Multivariate Empirical Mode Decomposition of EEG for Mental State Detection at Localized Brain Lobes
在这项研究中,多变量经验模式分解(MEMD)方法被应用于提取特征的多通道脑电信号的精神状态分类。MEMD是一种数据自适应分析方法,特别适用于EEG等多维非线性信号。应用MEMD会产生一组称为固有模式函数(IMF)的振荡模式。由于分解过程是依赖于数据的,因此IMF根据由功能性脑活动引起的信号变化而变化。在所提取的IMF中,发现对应于高振荡模式的IMF对于检测不同的精神状态是最有用的。从对精神状态检测贡献最大的IMF计算非线性特征。这些MEMD特征显示出比通过傅里叶变换和小波变换获得的常规时间谱特征显著的性能增益。通过分析从相关EEG通道提取的MEMD特征,观察特定脑区的优势。额区被认为是最显着的分类准确率为98.06%。这种多维分解方法支持联合通道属性,并为基于EEG的精神状态检测产生最具鉴别力的特征。
2022-06-02 eess.SP
Localization of MEG and EEG Brain Signals by Alternating Projection
我们提出了一种新的解决方案的定位问题的脑磁图和脑电信号。该解决方案是连续的和迭代的,并且是基于最小化最小二乘(LS)准则的交替投影(AP)算法,这是众所周知的阵列信号处理的上下文中。与现有的波束形成器和多信号分类(MUSIC)家族的扫描解决方案不同,该算法在低信噪比(SNR)下具有良好的性能,并且可以处理紧密间隔的源和任何相关源的混合。来自真实体模的模拟和实验MEG数据的结果表明,在扩展的SNR范围内,整个源间相关范围内,以及在多个源之间具有稳健的性能,并且始终优于流行的扫描方法的定位精度。
2020-11-25 eess.SP
Handwriting Imagery EEG Classification based on Convolutional Neural Networks
本研究首次尝试解码手写想象相关的非侵入式EEG,通过训练4种CNN模型对5名受试者的26字母想象脑电分类,最高准确率达约20%,验证了字母特异性模式并为后续研究建立基准。
2025-09-03 eess.SP
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
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
Image-based eeg classification of brain responses to song recordings
分类EEG对自然声刺激的响应具有理论和实践重要性,但是标准方法受到在非常短的声音段(几秒或更短)上单独处理各个通道的限制。最近的发展表明,通过从EEG中提取频谱成分并使用卷积神经网络(CNN),可以对音乐刺激(约2分钟)进行分类。本文提出了一种有效的方法来映射原始EEG信号到个人的歌曲听端到端的分类。EEG通道被视为[通道x样本]图像平铺的一个维度,并使用CNN对图像进行分类。我们的实验结果(88.7%)与最先进的方法(85.0%)竞争,但我们的分类任务更具挑战性,因为我们处理的是感知质量彼此相似且参与者不熟悉的较长刺激。我们还采用了一种使用预训练的ResNet-50的迁移学习方案,证实了迁移学习的有效性,尽管图像域彼此不相关。
2022-01-31 eess.SP
Graph Convolutional Neural Networks for analysis of EEG signals, BCI application
近年来,解码大脑信号已经获得了许多关注,并且已经找到了许多应用,例如脑计算机接口,使用用户的意图与控制外部设备进行通信,占据了具有改变世界潜力的新兴领域,具有从康复到人类增强的多种应用。这就是说,脑信号分析,特别是EEG脑信号分析,是一项具有挑战性的任务。随着深度学习领域在仅使用原始数据解决问题方面的进步和成就,近年来很少有人尝试将深度学习应用于处理EEG和其他类型的大脑信号。在这项研究中,我们提出了一种新的损失函数,称为DeepCSP,将经典的公共空间模式扩展到一个非线性的,可微的模块,作为损失函数,以端到端的方式对原始信号执行属于不同类别的EEG信号的线性可分离的潜在表示,而不需要执行广泛的特征工程。随着最近深度学习方法在任意结构图上的推广和引入的损失,我们提出了两个轻量级模型来解码EEG信号,并进行了实验来展示它们的性能。
2020-06-16 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
Deep representation of EEG data from Spatio-Spectral Feature Images
