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
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
OmniEEG-Bench: A Standardized Evaluation Benchmark for EEG Foundation Models
Department of Biomedical Engineering, Southern University of Science and Technology, Shenzhen, China(南方科技大学生物医学工程系,深圳,中国);School of Computer Science and Engineering, The Chinese University of Hong Kong, Shenzhen, China(香港中文大学(深圳)计算机科学与工程学院,深圳,中国);Omni-Intelligence, Shenzhen, China(奥米智能,深圳,中国);Shenzhen Loop Area Institute, Shenzhen, China(深圳环城研究院,深圳,中国)
针对脑电图基础模型评估碎片化问题,提出统一基准OmniEEG-Bench,涵盖六类任务、54个数据集,并揭示预训练数据多样性和模型大小与性能的缩放律关系。
2026-05-30 cs.LG
When Does Your Brain Know You? Segment Length and Its Impact on EEG-based Biometric Authentication Accuracy
本研究通过系统探索分段时长并采用多种机器学习模型,旨在确定脑电图数据用于生物识别认证的最佳阈值,以平衡准确性与计算复杂性,推动非侵入性身份验证系统的发展。
2024-03-19 cs.CR eess.SP q-bio.NC
Evidence of Task-Independent Person-Specific Signatures in EEG using Subspace Techniques
Indian Institute of Technology Madras(印度马德拉斯理工学院);University of Southern California(南加州大学);Massachusetts Institute of Technology(麻省理工学院)
脑电图(EEG)信号是有前途的替代品,其他生物特征,由于他们的保护,防止欺骗。以往的研究主要集中在通过分析任务/条件特异性EEG来捕获个体差异。这项工作试图通过归一化相关的方差来建模独立于任务/条件的生物特征签名。为了实现这一目标,本文扩展了基于子空间的文本无关的说话人识别的思想,并提出了新的修改建模多通道EEG数据。所提出的技术假设生物特征信息存在于整个EEG信号中,并且在高维空间中跨时间积累统计数据。然后将这些高维统计数据投影到保存生物特征信息的低维空间。使用所提出的方法获得的低维嵌入被证明是任务无关的。最好的子空间系统识别个人的准确率分别为86.4%和35.9%的数据集与30和920名受试者,只使用9个EEG通道。该论文还提供了对子空间模型在训练过程中对看不见的任务和个人的可扩展性以及子空间建模所需的通道数量的见解。
2021-03-25 cs.LG eess.SP
Cueless EEG imagined speech for subject identification: dataset and benchmarks
Department of Computer Engineering, Sharif University of Technology(沙斐大学计算机工程系);Center for Cognitive Science, Institute for Convergence Science and Technology (ICST)(融合科学与技术研究所认知科学中心);Sharif University of Technology(沙斐大学)
本研究提出无提示EEG想象言语范式,通过自然选择和想象语义词实现高准确率的受试者识别,展示了其在脑机接口中的应用潜力。
2026-08-14 cs.AI cs.LG
Multimodal EEG and Keystroke Dynamics Based Biometric System Using Machine Learning Algorithms
