Multi-center validation study of automated classification of pathological slowing in adult scalp electroencephalograms via frequency features
脑电图(EEG)中的病理性减慢被广泛研究用于神经系统疾病的诊断。目前,减慢检测的金标准是专家对EEG的视觉检查,这是耗时且主观的。为了解决这些问题,我们提出了三种自动化方法来检测EEG中的减慢:基于身份的检测系统(TDS),基于浅层学习的检测系统(SLDS)和基于深度学习的检测系统(DLDS)。这些系统在通道、段和EEG水平上进行评估。TDS、SLDS和DLDS通过检测各个通道处的减慢来执行预测,并且这些检测被布置在直方图中以用于在分段和EEG级别检测减慢。我们通过Leave-One-Subject-Out(LOSO)交叉验证(CV)和Leave-One-Institution-Out(LOIO)CV对来自美国,新加坡和印度的四个数据集进行了评估。DLDS获得了最佳的总体结果:通道、节段和EEG水平的LOIO CV平均平衡准确度(BAC)分别为71.9%、75.5%和82.0%,通道、节段和EEG水平的LOSO CV平均BAC分别为73.6%、77.2%和81.8%。渠道级和细分级的绩效与专家的评估者内一致性(IRA)(72.4%和82%)相当。DLDS可以在4秒内处理30分钟的EEG,并可用于协助临床医生解释EEG。
2021-01-27 eess.SP
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
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
An EEG-based Stereoscopic Research to Reveal the Brain's Response to What Happens Before and After Watching 2D and 3D Movies
尽管知道三维(3D)技术以眼睛疲劳的形式存在的现实,但这项技术仍然被人们(特别是年轻群体)所保留。为了检查在观看2D和3D电影之前和之后会发生什么,以及这种情况如何影响人类大脑的功率谱密度(PSD),安排了一个由五名成员组成的测试组。在这项研究中,脑电图(EEG)被用作一种神经影像学方法。在观看2D和3D电影之前和之后,对五个人进行了EEG记录。在2D/3D EEG记录后,将该记录分为三个阶段进行分析。这些阶段包括放松,观看和休息。该基准分析包括I)观看2D电影之前和之后(R2 b和R2 a)、II)观看3D电影之前和之后(R3 b和R3 a)、以及III)观看2D/3D电影之后(R2 a和R3 a)。在放松和休息阶段,分析并比较了5个EEG频带(包括δ、θ、α、β(\b{eta})和γ)的所有脑区通道的2D/3D EEG功率差异。
2019-03-13 eess.SP
High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm
University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦·图灵研究所)
脑电图(EEG)是监测和诊断大脑疾病的关键。然而,EEG信号遭受由非大脑伪影引起的扰动,限制了它们的功效。当前的伪影检测管道是资源消耗型的,并且严重依赖于手工制作的功能。此外,这些管道本质上是确定性的,使它们无法捕获预测的不确定性。我们提出了E4G,一个用于高频EEG伪影检测的深度学习框架。我们的框架利用了早期退出范式,建立了一个能够捕捉不确定性的隐式模型集合。我们评估了我们的方法在天普大学医院EEG语料库(v2.0)实现国家的最先进的分类结果。此外,E4G提供了良好校准的不确定性指标,可与抽样技术(如Monte Carlo dropout)相媲美。E4G为支持临床医生在环框架的不确定性感知伪影检测打开了大门。
2021-07-21 cs.LG eess.SP
Bi-LSTM neural network for EEG-based error detection in musicians' performance
本文提出利用瞬时频率、谱熵和 MFCC 结合双向 LSTM 对 EEG 信号进行分类,用于音乐家演奏错误检测,并验证其在受试者内与受试者间分析中的有效性。
2024-11-19 eess.SP
Real-Time Non-Invasive Imaging and Detection of Spreading Depolarizations through EEG: An Ultra-Light Explainable Deep Learning Approach
Department of Bioengineering, Imperial College London(伦敦帝国理工学院生物工程系);Royal Brompton Hospital(皇家布伦普顿医院);Department of Basic and Clinical Neuroscience, Institute of Psychiatry, Psychology and Neuroscience, Academic Neuroscience Centre, King’s College London(伦敦国王学院精神病学、心理学与神经科学研究所基础与临床神经科学系学术神经科学中心)
本文提出一种超轻量多模态深度学习网络,通过融合EEG频谱图像和时间功率向量,提升单电极上的扩散性去极化检测精度,实现低密度EEG下的高效检测。
2026-05-16 eess.SP
Differences in MEG and EEG power-law scaling explained by a coupling between spatial coherence and frequency: a simulation study