与自然图像、音频和语音等传统数据不同,原始多通道脑电图(EEG)数据难以解释。现代深度神经网络在EEG研究中已经显示出了有希望的结果,但是由于大脑折叠结构的差异,在受试者之间找到EEG数据的鲁棒不变表示仍然是一个挑战。因此,EEG数据的不变表示将有助于提高我们对大脑活动的理解,并在迁移学习期间有效地使用它们。在本文中,我们提出了一种方法,通过利用记录电极之间的空间关系并将其编码在空间谱特征图像中来学习EEG数据的深度表示。我们使用来自PhyAAt数据集的多通道EEG信号进行听觉任务,并分别对25名受试者训练卷积神经网络(CNN)。然后,我们生成激活所有受试者的深层神经元的输入模式。所生成的模式可以被视为不同空间区域中的大脑活动的地图。我们的分析揭示了与不同任务相关的特定大脑区域的存在。还识别了关注较大区域的低级别特征和关注较小且非常具体的区域集群的高级别特征。有趣的是,尽管这些活动出现在不同的地区,但在不同的科目中发现了类似的模式。我们的分析还揭示了不同受试者的共同大脑区域,这些区域可以用作广义表征。我们提出的方法使我们能够找到更多可解释的EEG数据表示,这些表示可以进一步用于有效的迁移学习。
2022-06-20 eess.SP
Prediction of Memory Retrieval Performance Using Ear-EEG Signals
许多研究探索了记忆任务执行过程中的大脑信号,以预测后来记住的项目。然而,预测方法在现实生活中仍然很少使用,并且由于使用从头皮记录的脑电图(EEG)而不实用。耳脑电图最近已被用于测量大脑信号,由于其灵活性时,将其应用到现实世界的环境。在这项研究中,我们试图预测是否显示的刺激将被记住或忘记,使用耳脑电图,并比较其性能与头皮脑电图。结果表明,耳脑电与头皮脑电无显著性差异。此外,使用卷积神经网络获得了更高的预测精度(前刺激:74.06%,正在进行的刺激:69.53%),并与其他基线方法进行了比较。这些结果表明,它是可能的预测性能的记忆任务,使用耳脑电信号,它可以用于预测记忆检索在一个实际的脑-机接口。
2020-05-08 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
PiEEG-16 to Measure 16 EEG Channels with Raspberry Pi for Brain-Computer Interfaces and EEG devices
本研究推出适配树莓派的PIEEG-16多功能扩展板,可离线实时测量16路EEG等多种生物信号并完成处理提取,为神经科学研究与脑机接口实验提供高性价比工具,推动相关领域研究大众化。
2024-09-08 eess.SP q-bio.NC
A brain-inspired generative model for EEG-based cognitive state identification
本文提出融合脉冲注意力网络与VAE的脑启发生成模型,通过梯度学习和异联想记忆混合训练,实现EEG分类、生成与脑网络解释,并以低计算成本取得高准确率。
2025-06-11 cs.NE eess.SP
Deep Invertible Networks for EEG-based brain-signal decoding
Medical Center - University of Freiburg(弗莱堡大学医学中心);University of Freiburg(弗莱堡大学)
在这篇论文中,我们研究了用于基于EEG的大脑信号解码的深度可逆网络,并发现它们可以生成真实的EEG信号,并对新信号进行分类。进一步的想法,他们的正则化更好的解码精度进行了讨论。
2019-07-17 cs.LG cs.NE eess.SP
BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals
Shanghai Artificial Intelligence Laboratory, China(上海人工智能实验室);Department of Electronic Engineering, Tsinghua University, China(清华大学电子工程系);Department of Psychology, University of Cambridge, UK(剑桥大学心理学系);Speech Hearing and Phonetic Sciences, University College London, UK(伦敦大学学院语音听力与语音科学系);MRC Cognition and Brain Sciences Unit, University of Cambridge, UK(剑桥大学MRC认知与脑科学单位)
BrainOmni是首个统一EEG与MEG信号的基础模型,通过BrainTokenizer量化时空脑活动并自监督预训练,在1,997小时EEG和656小时MEG数据上训练,优于现有模型并泛化至新设备。
2025-10-15 cs.LG eess.SP
How Does a Single EEG Channel Tell Us About Brain States in Brain-Computer Interfaces ?