随着技术的快速进步,不同的生物特征用户认证和识别系统不断涌现。传统的生物识别系统,如人脸、指纹、虹膜识别、指纹动态等,容易受到网络攻击,并存在不同的缺点。基于脑电图(EEG)的认证在克服这些限制方面显示出希望。然而,基于EEG的认证由于在不同的心理和生理条件下的信号变化而不太准确。另一方面,基于动态的识别提供了高准确性,但遭受不同的欺骗攻击。为了克服这些挑战,我们提出了一种新的多模态生物识别系统结合EEG和脑电动力学。首先,通过在10个不同的会话中采集来自10个用户的脑电动力学和EEG信号来创建数据集,每个用户500次试验。从EEG信号中提取不同的统计、时域和频域特征并进行排序,从脑电动力学中提取关键特征。针对两种不同的分类策略-个性化和广义,对不同的分类器进行了训练、验证和测试。结果表明,非常高的准确性,可以实现在广义和个性化的情况下,脑电和脑电动力学的组合。极端梯度提升(XGBoost)和随机森林分类器的识别和认证准确率分别为99.80%和99.68%,它们以显著的幅度(约5%)优于单个模态。我们还开发了一种基于二进制模板匹配的算法,该算法的准确率为93.64%,快了6倍。所提出的方法对于任何类型的生物特征认证都是安全可靠的。
2021-06-25 cs.CR eess.SP
Resting-state EEG sex classification using selected brain connectivity representation
University of Otago(奥塔哥大学)
有效地分析脑电信号的潜在临床应用仍然是一个具有挑战性的任务。到目前为止,EEG的分析和调节在很大程度上保持性别中立。本文采用机器学习的方法来探索性别对脑电信号的影响的证据,并通过成功地实现性别预测的静息态脑电信号证实了这些影响的普遍性。我们发现,由某些传感器通道之间的一致性所代表的大脑连通性是很好的性别预测指标。
2020-12-21 cs.LG eess.SP
EEG-SeeGraph: Interpreting functional connectivity disruptions in dementias via sparse-explanatory dynamic EEG-graph learning
Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳));Institute of Neurological Diseases, Shenzhen Bay Laboratory, Shenzhen, China(深圳湾实验室神经疾病研究院)
本文提出EEG-SeeGraph,通过稀疏解释性动态EEG图学习方法,解析痴呆症中功能连接紊乱,具备噪声鲁棒性和可解释性。
2026-03-03 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
Investigating Brain Connectivity and Information Flow in Mental Workload Using EEG and fNIRS Integration
Sharif University of Technology(谢里夫理工大学)
本研究整合EEG和fNIRS信号,利用N-back任务分析心理负荷下大脑的功能与有效连接,发现额叶功能连接随负荷增加,且神经活动对血流动力学响应有主导影响,揭示了神经血管耦合机制。
2025-11-04 eess.SP
Support Vector Machine for Person Classification Using the EEG Signals
针对传统认证方法易受攻击、现有生物识别易被伪造的问题,提出利用独特脑电(EEG)信号结合支持向量机分类器进行人员识别,在含12名受试者的数据集上实现92.9%准确率,为活体检测和抗 spoofing 攻击提供新途径。
2024-11-26 cs.CR eess.SP
A Hodge-FAST Framework for High-Resolution Dynamic Functional Connectivity Analysis of Higher Order Interactions in EEG Signals
本文提出Hodge-FAST框架,将Hodge分解与FAST功能连接结合,通过稀疏化、滤波和张量正交分解分析EEG高阶交互,首次在含噪EEG中高时间分辨率捕获高维动态连接,并揭示MCI患者中成对分析无法发现的时间差异。
2025-02-07 eess.SP
EEG functional connectivity and deep learning for automatic diagnosis of brain disorders: Alzheimer's disease and schizophrenia
Technische Hochschule Aschaffenburg(阿沙芬堡应用技术大学);Universidade de São Paulo (USP)(圣保罗大学)
精神障碍是全世界残疾的主要原因之一。治疗这些疾病的第一步是获得准确的诊断,但由于缺乏成熟的临床测试,这项任务具有挑战性。机器学习算法可以为这个问题提供可能的解决方案,正如我们在这项工作中所描述的那样。我们提出了一种基于从EEG时间序列和深度学习获得的连接矩阵来自动诊断精神障碍的方法。我们表明,我们的方法可以对阿尔茨海默病和精神分裂症患者进行分类,具有很高的准确性。与传统的情况下,使用原始EEG时间序列的比较表明,我们的方法提供了最高的精度。因此,深度神经网络在大脑连接数据上的应用是一种非常有前途的神经疾病诊断方法。