电生理信号(脑电图,EEG和脑磁图,MEG),作为许多自然过程,表现出标度不变性的性质,导致一个幂律(1/f)频谱。有趣的是,EEG和MEG的斜率不同,这可以通过几种机制来解释,包括组织的非电阻特性。我们在本研究中的目标是估计源信号的空间/频率结构的影响,作为一个假定的机制来解释神经成像信号的频谱标度特性。我们进行了模拟的基础上,不同大小(范围从0.4到104.2厘米2)的皮质补丁的总和贡献。小补丁归因于高频率的信号,而大补丁与低频率的信号,在对数尺度上。测试的参数包括i)空间/频率结构(补丁大小和频率的范围)和ii)参数化空间尺度比的幅度因子c。我们发现,空间/频率结构可能会导致EEG和MEG无标度谱之间的差异,这与以往研究中报道的真实数据结果是一致的。我们还发现,在一定的空间尺度下,EEG和MEG之间没有更多的差异,这表明两种方法的分辨率是有限的。我们的工作为实验结果提供了解释。这并不排除EEG和MEG之间差异的其他机制,但表明神经动力学的时空结构的重要作用。这可以帮助分析和解释EEG和MEG中的幂律测量,我们相信我们的结果也可以影响大脑动力学的计算建模,其中可以在不同的频率下使用不同的局部连接结构。
2019-10-24 eess.SP q-bio.NC
Improving EEG-based Emotion Recognition by Fusing Time-frequency And Spatial Representations
Ping An Technology (Shenzhen) Co., Ltd.(平安科技(深圳)有限公司)
使用深度学习方法对脑电信号进行分类,可以准确识别人的情绪。然而,现有的研究很少考虑在另一个域的表示,在时间-频率域的特征选择的信息的应用。提出了一种基于跨域特征融合方法的脑电信号分类网络,利用多域注意机制,使网络更加集中于与大脑活动和思维变化最相关的特征。此外,我们还提出了一种两步融合的方法,并将这些方法应用到脑电情感识别网络中。实验结果表明,我们提出的网络,它结合了在时间-频率域和空间域的多种表示,在公共数据集上优于以前的方法,并达到目前最先进的。
2023-03-14 cs.AI cs.LG eess.SP
Spatial sampling of MEG and EEG revisited: From spatial-frequency spectra to model-informed sampling
在本文中,我们分析了空间采样的电(EEG)脑磁图(MEG),其中的电场或磁场通常是在一个弯曲的表面上,如头皮采样。使用模拟测量,我们研究了空间频率的内容,在脑电图以及在头皮和离头皮脑磁图。分析表明,头皮上的MEG通常会受益于比EEG或头皮外MEG多三倍的样本。基于高斯过程理论和实验设计,我们提出了一种方法来获得表面上的采样位置是最佳的先验假设。此外,该方法允许控制,例如,网格中采样位置的均匀性。通过模拟用不同先验构造的网格的性能,我们表明,对于少量的空间样本,模型通知的非均匀采样可能是有益的。对于大量的样本,均匀采样网格产生几乎相同的总信息的模型知情的网格。
2020-06-03 eess.SP physics.med-ph
EEG-EMG FAConformer: Frequency Aware Conv-Transformer for the fusion of EEG and EMG
College of Electronic;Information Engineering Tongji University Shanghai, China 0009-0008-4147-3310;School of Software Engineering Tongji University Shanghai, China;Information Engineering Tongji University Shanghai, China;Department of Computer Science;Engineering Shanghai Jiao Tong University Shanghai, China
本文提出EEG-EMG FAConformer多模态运动模式识别算法,通过频带注意力、多尺度融合等模块有效融合EEG与EMG信号,并在Jeong2020数据集上取得优于现有方法的性能。
2024-09-12 cs.AI eess.SP q-bio.NC
A multi-artifact EEG denoising by frequency-based deep learning
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))
本文提出一种基于频率深度学习的多伪影EEG去噪模型,利用噪声频谱先验自适应计算最优卷积滤波器,在EEGdenoiseNet数据集上取得最优时间与频谱指标,无需针对特定伪影训练即可有效去除肌肉和眼部伪影。
2023-10-26 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
Detecting high-frequency brain disorder signals using dynamic mode decomposition from EEG
University of Maryland, College Park(马里兰大学帕克分校);Hanbat National University(韩巴国立大学)
本研究利用动态模式分解(DMD)提取EEG高频带动力学变化,经随机分布测试后用PCA成分作为特征,成功区分酒精依赖组与对照组,为检测高频脑疾病信号提供方法。
2026-08-05 cs.LG eess.SP q-bio.NC
Non-Gaussianity Detection of EEG Signals Based on a Multivariate Scale Mixture Model for Diagnosis of Epileptic Seizures