EuroMov Digital Health in Motion, Univ. Montpellier, IMT Mines Ales(欧罗莫运动数字健康研究所,蒙彼利埃大学,阿莱斯矿业学院)
本文研究如何利用单个EEG通道实现脑状态识别,提出基于CNN的高效分类方法,在三个数据集中达到最高91.55%的准确率。
2024-07-23 eess.SP q-bio.NC
EEG-GAN: Generative adversarial networks for electroencephalograhic (EEG) brain signals
University of Freiburg(弗莱堡大学)
生成对抗网络(GANs)最近在涉及图像的生成应用中非常成功,并开始应用于时间序列数据。在这里,我们将EEG-GAN描述为生成脑电图(EEG)大脑信号的框架。我们对Wasserstein GANs的改进训练进行了修改,以稳定训练并研究一系列对时间序列生成至关重要的架构选择(最明显的是上采样和下采样)。为了进行评估,我们考虑并比较了不同的指标,如Inception评分,Frechet inception距离和切片Wasserstein距离,共同表明我们的EEG-GAN框架生成了自然的EEG示例。因此,它在神经科学和神经学背景下开辟了一系列新的生成应用场景,例如脑机接口任务中的数据增强,EEG超采样或损坏数据段的恢复。产生特定类别和/或具有特定属性的信号的可能性也可能为研究大脑信号的潜在结构开辟新的途径。
2018-06-05 cs.LG eess.SP q-bio.NC
Q-EEGNet: an Energy-Efficient 8-bit Quantized Parallel EEGNet Implementation for Edge Motor-Imagery Brain--Machine Interfaces
ETH Zürich(苏黎世联邦理工学院);University of Bologna(博洛尼亚大学);Huawei Technologies(华为技术有限公司)
运动想象脑-机接口(MI-BMIs)通过分析脑电(EEG)记录的大脑活动,保证人脑和机器之间直接和可访问的通信。延迟、可靠性和隐私限制使其不适合将计算卸载到云。实际用例需要一种可穿戴的电池供电设备,具有低平均功耗,可长期使用。最近,出现了用于对EEG信号进行分类的复杂算法,特别是深度学习模型。在达到出色精度的同时,这些模型由于其内存和计算要求而经常超过边缘设备的限制。在本文中,我们展示了EEGNET,一个紧凑的卷积神经网络(CNN)适用于许多BMI范例的算法和实现优化。我们将权重和激活调整到8位定点,在4类MI上的精度损失可忽略不计,为0.4%,并通过利用其自定义RISC-V ISA扩展和8核计算集群,在Wolf并行超低功耗(PULP)片上系统(SoC)上实现了一种节能的硬件感知实现。通过我们提出的优化步骤,我们可以获得64倍的整体加速,并相对于单核逐层基线实现减少高达85%的内存占用。我们的实现只需要5.82 ms,消耗0.627 mJ每个推理。它的能效为21.0GMAC/s/W,比ARM Cortex-M7上的EEGNET实现(0.082GMAC/s/W)高出256倍。
2023-01-16 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
User Identity Protection in EEG-based Brain-Computer Interfaces
针对基于EEG的脑机接口中用户身份易被识别的隐私风险,提出两种生成身份不可学习EEG数据的方法,在保留BCI任务性能的同时大幅降低用户识别准确率,助力隐私保护。
2024-12-13 cs.CR cs.HC eess.SP
IC-U-Net: A U-Net-based Denoising Autoencoder Using Mixtures of Independent Components for Automatic EEG Artifact Removal
National Tsing Hua University(台湾清华大学);National Taiwan Ocean University(台湾海洋大学);Elan Microelectronics Corporation(义隆电子股份有限公司);University of California, San Diego(加利福尼亚大学圣迭戈分校)