2021-10-07 cs.CY cs.LG eess.SP
Study of Brain Connectivity by Multichannel EEG Quaternion Principal Component Analysis for Alzheimer Disease Classification
本研究针对多通道EEG信号非线性动力学导致的AD实时诊断难题,提出基于QPCA的AD分类算法,提取通道间高维关联特征度量脑连接,仿真实验取得最高100%的分类准确率,首次将QPCA用于多通道EEG的AD分类与脑连接分析。
2025-05-21 eess.SP
Deep User Identification Model with Multiple Biometrics
NOTA Incorporated(NOTA公司);Khalifa University(哈利法大学);Korea Advanced Institute of Science and Technology(韩国高等科学技术院)
利用生物特征进行身份识别是一项重要而又具有挑战性的任务。关于使用给定信号识别个人身份或性别已经进行了大量的研究。各种类型的生物测定,如心电图(ECG),脑电图(EEG),面部,指纹和语音已被用于这些任务。大多数的研究只集中在单一的通道或单一的任务,而输入通道或任务的组合还有待研究。在本文中,我们提出了使用多模态生物识别技术进行深度识别和性别分类。我们的模型使用ECG,指纹和面部数据。然后,它执行两项任务:性别识别和分类。通过使用多模态,单个模型可以处理各种输入域,而无需独立地训练每个模态,并且域之间的相关性可以提高其在任务上的泛化性能。
2019-09-03 cs.CV cs.LG eess.SP
On the variability of functional connectivity and network measures in source-reconstructed EEG time-series
估计(相互作用的)大脑区域之间的统计相互依赖性的想法促使许多研究人员研究由此产生的连接模式和网络如何在任何可能的情况下组织起来。尽管这一想法并非处于初始阶段,但其实际应用仍远未普及。一个并发的原因可能与不同方法的扩散有关,这些方法旨在捕捉(相互作用)单元之间的潜在相关性。这个问题可能阻碍了不同研究之间的比较。不仅所有这些方法都有相同的名称(功能连接),而且它们经常使用不同的方法进行测试和验证,因此很难理解它们在多大程度上相似或不相似。在这项研究中,我们的目的是比较一组不同的方法,通常用于估计的功能连接的公共EEG数据集代表一个可能的现实情况。正如预期的那样,我们的研究结果表明,源级EEG连接估计和派生的网络措施,即使指向相同的方向,可能会显示大量的依赖于(通常是任意的)选择所选择的连接度量和阈值方法。在我们看来,观察到的变化反映了模糊性和关注,在报告基于任何连接性指标的结果时,都应该加以讨论。
2020-11-24 eess.SP q-bio.NC
Graph Convolutional Network with Connectivity Uncertainty for EEG-based Emotion Recognition
Southeast University(东南大学);Institute for Infocomm Research, A*STAR(新加坡科技研究局资讯通信研究院);Nanjing Medical University(南京医科大学)
提出连接不确定性图卷积网络CU-GCN,通过自适应权重分配、图mixup和单向不确定性学习,解决EEG情感识别中的长路径学习、拓扑模糊和标签噪声问题,在SEED和SEEDIV数据集上取得显著性能提升。
2023-10-22 cs.AI cs.LG eess.SP
Perturbing a Neural Network to Infer Effective Connectivity: Evidence from Synthetic EEG Data
Southern University of Science and Technology(南方科技大学);University of Macau(澳门大学);University of Queensland(昆士兰大学)
本研究针对多脑区非线性因果作用表征方法不足的问题,提出扰动训练后神经网络的有效连接推断框架,在合成EEG数据上验证发现CNN和Transformer性能优于经典Granger因果方法,为揭示脑因果结构提供新途径。
2023-07-19 cs.AI eess.SP q-bio.NC
Working Memory Functional Connectivity Analysis for Dementia Classification using EEG
All India Institute of Ayurveda Delhi(印度全印阿育吠陀学院德里分院)