目的:从头皮脑电图(EEG)信号中检测癫痫发作,有助于早期诊断和治疗。以往的研究表明,高斯性的EEG分布的变化取决于癫痫发作的存在或不存在,但是,没有一般的EEG信号模型可以解释这种变化的分布在一个统一的计划。研究方法:本文描述了一种基于多变量尺度混合分布的随机EEG模型的制定,该模型可以表示EEG中随机波动引起的非高斯性变化。此外,我们提出了一种EEG分析方法相结合的模型与滤波器组,并引入了一个功能,代表非高斯潜伏在每个EEG频段。结果:我们应用所提出的方法从20例局灶性癫痫患者的多通道EEG数据。结果显示,癫痫发作期间,特别是在高频段,所提出的特征显著增加。在高频段中计算的特征允许仅使用简单阈值对癫痫发作和非癫痫发作片段进行高度准确的分类[接收器操作特征曲线下的面积(AUC)= 0.881]。结论:提出了一种基于多尺度混合分布的随机脑电模型,该模型能够描述癫痫发作的非高斯性。仿真和真实脑电数据的实验结果表明了该模型的有效性及其对癫痫发作检测的适用性。意义:所提出的模型量化的EEG的随机波动可以帮助检测癫痫发作的准确性高。
2020-07-02 eess.SP physics.data-an
Tokenizing Single-Channel EEG with Time-Frequency Motif Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);SANKEN, Osaka University(大阪大学SANKEN)
本文提出TFM-Tokenizer,通过学习单通道EEG信号的时间-频率动机词汇,提升EEG分词准确性,实验显示在多个基准上性能提升达11%,且适用于多种基础模型,具备良好的通用性和可扩展性。
2026-05-13 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
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
BandRouteNet: An Adaptive Band Routing Neural Network for EEG Artifact Removal
Ho Chi Minh City University of Technology(胡志明市技术大学)
本文提出BandRouteNet,通过频段特定处理与全频段上下文建模,有效去除EEG信号中的EOG和EMG干扰,提升去噪性能与参数效率。
2026-05-11 cs.AI eess.SP
A Single-Channel Consumer-Grade EEG Device for Brain-Computer Interface: Enhancing Detection of SSVEP and Its Amplitude Modulation
脑机接口(BCI)在缓解神经肌肉患者控制计算机和假肢方面发挥着重要作用。稳态视觉诱发电位(SSVEP)由于其高信噪比,已被广泛用于构建脑机接口。然而,目前开发的算法不能预测SSVEP振幅的调制,已知其作为刺激亮度对比度的函数而改变。在这项研究中,我们的目标是开发一种综合的方法,同时估计的频率和对比度相关的幅度调制的SSVEP信号。为了实现这一点,我们开发了一个行为任务,其中人类参与者专注于一个视觉闪烁的目标,亮度对比度可以通过几种方式随时间变化。来自16名受试者的SSVEP信号,然后使用低成本的消费级EEG从放置在中央枕叶部位的电极记录。我们的研究结果表明,滤波器组典型相关分析(FBCCA)在SSVEP频率识别中表现良好,而支持向量回归(SVR)在预测SSVEP的对比度依赖幅度调制方面优于其他监督机器学习算法。这些研究结果表明,我们的综合方法的适用性和强大的性能,同时预测视觉诱发信号的频率和幅度,并已被证明是有用的推进SSVEP为基础的应用程序。
2019-12-04 eess.SP
DTP-Net: Learning to Reconstruct EEG signals in Time-Frequency Domain by Multi-scale Feature Reuse
College of Biomedical Engineering(生物医学工程学院);Zhejiang University(浙江大学);Sir Run Run Shaw Hospital(邵逸夫医院);School of Medicine(医学院)
针对EEG信号易受伪迹干扰的问题,提出含可学习时频变换与密集连接时间金字塔的DTP-Net实现端到端去噪,在半模拟数据集上性能优于现有方法,还可提升BCI任务分类准确率。
2024-03-07 cs.LG eess.SP
Bispectrum Analysis of Noninvasive EEG Signals Discriminates Complex and Natural Grasp Types
本研究利用双谱分析无创EEG信号解码复杂抓握动作,通过三种分类器测试5名受试者数据,发现SVM分类器表现最优,二分类和多分类准确率分别达97%和94.93%,为运动神经动力学研究提供新方法。
2024-02-01 eess.SP
EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive Activity from EEG
Novartis(诺华)
基于脑电图(EEG)的脑机接口(BCI)系统的主要挑战之一是学习主体/会话不变特征以在端到端区分设置内对认知活动进行分类。我们提出了一种新的端到端机器学习管道EEG-NeXt,它通过以下方式促进迁移学习:i)在欧几里得空间中对齐来自不同受试者的EEG试验,ii)针对EEG信号的尺度图定制深度学习技术,以捕获低频、较长持续时间事件的更好频率定位,以及iii)通过自适应微调利用预训练的ConvNeXt(取代最先进(SOTA)图像分类模型的现代化ResNet架构)作为主干网。在公开可用的数据集(Physionet Sleep Cassette和BNCI 2014001)上,我们通过跨学科验证将我们的方法与SOTA进行了基准测试,并证明了认知活动分类的准确性得到了提高,同时在队列中具有更好的泛化能力。