脑电(EEG)信号经常被伪影污染。因此,迫切需要开发一种实用可靠的伪影去除方法,以防止神经信号的误解和脑机接口的性能不佳。本文提出了一种新的伪影去除方法IC-U-Net,该方法基于U-Net结构,用于去除普遍的EEG伪影并重建脑源。IC-U-Net使用通过独立分量分析分解的大脑和非大脑源的混合物进行训练,并采用损失函数的集合来模拟EEG记录中的复杂信号波动。所提出的方法在恢复脑源和去除各种伪影(例如,眨眼/运动、肌肉活动和线/通道噪声)在模拟研究中得到了证明,并且在休息时以及在驾驶和行走时收集了三个真实世界的EEG数据集。IC-U-Net是用户友好和公开可用的,不需要参数调整或工件类型指定,并且对通道数量没有限制。鉴于在移动环境中对自然大脑动态成像的需求日益增加,IC-U-Net提供了一种有前途的端到端解决方案,用于自动消除EEG记录中的伪影。
2021-11-22 cs.LG eess.SP
A case study on profiling of an EEG-based brain decoding interface on Cloud and Edge servers
脑机接口(BCI)能够将接口用户的脑电活动转换为用户命令。脑机接口的研究在不同领域取得了令人鼓舞的成果,如神经康复、假肢控制、计算机环境控制、通信和疾病检测。大多数脑机接口使用头皮脑电图(EEG),这是一种非侵入性的方法来捕捉大脑活动。虽然EEG监测设备在市场上是可用的,但是这些设备通常是面向实验室的并且昂贵。由于数据预处理和信号分析所需的复杂技术,目前日常使用BCI是不切实际的。这意味着BCI技术应该得到改进,以促进其在云和边缘计算中心的广泛采用。本文介绍了一个案例研究,分析了在典型的云和边缘服务器上运行的脑机接口的准确性和性能。特别是,我们调查的准确性和执行时间的预处理阶段,即大脑信号过滤阶段,脑机接口的变化时,处理静态和实时流数据在实时BCI设备。我们确定了用于采样大脑信号的数据包的最佳大小,这提供了准确性和性能之间的最佳权衡。最后,我们讨论了使用典型的云和边缘服务器来执行BCI过滤阶段的优点和缺点。
2021-10-04 cs.HC eess.SP
Decoding Visual Responses based on Deep Neural Networks with Ear-EEG Signals
近年来,实用的脑机接口被积极地实施,特别是在移动环境中。然而,运动伪迹和运动状态下的肌电信号会使脑电信号发生畸变,从而使人的意图识别变得困难。此外,由于硬件问题也是具有挑战性的,耳-EEG已经被开发用于实用的脑机接口并且被广泛使用。然而,耳EEG仍然包含被污染的信号。本文提出了一种在步行条件下鲁棒的双流深度神经网络,并从统计分析和脑机接口性能两个方面分析了头皮和耳朵中的视觉反应脑电信号。我们验证了视觉反应范式,稳态视觉诱发电位的信号。当以1.6 m/s的速度快速行走时,脑机接口性能下降3~14%。当应用该方法时,头-EEG和耳-EEG的准确性分别提高了15%和7%。该方法在会话相关和会话到会话的实验中显示出对走动条件的鲁棒性。
2020-02-04 cs.HC eess.SP
An Efficient Intelligent System for the Classification of Electroencephalography (EEG) Brain Signals using Nuclear Features for Human Cognitive Tasks
脑电信号的表示和分类是认知任务中脑电信号分析的关键过程。特别是,从原始EEG信号中提取有区别的特征,而不进行任何预处理,是一项具有挑战性的任务。受核范数的启发,我们观察到当被试执行不同任务时,从同一脑区捕获的EEG信号的方差之间存在显著差异。这一观察使我们使用奇异值分解来计算在执行特定任务时从特定大脑区域捕获的EEG信号的主导方差,并将其用作特征(核特征)。一个简单有效的基于类均值的最小距离分类器(CMMDC)就足以预测大脑状态。这种方法的结果在显着小的维度的特征空间,并给出同样好的分类结果,以及清洁的原始数据。我们使用四个不同任务的数据集验证了该技术的有效性和鲁棒性:流体智力清洁数据(FICD),流体智力原始数据(FIRD),记忆回忆任务(MRT)和睁眼/闭眼任务(EOEC)。对于每项任务,我们分析了六(06)个不同大脑区域的EEG信号,其中有8、16、20、18、18和100个电极。额叶脑区的核特征预测准确率为100%。核特征的判别分析已经使用类内和类间变化进行。与国家的最先进的技术的比较表明,该系统的优越性。