本研究利用EEG工作记忆任务中的功能连接分析,通过CPTE指标和随机森林分类器,在提取阶段达到97.53%准确率,为痴呆早期检测提供了非侵入性诊断工具。
2025-10-15 eess.SP
Using Shallow Neural Networks with Functional Connectivity from EEG signals for Early Diagnosis of Alzheimer's and Frontotemporal Dementia
本研究提出结合谱时与多方法功能连接特征的浅层CNN模型,用于AD、FTD与对照的EEG分类,最高准确率达94.54%,为痴呆早期诊断提供新工具。
2023-11-06 eess.SP q-bio.NC
A study of resting-state EEG biomarkers for depression recognition
Lanzhou University(兰州大学)
背景:抑郁症已成为世界范围内的主要健康负担,有效检测抑郁症是一个巨大的公共卫生挑战。本研究以脑电为基础,探索识别抑郁症的有效生物标志物。研究方法:采用128通道HydroCel测地传感器网络(HCGSN)采集了24例抑郁症(MDD)患者和29例正常对照者的静息脑电数据。为了更好地识别抑郁症,我们提取了不同类型的脑电特征,包括线性特征、非线性特征和功能性连接特征,相位滞后指数(PLI),对MDD患者的脑电信号进行综合分析。并采用不同的特征选择方法和分类器对最优特征集进行评价。结果:功能性连接特征PLI优于线性特征和非线性特征。当结合所有类型的特征对MDD患者进行分类时,使用ReliefF特征选择方法和逻辑回归(LR)分类器可以获得最高的分类准确率82.31%。分析最优特征集的分布发现,PLI的半球内连接边远多于半球间连接边,且半球内连接边在两组间有显著性差异。结论:功能连接特征PLI在抑郁症识别中具有重要作用。特别是,PLI的半球内连接边缘可能是识别抑郁症的有效生物标志物。统计学结果提示MDD患者可能存在左半球功能障碍。
2020-02-23 cs.LG eess.SP stat.ML
EEG Signal Processing using Wavelets for Accurate Seizure Detection through Cost Sensitive Data Mining
Charles Sturt University(查尔斯特大学)
癫痫是一种最常见的慢性神经系统疾病。这种过度或同步的神经元活动被称为癫痫发作。脑电信号信号处理在癫痫发作的检测和预测中起着重要的作用。在本文中,我们介绍了一种方法,依赖于癫痫发作检测小波的属性。我们利用最大重叠离散小波变换,这使我们能够减少信号噪声,然后从小波系数中表现出的方差,我们开发电极之间的连接性和通信效率,因为这些属性在癫痫发作期间与非癫痫发作期间相比显着不同。我们使用基本的统计参数,从重建的降噪信号,电极连接和信息传输的效率来构建属性空间。我们利用公开的数据来测试我们的方法,发现它比一些现有的方法要好得多。
2021-09-22 cs.LG eess.SP
EEG Interpretation Across Chant Listening: A Single-Subject Pilot Investigation Using Spectral and Functional Connectivity Analysis
Centre for Brain Research (CBR), Indian Institute of Science (IISc)(印度科学院脑研究中心);National Institute of Advanced Studies (NIAS)(国立高等研究院)
本研究通过频谱和功能连接分析,比较了五种听觉条件下5岁儿童的大脑活动,发现不同吟唱条件(如Shiv Tandav Stotra)能调节神经振荡并形成不同的功能网络连接模式。
2026-06-24 eess.SP q-bio.NC
Investigating Brain Connectivity and Regional Statistics from EEG for early stage Parkinson's Classification
University of Bristol(布里斯托大学)
该研究利用EEG数据,将脑连接性指标与区域信号统计特征结合,通过Ada Boost模型在30名受试者上实现早期帕金森病分类,N1睡眠阶段结合相位滞后指数与频率统计特征取得91%的最佳准确率。
2024-08-01 cs.AI eess.SP q-bio.NC
Effective Connectivity-Based Unsupervised Channel Selection Method for EEG
New York Institute of Technology(纽约理工学院);University of Essex(埃塞克斯大学);University of Isfahan(伊斯法罕大学);Isfahan University of Medical Sciences(伊斯法罕医科大学)