2022-12-08 cs.HC cs.LG eess.SP
GMSS: Graph-Based Multi-Task Self-Supervised Learning for EEG Emotion Recognition
Xidian University(西安电子科技大学);Southeast University(东南大学)
以往的脑电信号情感识别依赖于单任务学习,这可能导致过拟合和学习的情感特征缺乏泛化能力。提出了一种基于图的多任务自监督学习模型(GMSS)用于脑电情感识别。GMSS具有通过整合多个自我监督任务(包括空间和频率拼图任务以及对比学习任务)来学习更一般的表征的能力。通过同时从多个任务中学习,GMSS可以找到捕获所有任务的表示,从而减少原始任务上过拟合的机会,即,情绪识别任务特别是,空间拼图任务旨在捕捉不同大脑区域的内在空间关系。考虑到频率信息在脑电情感信号中的重要性,频率拼图任务的目标是探索脑电情感识别的关键频段。为了进一步规范学习的特征并鼓励网络学习固有的表示,在这项工作中采用了对比学习任务,将转换后的数据映射到一个公共的特征空间。建议GMSS的性能进行了比较,与几个流行的无监督和监督的方法。在SEED、SEED-IV和MPED数据集上的实验表明,该模型在学习更有鉴别力和通用性的脑电信号情感特征方面具有显著优势。
2022-04-12 cs.AI cs.LG eess.SP
Analysis of EEG frequency bands for Envisioned Speech Recognition
Indian Institute of Technology Delhi(德里印度理工学院)
自动语音识别(ASR)接口的使用在日常生活中变得越来越流行,以用于电子设备的交互和控制。目前正在使用的界面对于各种用户来说都是不可行的,例如那些患有语言障碍,闭锁综合症,瘫痪或具有最高隐私要求的人。在这种情况下,可以使用脑电图(EEG)信号识别预期语音的界面可能会有很大的好处。过去已经针对这个问题进行了各种工作。然而,在识别EEG信号的频段($δ, θ, α, β, γ$)方面的工作有限,所述频带($δ, θ, α, β, γ$)有助于所设想的语音识别。因此,在这项工作中,我们的目标是分析的意义,不同的EEG频段和信号从大脑的不同叶和他们的贡献,对认识设想的语音。从不同波瓣获得的信号和针对不同频段的带通滤波被馈送到具有卷积神经网络(CNN)和长短期记忆(LSTM)的时空深度学习架构。在公开的数据集上评估性能,该数据集包括三个分类任务-数字,字符和图像。我们分别获得了$85.93\%$、$87.27\%$和$87.51\%$的分类正确率。执行代码已在https://github.com/ayushayt/ImaginedSpeechRecognition上提供。
2022-03-29 cs.CL cs.SD eess.AS
MVGT: A Multi-view Graph Transformer Based on Spatial Relations for EEG Emotion Recognition
School of Computer Science (National Pilot Software Engineering School)(计算机学院(国家试点软件工程学院))
本文提出MVGT模型,通过整合时间动态、频率特征和通道关系,提升EEG情感识别的性能和表征能力。
2026-03-13 cs.AI cs.NE eess.SP
Positional-Spectral-Temporal Attention in 3D Convolutional Neural Networks for EEG Emotion Recognition
Northwestern Polytechnical University(西北工业大学)
认识人类的情感在我们的日常交流中起着至关重要的作用。神经科学已经证明,不同的情绪状态在不同的大脑区域、EEG频段和时间戳中呈现不同程度的激活。在本文中,我们提出了一种新的结构,探索信息EEG特征的情感识别。建议的模块,表示为PST-Attention,由位置,频谱和时间注意模块,以探索更多的区分EEG功能。具体来说,位置注意模块是在空间维度上捕捉不同情绪刺激的激活区域。频谱和时间注意力模块分别分配不同频段和时间切片的权重。我们的方法是自适应的,以及有效的,可以适合到3D卷积神经网络(3D-CNN)作为一个插件模块。我们在两个真实世界的数据集上进行实验。3D-CNN与我们的模块相结合取得了令人鼓舞的结果,并证明了PST-Attention能够从EEG中捕获稳定的情感识别模式。
2021-11-08 cs.CV eess.SP
Macroscopic EEG Reveals Discriminative Low-Frequency Oscillations in Plan-to-Grasp Visuomotor Tasks
Department of Electrical, Computer, and Biomedical Engineering, University of Rhode Island(电气、计算机与生物医学工程系,罗德岛大学)
本研究利用非侵入性脑电图和FBCSP特征提取,在计划-抓握视觉运动任务中证明低频振荡(0.5-8 Hz)可判别抓握类型,分类准确率达75.3%-77.8%,优于传统MRCP方法。
2025-10-21 cs.RO 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
Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis
University of Rajshahi(拉杰沙希大学);Hajee Mohammad Danesh Science and Technology University(哈吉·穆罕默德·达内什科技大学);Deakin University(迪肯大学);Charles Sturt University(查尔斯·斯特特大学);COMSATS University Islamabad(伊斯兰堡COMSATS大学)
从历史上看,依赖于刺激的时间-频率模式的分析一直是大多数脑电图(EEG)研究的基石。在感觉和认知任务中,与精神障碍相关的高频波异常振荡已经被研究了很多次。然而,任何显着的不同,在休息状态的低频带尚未建立。α和δ波段波的谱分析显示了刺激无关EEG在识别病理性大脑的异常活动模式中的有效性。合并多个频带的广义模型应该更有效地将潜在的EEG生物标志物与首发精神病(FEP)相关联,从而实现准确的诊断。我们探索了多种机器学习方法,包括随机森林,支持向量机和高斯过程分类器(GPC),以证明静息态功率谱密度(PSD)区分FEP患者和健康对照的实用性。本文对PSD分析的预处理方法进行了全面的讨论,并对不同模型进行了详细的比较。GPC模型的特异性为95.78%,优于其他模型,表明PSD可以作为一种有效的特征提取技术,用于分析和分类精神疾病的静息态脑电信号。
2022-11-23 cs.LG eess.SP q-bio.NC
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
CIT-EmotionNet: CNN Interactive Transformer Network for EEG Emotion Recognition
Universiti Sains Malaysia(马来西亚理科大学);Zhengzhou Railway Vocational and Technical College(郑州铁路职业技术学院)
本文提出CIT-EmotionNet,通过并行集成CNN与Transformer并设计交互模块融合EEG全局与局部特征,在SEED和SEED-IV数据集上分别达到98.57%和92.09%的识别准确率,优于现有方法。
2023-05-07 cs.LG eess.SP
Frequency-Based Alignment of EEG and Audio Signals Using Contrastive Learning and SincNet for Auditory Attention Detection
Nanjing University of Posts and Telecommunications(南京邮电大学)
本文提出SincAlignNet,结合改进SincNet与对比学习对齐EEG与音频特征进行听觉注意力检测,在KUL和DTU数据集上取得优异准确率,并证明使用6个电极即可实现高效低密度EEG在线解码。
2025-03-06 cs.SD eess.AS eess.SP
Dyslexia detection from EEG signals using SSA component correlation and Convolutional Neural Networks
University of Malaga(马拉加大学)
提出基于奇异谱分析(SSA)将EEG原始信号拆分为不同振荡模式分量,并利用卷积神经网络对分量在EEG通道间的相关矩阵进行分类,实现客观且适用于阅读前儿童的早期阅读障碍诊断。
2020-10-26 cs.LG cs.NE eess.SP
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
Energy-Efficient Tree-Based EEG Artifact Detection
ETH Zürich(苏黎世联邦理工学院);University of Bologna(博洛尼亚大学);University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学)
在癫痫监测的背景下,由于EEG伪影在幅度和频率上的形态相似性,EEG伪影经常被误认为癫痫发作,使得癫痫发作检测系统容易受到更高的误报警率的影响。在这项工作中,我们提出了一个伪影检测算法的基础上,并行超低功耗(PULP)嵌入式平台上的最小数量的EEG通道的实现。分析是基于TUH脑电图语料库数据集,并集中在颞电极。首先,我们使用自动化机器学习框架在频域中提取最佳特征模型,实现了93.95%的准确率,4个时间EEG通道设置的F1得分为0.838。所达到的精度水平超过最先进水平近20%。然后,这些算法被并行化并针对PULP平台进行优化,与最先进的低功耗实现的伪影检测框架相比,实现了5.21倍的能效提高。将该模型与低功耗癫痫发作检测算法相结合,将允许在可穿戴外形和功率预算中对300 mAh电池进行300小时的连续监测。这些结果为实施经济实惠、可穿戴、长期的癫痫监测解决方案铺平了道路,这些解决方案具有低假阳性率和高灵敏度,可满足患者和护理人员的要求。
2022-04-19 cs.LG eess.SP
EEG Synthetic Data Generation Using Probabilistic Diffusion Models
脑电图(EEG)在脑机接口(BCI)领域中起着重要的作用,由于其非侵入性,低成本和易于使用,使其成为公众广泛采用的非常理想的选择。该技术通常与深度学习技术结合使用,其成功在很大程度上取决于用于训练的数据的质量和数量。为了解决从个体参与者获得足够的EEG数据的挑战,同时最大限度地减少用户的工作量并保持准确性,本研究提出了一种先进的数据增强方法:使用去噪扩散概率模型生成合成EEG数据。合成数据是从情绪标记的EEG记录的电极频率分布图(EFDM)生成的。为了评估所生成的合成数据的有效性,成功地进行了与真实EEG数据的定性和定量比较。这项研究开辟了一个开放的\textendash源访问和多功能的工具箱,可以处理和生成数据的时间和频率维度,无论涉及的通道数量的可能性。最后,所提出的方法具有潜在的影响,神经科学研究的更广泛的领域,使创建大型的,公开的合成EEG数据集,而没有隐私问题。