2019-04-30 cs.LG eess.SP stat.ML
Sub-Scalp EEG for Sensorimotor Brain-Computer Interface
本研究通过在绵羊模型中记录体感诱发电位和分类运动执行,证明头皮下EEG具有高空间分辨率和接近侵入式方法的信号质量,可作为长期脑机接口的可行选择。
2025-06-03 eess.SP q-bio.NC
Localization of Brain Activity from EEG/MEG Using MV-PURE Framework
本文提出基于MV-PURE框架的降秩活动指数,用于从EEG/MEG中定位脑活动源,证明其无偏性并在低信噪比下对邻近相关源具有比全秩指数更高的空间分辨率。
2024-08-01 eess.SP q-bio.NC
Enhancing Low-Density EEG-Based Brain-Computer Interfaces with Similarity-Keeping Knowledge Distillation
National Yang Ming Chiao Tung University(阳明交通大学)
脑电图(EEG)因其无创、低成本、高时间分辨率等优点,已成为现实世界脑机接口(BCI)中常用的神经监测手段之一。近年来,基于低密度导联的轻便便携式脑电可穿戴设备增加了脑机接口应用的便利性和可用性。然而,EEG解码性能的损失通常是不可避免的,这是由于减少了电极的数量和低密度EEG蒙太奇的头皮区域的覆盖。为了解决这个问题,我们引入了知识蒸馏(KD),一种学习机制,用于在神经网络模型之间传输知识/信息,以提高低密度EEG解码的性能。我们的框架包括一个新提出的相似性保持(SK)教师-学生KD计划,鼓励低密度EEG学生模型获得样本间的相似性,如在高密度EEG数据上训练的预训练教师模型。实验结果验证了我们的SK-KD框架一致提高运动想象脑电解码的准确性时,输入的EEG数据的电极数量减少。对于常见的低密度耳机样和头带样蒙太奇,我们的方法优于国家的最先进的KD方法在各种EEG解码模型架构。作为第一个KD计划,提高EEG解码,我们预见到建议SK-KD框架,以促进低密度EEG为基础的BCI在现实世界中的应用的实用性。
2022-12-06 cs.LG eess.SP q-bio.NC
Simulating Brain Signals: Creating Synthetic EEG Data via Neural-Based Generative Models for Improved SSVEP Classification
尽管脑-机接口(BCI)领域最近取得了重大进展,但是存在与在现实世界环境中收集脑电图(EEG)信号相关联的许多缺点。这些包括但不限于受试者和会话数据差异、漫长而艰巨的校准过程以及不同受试者或会话之间的预测泛化问题。这意味着许多下游应用,包括基于稳态视觉诱发电位(SSVEP)的分类系统,可能会缺乏可靠的数据。因此,生成有意义和现实的合成数据对于规避这一问题具有重要价值。我们探讨了使用现代神经为基础的生成模型训练的有限数量的EEG数据收集从不同的主题,以产生补充合成EEG信号向量,随后利用训练的SSVEP分类。广泛的实验分析证明了我们生成的数据的有效性,导致各种评估的改进,使用这种合成数据,跨学科概括的关键任务提高了35%以上。
2019-04-03 eess.SP q-bio.QM
Siamese Neural Networks for EEG-based Brain-computer Interfaces
Concordia Institute for Information Systems Engineering (CIISE)(康考迪亚信息系统工程研究所);Concordia University(康考迪亚大学)
由于人脑同时处理多模态信号及其对外部世界事件的实时反馈的不可思议的能力,在人脑和计算机之间建立通信桥梁的兴趣激增,这被称为脑机接口(BCI)。为此,通过脑电图(EEG)监测脑电活动已成为BCI系统的首选。为了发现不同心理任务的脑信号的潜在和具体特征,基于统计和数据驱动的技术开发了相当多的研究工作。然而,在实际和商业BCI系统的发展的一个主要瓶颈是他们的有限的性能时,分类的心理任务的数量增加。在这项工作中,我们提出了一个新的EEG处理和特征提取范式的基础上,暹罗神经网络,它可以方便地合并和扩大多类问题。Siamese网络的思想是训练一个基于对比损失函数的双输入神经网络,它提供了验证两个输入EEG试验是否来自同一类的能力。在这项工作中,一个连体架构,这是基于卷积神经网络(CNN)开发的,并提供了一个二进制输出的两个输入的相似性,结合OVR和OVO技术,以扩大多类问题。该架构的有效性进行了评估的4类运动图像(MI)数据集从BCI竞争IV-2a和结果表明一个有前途的性能相比,其同行。