提出基于有效连接的无监督EEG通道选择方法,通过ICEC准则量化通道因果影响,在三个数据集上以更少通道实现最高准确率。
2025-10-14 eess.SP
A Parametric Time Frequency-Conditional Granger Causality Method Using Ultra-regularized Orthogonal Least Squares and Multiwavelets for Dynamic Connectivity Analysis in EEGs
目的:本研究提出了一种新的参数TF(时间频率)CGC(条件格兰杰因果关系)方法,用于多元耦合非平稳系统中随时间和频率的高精度连接性分析,并将其应用于头皮和源脑电信号,以揭示振荡新皮质感觉运动网络中的动态相互作用模式。研究方法:Geweke谱测量相结合的TVARX(时变自回归与外源输入)建模方法,使用多小波和超正则化正交最小二乘(UROLS)算法辅助APRESS(可调预测误差平方和),以获得高分辨率的时变CGC表示。UROLS APRESS算法采用正则化技术和超最小二乘准则,不仅测量信号数据本身,而且测量信号数据的弱导数,是一种新的强有力的时变模型构造方法,具有良好的泛化性能,能够准确跟踪平滑和快速变化的因果关系。基于CGC分解的广义测量能够消除多变量系统中的间接影响。结果如下:所提出的方法进行了验证两个模拟,然后施加到多通道运动想象(MI)EEG信号在头皮和源级,预测的分布恢复良好,具有高TF精度,和检测到的连接模式的MI EEG数据是生理和解剖学上可解释的,并产生新的见解振荡皮层网络的动态组织。结论:实验结果证实了所提出的TF CGC方法在跟踪快速变化的因果关系的EEG振荡网络的有效性。意义:新的TF CGC方法有望为知觉和认知的神经机制提供重要信息。
2018-10-22 eess.SP q-bio.QM
Bayesian Functional Connectivity and Graph Convolutional Network for Working Memory Load Classification
University of Puerto Rico(波多黎各大学)
本文提出贝叶斯结构学习算法估计EEG功能连接,并结合图卷积网络对工作记忆负荷进行分类,在154名受试者上取得最高96%准确率,优于现有方法,且alpha和theta频段表现更佳。
2024-04-30 cs.LG eess.SP q-bio.NC
Temporal Analysis of Functional Brain Connectivity for EEG-based Emotion Recognition
情绪识别中的EEG信号由于其高的时间分辨率和关于大脑中发生的事情的信息而受到特别的关注。大脑的不同区域协同工作来处理信息,同时大脑的活动也会随着时间的推移而变化。因此,研究不同脑区之间的联系及其时间模式在神经科学中起着重要作用。在这项研究中,我们调查的情感分类性能使用功能连接功能在不同的频段,并比较它们与分类性能使用微分熵特征,这是以前用于这项任务。此外,我们研究了使用不同的时间段对分类性能的影响。我们在公开的SEED数据集上的结果表明,随着时间的推移,情绪变得更加稳定,分类准确率提高。在不同的时间段,我们达到了最高的分类精度使用的时间段为140秒结束。在这段时间内,与使用整个信号相比,准确度提高了4%至6%。使用皮尔逊相关系数、相干性和锁相值特征和SVM中的任何一个获得约88%的平均准确度。因此,功能连接功能导致更好的分类准确率比DE功能(平均准确率为84.89%),使用所提出的框架。最后,在一个相对公平的比较,我们表明,使用最佳的时间间隔和SVM,我们实现了更好的精度比使用递归神经网络,需要大量的数据,具有较高的计算成本。
2021-12-23 eess.SP
Resting-State EEG Network Profiles Associated with Creative Engagement and Creative Self-Efficacy
University of British Columbia(不列颠哥伦比亚大学);University of Oxford(牛津大学);Hong Kong Baptist University(香港浸会大学)
研究通过静息态EEG分析揭示了创造力自我效能与参与度的神经网络特征,发现不同群体在alpha波段连接模式上存在显著差异。
2026-01-19 eess.SP q-bio.NC q-bio.QM
Community Detection in Multi-frequency EEG Networks