2023-03-06 cs.AI cs.LG eess.SP
EEG Signal Dimensionality Reduction and Classification using Tensor Decomposition and Deep Convolutional Neural Networks
提出了一种新的基于深度学习的脑电信号分析框架。虽然深度神经网络,特别是卷积神经网络(CNN),最近得到了极大的关注,但它们仍然受到训练数据的高维性的影响。与传统神经网络的一维输入时间序列相比,CNN的二维输入图像更容易冗余。在这项研究中,我们提出了一个新的降维框架,用于降低CNN输入的维数的基础上的张量分解的时频表示的EEG信号。提出的基于张量分解的降维算法将输入张量的一个大切片集合转换为一个简洁的切片集合,称为超级切片。采用超级切片不仅处理了EEG数据的伪影和冗余,还降低了CNN训练输入的维度。我们还考虑了不同的时频表示方法的脑电图像生成,并提供了一个全面的比较。我们在HCB-MIT数据上测试了我们提出的框架,结果表明我们的方法优于其他以前的研究。
2019-08-27 eess.IV eess.SP math.SP
ScalingNet: extracting features from raw EEG data for emotion recognition
Northwest University(西北大学)
卷积神经网络(CNN)在各种任务中取得了显着的性能突破。最近,基于人工提取的EEG特征的CNN方法逐渐在基于EEG数据的情感识别任务上产生了强大的性能。在本文中,我们提出了一种新的卷积层,允许从原始EEG信号中自适应地提取有效的数据驱动的类谱图特征,我们将其称为缩放层。此外,它利用从一个数据驱动模式缩放的卷积核来暴露类似频率的维度,以解决需要手动提取特征或其近似值的现有方法的缺点。提出的基于缩放层的神经网络架构(称为ScalingNet)在已建立的DEAP基准数据集上取得了最先进的结果。
2021-02-07 cs.LG eess.SP
Multi-Scale Neural network for EEG Representation Learning in BCI
Korea University(高丽大学)
深度学习的最新进展对脑机接口研究产生了方法和实际影响。在各种深度网络架构中,卷积神经网络非常适合空间-频谱-时间脑电图信号表示学习。文献中描述的大多数现有的基于CNN的方法在具有重复的非线性操作的连续抽象级别上提取特征,并且涉及用于分类的密集连接层。然而,神经生理学的研究表明,EEG信号携带的信息在不同范围的频率分量。为了更好地反映EEG中的这些多频率特性,我们提出了一种新的深度多尺度神经网络,该网络发现多个频率/时间范围内的特征表示并提取电极之间的关系,即,空间表示,用于主体意图/条件识别。此外,通过用空间-频谱-时间信息完整地表示EEG信号,所提出的方法可以用于主动和被动脑机接口中的不同范例,这与主要关注单范例脑机接口的现有方法相反。为了证明我们所提出的方法的有效性,我们进行了各种范例的主动/被动BCI数据集的实验。我们的实验结果表明,所提出的方法实现了性能的改善时,判断对可比的国家的最先进的方法。此外,我们分析了所提出的方法使用不同的技术,如PSD曲线和相关分数检查,以验证多尺度EEG信号信息捕获能力,激活模式图调查学习的空间滤波器,和t-SNE绘图可视化表示的功能。最后,我们还展示了我们的方法的应用到现实世界的问题。
2020-03-02 cs.LG eess.SP stat.ML
Deep learning-based classification of fine hand movements from low frequency EEG
University of Padova(帕多瓦大学);Graz University of Technology(格拉茨技术大学);National Center of Neurology and Psychiatry(国立精神神经医疗研究中心)
从EEG信号对不同精细手部运动的分类代表了相关的研究挑战,例如,用于运动康复的脑机接口应用。在这里,我们分析了两个不同的数据集,其中精细的手部运动(触摸,抓握,手掌和侧面抓握)在一个自定步调的方式进行。我们训练和测试了一个新提出的卷积神经网络(CNN),并将其分类性能与两个成熟的机器学习模型(即收缩LDA和随机森林)进行了比较。与以前的文献相比,我们利用了神经科学领域的知识,我们在所谓的运动相关皮层电位(MRCP)上训练了我们的CNN模型。它们是低频的EEG振幅调制,即,(0.3,3)Hz,其已经被证明对运动的若干属性进行编码,例如,抓握类型、力度和速度。我们发现,CNN在两个数据集中都取得了良好的性能,它们与基线模型相似或优于基线模型。此外,与基线相比,我们的CNN需要更轻、更快的预处理过程,为在线模式的可能使用铺平了道路,例如,用于许多脑机接口应用。
2020-11-26 cs.AI cs.HC cs.LG
An EEG-based approach for Parkinson's disease diagnosis using Capsule network
School of Life Science, Beijing Institute of Technology(北京理工大学生命学院)
帕金森病作为第二大常见的神经退行性疾病,在世界范围内引起了严重的问题。然而,PD的病因和发病机制尚不清楚,尚未建立系统的早期诊断和治疗方法。许多PD患者未被诊断或误诊。在本文中,我们提出了一种基于脑电图的方法来诊断帕金森病。采用插值方法将脑电信号的频段能量映射到二维图像上,并利用CapsNet网络进行分类识别,对短时脑电信号的分类准确率达到89.34%。在不同的EEG频带的单独的分类准确性的比较显示,在伽马波段的准确性最高,这表明我们需要更多地关注在PD的早期阶段的伽马波段的变化。
