System（波特兰退伍军人医疗保健系统）；Oregon Health & Science University（俄勒冈健康与科学大学）
创伤性脑损伤（TBI）是导致死亡和残疾的常见原因。然而，用于TBI诊断的现有工具要么是主观的，要么需要广泛的临床设置和专业知识。相对高性能的计算系统的日益增加的可负担性和尺寸的减小与来自TBI相关的机器学习研究的有希望的结果相结合，使得有可能创建用于TBI的早期检测的紧凑且便携的系统。这项工作描述了一种基于Raspberry Pi的便携式实时数据采集和自动处理系统，该系统使用机器学习来有效地识别TBI并从单通道脑电图（EEG）信号中自动评分睡眠阶段。我们讨论的设计，实现和验证的系统，可以使用一个模拟到数字转换器（ADC）的EEG信号，并进行实时信号分类，以检测轻度TBI（mTBI）的存在。我们利用卷积神经网络（CNN）和基于XGBoost的预测模型来评估性能，并展示系统与多种类型的预测模型一起操作的多功能性。我们实现了超过90%的峰值分类准确度与TBI与对照条件下的16秒至64秒的时间段内的分类时间小于1秒。这项工作可以开发适合现场使用的系统，而不需要专门的医疗设备用于早期TBI检测应用和TBI研究。此外，这项工作为实现与TBI相关的连接的实时健康和健康监测系统开辟了道路。
2021-01-29 cs.LG eess.SP
Sleep Stage Classification Using Bidirectional LSTM in Wearable Multi-sensor Systems
了解睡眠质量和结构对人类的健康至关重要，这通常用多个睡眠阶段来表示。标准的睡眠阶段确定需要在昂贵且劳动密集型的多导睡眠图（PSG）测试期间的脑电图（EEG）信号。为了克服这种不便，出于相同的目的提出了心肺信号，因为通过简化的设备容易且舒适地采集。在本文中，我们利用我们的低成本的可穿戴多传感器系统，以获取从受试者的心肺信号。在特征提取过程中设计了三种新的特征。然后，我们应用具有长短期记忆的双向递归神经网络（BLSTM）架构来预测四类睡眠阶段。我们在大型公共数据集（417名受试者）上的预测准确率为80.25%，在32名入组受试者上的预测准确率为80.75%。我们的结果优于以前的工作，无论是使用小数据集，并有潜在的过拟合问题，或使用传统的机器学习方法对大数据集。
2019-09-24 eess.SP