目的:近年来,利用图论工具对人脑的功能连接进行了研究。其中一种方法是社区检测,这是发现本地化网络的基础。现有的方法集中于从单个频段构造的网络,而忽略了功能连接的多频性质。因此,有必要研究多频率功能连接,以便能够捕捉神经元连接的全貌。方法:在本文中,我们使用多层网络模型的多频功能连接。在所提出的模型中,每一层对应于不同的频段。然后,我们扩展的定义模块化多层网络开发一个新的社区检测算法。结果}将该方法应用于人脑错误监测研究中采集的脑电数据。研究了两种响应类型(错误响应和正确响应)在不同频段内和不同频段上群落结构的差异。结论:结果表明,在错误响应之后,大脑组织自己形成跨频率的社区,特别是在θ和γ波段之间,而对于正确响应没有观察到类似的跨频率社区形成。此外,社区结构检测到的错误反应更一致的主题相比,正确的反应的社区结构。重要性:多频率功能连接网络模型结合多层社区检测算法可以揭示跨频率功能连接网络形成在不同任务和响应类型之间的变化。
2022-09-26 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
Brain-scale Theta Band Functional Connectivity As A Signature of Slow Breathing and Breath-hold Phases
本研究通过EEG功能连接分析,发现θ波段功能连接可有效区分慢呼吸与不同屏气阶段,最优分类准确率达93.36%,且不同呼吸阶段的脑网络信息交换效率存在显著差异。
2023-12-15 eess.SP
Predicting Workload in Virtual Flight Simulations using EEG Features (Including Post-hoc Analysis in Appendix)
本研究利用52名参与者在VR和桌面飞行模拟中的EEG数据,通过堆叠分类器融合频谱与脑连接性特征预测工作负荷,发现融合模型准确率比仅用频谱特征提高28%,为开发安全关键环境的实时自适应训练系统提供了依据。
2025-03-11 cs.HC eess.SP
Bridging Accuracy and Explainability in EEG-based Graph Attention Network for Depression Detection
Department of Electrical Engineering, Indian Institute of Technology Kharagpur(印度理工学院Kharagpur电子工程系)
本文提出ExPANet图注意力网络,利用EEG多域特征和锁相值构建脑图,在提升抑郁症检测准确性的同时提供特征、通道与连接层面的可解释性。
2025-10-29 cs.LG eess.IV eess.SP
Spatial Neighboring Scattering Transform: A Cross-Channel Amplitude Coupling Measure for EEG Connectivity
Military Institute of Science and Technology(军事科学与技术学院)
研究针对脑电连接性分析中现有方法的不足,引入空间相邻散射变换,通过扩展小波散射变换到多通道设置,获取幅度包络耦合及跨频率调制信息,经实验验证其能系统恢复相关耦合结构,为脑电分析提供新方法。
2026-07-13 eess.SP q-bio.NC stat.AP
Directional and Causal Information Flow in EEG for Assessing Perceived Audio Quality
在本文中,脑电图(EEG)测量被用来推断皮质功能连接的变化,以响应音频刺激的变化。进行实验,其中当人类受试者收听质量随时间变化的音频序列时记录他们的EEG活动。因果信息理论的框架,然后提出了适当的分组到不同的感兴趣区域(ROI)在皮层的EEG传感器之间的信息流的测量。一个新的因果双向信息(CBI)措施被定义为一个标准的有向信息的措施,以确定在一个广义的皮质网络设置的ROI之间的连接的目的的改进。CBI可以直观地解释为有向信息的因果双向修改,并且固有地计算来自具有反馈的多址接入信道的观测数据的发散。此外,我们确定了不同的因果措施之间的分析关系,并比较他们如何能够区分感知的音频质量。推断出的连接结果表明,感兴趣区域之间的信息流的速率的显着变化,因为受试者听不同的音频质量,与CBI是最好的区分感知的音频质量,相比,使用标准的定向信息措施。
2018-02-18 eess.AS eess.SP q-bio.NC
Graph-Based Deep Learning on Stereo EEG for Predicting Seizure Freedom in Epilepsy Patients
Children’s National Hospital(儿童国家医院);School of Medicine and Health Sciences, George Washington University(乔治·华盛顿大学医学与健康科学学院)
本研究提出基于图神经网络的深度学习模型,利用儿科难治性癫痫患者的立体定向脑电图数据预测发作缓解,准确率较高并识别关键脑区,为个性化癫痫治疗提供支持。