2022-01-11 cs.AI eess.SP
Machine learning without a feature set for detecting bursts in the EEG of preterm infants
Irish Centre for Fetal and Neonatal Translational Research (INFANT)(爱尔兰胎儿与新生儿转化研究中心(INFANT));University College Cork(科克大学学院)
深度神经网络可以直接在数据上学习,而无需构建特征集所需的领域知识。这种方法在几乎所有的机器学习应用中都非常成功。我们提出了一个新的框架,也直接从数据中学习,而不提取特征集。我们应用这个框架来检测早产儿脑电图中的爆发。在出生后几天内记录一组无明显脑损伤且出生时妊娠<30周的婴儿的EEG。该方法首先将时域信号变换到时频域,然后在时频分布的每个时间片上训练机器学习方法,即梯度提升机。我们控制过采样的时间-频率分布的显着减少(<1%)的内存和计算复杂性。该方法实现了与现有多特征方法相似的准确性:特征曲线下的面积为0.98(95%置信区间为0.96至0.99),灵敏度中位数为95%,特异性中位数为94%。所提出的框架提供了一种准确、简单和计算效率高的实现方式,作为深度学习方法和手动生成特征集的替代方案。
2019-07-16 cs.LG eess.SP physics.med-ph
Functional Connectivity Methods for EEG-based Biometrics on a Large, Heterogeneous Dataset
Indian Institute of Science(印度科学学院);University of Maryland(马里兰大学)
本研究探讨了实用的功能连接(FC)和基于图形(GB)的措施与支持向量机分类器用于脑电图(EEG)为基础的生物特征。虽然基于FC的特征已被用于生物识别应用中,但评估异构和大型数据集上的识别算法的研究很少。这项工作调查的性能FC和GB指标的184个主题的数据集,通过汇集三个数据集记录在不同的协议和采集系统。结果表明,FC比GB指标更高的区分能力。识别精度随着更高频率的EEG频带而增加,这表明β和γ频带中的神经签名的增强的独特性。使用所有的56个EEG通道共同的三个数据库,最好的识别精度为97.4%,获得使用锁相值(PLV)为基础的措施,从伽马频段。此外,我们调查的分析时期的长度的影响,以确定所需的数据采集时间,以获得满意的识别精度。当通道的数量从56减少到21时,在使用伽马带中的PLV特征的识别精度中仅存在2.4%的边际减少。已经进行了额外的实验来研究受试者的认知状态和不匹配的训练/测试条件对系统性能的影响。
2022-06-03 cs.LG eess.SP
High-Density EEG Enables the Fastest Visual Brain-Computer Interfaces
本文提出频率-相位-空间融合编码方法并结合256通道高密度EEG,显著提升视觉脑机接口的信息传输率,在线系统达到472.7 bpm,证明高密度EEG对解码视觉时空信息至关重要。
2025-07-23 cs.HC eess.SP q-bio.NC
Cross-Modal Epileptic Signal Harmonization: Frequency Domain Mapping Quantization for Pre-training a Unified Neurophysiological Transformer
针对EEG与iEEG统一分析的挑战,本文提出基于Transformer的预训练模型EpiNT,采用频域映射量化和掩码自编码器,在大量临床数据上预训练,并在六个下游任务中表现优异。
2025-06-20 cs.ET eess.SP q-bio.NC
An amplitudes-perturbation data augmentation method in convolutional neural networks for EEG decoding
Beihang University(北京航空航天大学)
脑-机接口(BCI)系统通过分析包含潜在神经信息的脑信号,提供了一条连接人与外界的通道。脑电信号是最常用的脑电信号之一,脑电信号识别是脑机接口系统的重要组成部分。最近,深度学习中的卷积神经网络(ConvNet)正在成为解决EEG识别问题的新的前沿工具。然而,训练有效的深度学习模型需要大量的数据,这限制了具有少量样本的EEG数据集的应用。为了解决深度学习在脑电解码中数据不足的问题,提出了一种新的数据增强方法,该方法将脑电信号转换到频域后,对脑电信号的幅度进行扰动。在实验中,我们探索了在BCI竞赛IV数据集2a和我们的本地数据集上进行数据增强之前和之后,使用最先进的模型进行信号识别的性能。实验结果表明,本文提出的数据增强技术可以有效地提高脑电识别的准确率。
2018-11-06 cs.HC cs.LG eess.SP
Automated Sleep Staging via Parallel Frequency-Cut Attention
Osaka University(大阪大学);Nara Institute of Science and Technology(奈良先端科学技术大学院大学);Fudan University(复旦大学);Waseda University(早稻田大学)