2025-02-21 cs.LG eess.SP q-bio.NC
Solving large-scale MEG/EEG source localization and functional connectivity problems simultaneously using state-space models
针对大规模MEG/EEG分析计算成本高与估计偏差问题,提出多重惩罚状态空间(MPSS)模型及新算法,同时求解脑源定位与功能连接,克服了现有方法局限。
2023-11-24 cs.NA eess.SP math.DS
Insights into Age-Related Functional Brain Changes during Audiovisual Integration Tasks: A Comprehensive EEG Source-Based Analysis
本研究通过EEG源分析探究视听整合任务中不同年龄组的大脑激活与功能连接变化,发现中年人激活延迟且功能连接增加,揭示了衰老的补偿性神经机制。
2023-11-27 eess.SP
Prediction of Event Related Potential Speller Performance Using Resting-State EEG
事件相关电位(ERP)拼写器可用于闭锁或严重受伤患者的设备控制和通信。然而,诸如学科间绩效不稳定和ERP文盲等问题仍然没有得到解决。因此,有必要在执行ERP拼写器之前预测分类性能,以便有效地使用它。在这项研究中,我们调查了ERP拼写前的休息状态与ERP拼写成绩的相关性。具体而言,我们使用了四个大脑区域和五个频段的频谱功率和功能连接。因此,额叶的δ功率和δ、α、γ波段的功能连接与ERP拼写者的成绩显著相关。此外,我们预测ERP拼写性能使用EEG特征在休息状态。这些发现可能有助于调查ERP文盲,并考虑为每个用户的适当的替代品。
2020-05-07 cs.HC eess.SP q-bio.NC
Beyond Local Power: Functional Connectivity Analysis for Subject-Independent Learning Style Recognition
Universitas Gadjah Mada(加查马达大学)
该研究提出基于EEG和PLV连接性的方法,识别被试独立学习风格,在VV维度获70.00%准确率,AR维度仅55.56%,指出需自适应特征变换缩小跨被试泛化差距。
2026-08-13 cs.LG eess.SP q-bio.NC
Online functional connectivity analysis of large all-to-all networks
EEG/MEG功能连接分析已成为神经研究的重要工具。特别是EEG/MEG的高时间分辨率使得能够对人类大脑的功能进行重要的洞察。迄今为止,功能连接性通常是离线估计的,即,在实验结束后。然而,在线计算的功能连接有可能使独特的实验范式。例如,可以实时跟踪由于学习过程而引起的功能连接的变化,并根据这些观察结果调整实验。此外,连接性估计可用于神经反馈应用或测量结果的瞬时检查。在这项研究中,我们提出了在线传感器和源空间功能连接估计的开源软件MNE扫描的实施和评估。在MNE-CPP内的连接性库中建立了几个功能连接性度量的在线实现,并作为MNE Scan中的插件提供。在线能力是通过强制多线程和所有计算的高效率来实现的,因此尽可能避免重复计算,这允许在重叠间隔的情况下大幅加速。我们提出了全面的性能评估,这些实现证明了在线计算能力的大型全对全功能连接网络。作为一个原则的证明,我们证明了在线功能连接估计在体感诱发脑活动的评估的可行性。
2023-03-06 eess.SP physics.med-ph q-bio.NC
Exploring Brain Network Organization in Alzheimer Disease and Frontotemporal Dementia: A Crossplot Transition Entropy Approach
本研究利用静息态EEG构建复杂脑网络模型,采用交叉图转移熵(CPTE)方法分析阿尔茨海默病(AD)与额颞叶痴呆(FTD)的脑网络组织差异,发现基于CPTE的网络参数能有效区分两者,准确率达87.58%,为痴呆症的准确诊断提供了新途径。
2024-09-25 eess.SP
Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios
Imperial College London(伦敦帝国学院);University of Florida(佛罗里达大学)
提出基于密度比正交分解的统计依赖估计器,从EEG与EMG信号学习特征函数等以建模皮层-肌肉振荡关系,解决了可解释性等问题,并能准确分类运动与受试者,揭示特定EEG通道激活。
2024-12-19 cs.AI eess.SP q-bio.NC