本文提出了一种新的框架,自动捕获的时频特性的脑电图(EEG)信号的睡眠的权威睡眠医学的指导基础上。该框架由两部分组成:第一部分通过将输入的EEG谱图划分为一系列时频补丁来提取信息特征。第二部分是由一个基于注意力的架构,以有效地搜索分区的时间-频率补丁和睡眠阶段的定义因素之间的相关性并行。在睡眠心脏健康研究数据集上对所提出的管道进行了验证,其中针对唤醒阶段、N2阶段和N3阶段获得了新的最先进的结果,分别获得了0.93、0.88和0.87的F1分数,仅使用EEG信号。所提出的方法也具有较高的评分员间的可靠性为0.80 kappa。我们还可视化了睡眠分期决策和所提出的方法提取的特征之间的对应关系,为我们的模型提供了强大的可解释性。
2023-01-12 cs.AI cs.LG eess.SP
Frequency-Specific Neural Response and Cross-Correlation Analysis of Envelope Following Responses to Native Speech and Music Using Multichannel EEG Signals: A Case Study
Department of Electrical and Electronic Engineering, Khulna University of Engineering & Technology(电气与电子工程系,库尔纳大学工程与技术学院);School of Electrical Engineering, Computing and Mathematical Sciences, Curtin University(电气工程、计算与数学科学学院, Curtin 大学)
本研究通过多通道EEG对母语语音和音乐包络跟随响应进行频域传递函数分析,发现alpha、低gamma和高gamma频带为峰值响应,并揭示跨通道共同的神经相干频率,表明分布式神经过程在母语感知中占主导。
2025-07-08 cs.SD cs.SY eess.AS
Subject-Specific Analysis of Self-Initiated Attention Shifts from EEG with Controlled Internal and External Attention Conditions
Advanced Institute of Convergence Knowledge Informatics, Tohoku University, Japan(东京东京大学融合知识信息研究院);Graduate School of Information Sciences, Tohoku University, Japan(东京东京大学信息科学研究生院);Center for Data-Driven Science and Artificial Intelligence, Tohoku University, Japan(东京东京大学数据驱动科学与人工智能研究中心);Research Institute of Electrical Communication, Tohoku University, Japan(东京东京大学电气通信研究所)
本文研究了自我启动注意力转移的神经机制,通过EEG特征分析和机器学习方法,揭示了受试者特异性信息在可控实验条件下的应用价值。
2026-09-16 cs.LG eess.SP q-bio.NC
Classification of Hand Movements from EEG using a Deep Attention-based LSTM Network
Tsinghua University(清华大学)
利用大脑活动对肢体运动进行分类是脑机接口(BCI)中的一项重要任务,其已成功地用于从人机交互到医学和生物医学应用的多个应用领域。提出了一种新的左右手运动分类方法,利用带有注意力机制的长短期记忆(LSTM)网络学习脑电(EEG)时间序列信息。为此,从EEG信号中提取广泛的时域和频域特征,并用于训练LSTM网络以执行分类任务。我们进行了大量的实验与EEG运动数据集,并表明我们提出的解决方案,我们的方法实现了改进,在几个基准和国家的最先进的方法在两个主题内和跨主题验证方案。此外,我们利用所提出的框架来分析由传感器接收到的信息,并通过在整个实验中跟踪EEG地形图来监测大脑的激活区域。
2019-10-31 cs.LG eess.SP stat.ML
miMamba: EEG-based Emotion Recognition with Multi-scale Inverted Mamba Models
Department of Computer Science, State University of New York at Binghamton(纽约州立大学布法罗分校计算机科学系);College of Big Data and Internet, Shenzhen Technology University(深圳科技大学大数据与互联网学院)
研究脑电情感识别,提出多尺度倒置曼巴(MS-iMamba)网络,含多尺度时间块和时空融合块,能捕捉不同尺度子序列特征及时空交互,实验表明其仅用四通道脑电信号就优于现有方法。
2026-07-07 cs.HC cs.LG 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
Brian Intensify: An Adaptive Machine Learning Framework for Auditory EEG Stimulation and Cognitive Enhancement in FXS
School of Information Technology University of Cincinnati Ohio, USA(信息科技学院 奥地利辛辛那提大学 俄亥俄州, 美国)
针对FXS患者皮层振荡异常导致的认知缺陷问题,提出自适应机器学习BCI框架,通过实验确定最优听觉刺激参数与生物标志物,可实现个体化实时神经调控,为相关神经康复BCI提供基础模型。
2025-11-12 cs.AI cs.LG eess.SP