2020-02-03 cs.LG eess.SP
THD-BAR: Topology Hierarchical Derived Brain Autoregressive Modeling for EEG Generic Representations
Beihang University(北航大学)
针对现有自回归脑电模型未充分捕捉生理特征与动态空间拓扑的问题,提出THD-BAR,通过脑拓扑层次(BTH)实现多尺度时空建模,在17个数据集预训练后于10个下游任务上持续优于现有方法,提升通用表征能力。
2025-11-05 cs.LG eess.SP q-bio.NC
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
A Survey and Tutorial of EEG-Based Brain Monitoring for Driver State Analysis
Virginia Tech(弗吉尼亚理工大学)
驾驶员的认知和生理状态影响他们控制车辆的能力。因此,这些驾驶员状态对于汽车的安全性是重要的。高级驾驶员辅助系统(ADAS)或自动驾驶汽车的设计将取决于它们与驾驶员有效互动的能力。因此,更深入地了解驾驶员状态至关重要。脑电被证明是驾驶员状态监测和人为检错检测的最有效方法之一。本文讨论了近三十年来基于脑电信号的驾驶员状态检测系统及其相应的分析算法。首先,介绍了用于驾驶员状态研究的常用EEG系统设置。然后,回顾了用于驾驶员状态检测的脑电信号预处理、特征提取和分类算法。最后,对基于脑电的驾驶员状态监测研究进行了深入的综述,并对其未来的发展进行了展望。最后得出结论,目前基于EEG的驾驶员状态监测算法是有前途的安全应用。然而,在EEG伪影减少、实时处理和受试者间分类准确性方面仍需要许多改进。
2020-08-25 cs.HC cs.LG eess.SP
Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems
Western Sydney University(西悉尼大学)
训练的T1类卷积神经网络(CNN)模型将用于检查其在输入预处理的脑电图(EEG)数据时成功识别运动想象的能力。从理论上讲,如果模型已经被准确训练,它应该能够识别一个类并相应地标记它。然后将恢复CNN模型,并使用更小的采样数据来尝试识别相同类别的运动想象数据,以尝试模拟实时数据。
2022-05-31 cs.AI cs.LG eess.SP
EEG-MACS: Manifold Attention and Confidence Stratification for EEG-based Cross-Center Brain Disease Diagnosis under Unreliable Annotations
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Shenzhen People's Hospital(深圳人民医院);Shenzhen University(深圳大学);Shenzhen Bay Laboratory(深圳湾实验室)
EEG-MACS通过流形注意力与置信度分层技术,提升跨中心脑部疾病诊断的准确性与鲁棒性。
2026-02-06 cs.AI cs.LG eess.SP
Unveiling Thoughts: A Review of Advancements in EEG Brain Signal Decoding into Text
School of Computing Sciences & Computer Engineering, University of Southern Mississippi(南密西西比大学计算科学与计算机工程学院)
本文综述了脑电图(EEG)信号解码为文本的技术进展,涵盖数据采集、信号处理与系统开发,并展望了提升准确性、减少限制及拓展应用等未来方向,以推动脑机接口(BCI)技术的发展。
2024-09-20 cs.AI cs.HC eess.SP
Bridging Brain Signals and Language: A Deep Learning Approach to EEG-to-Text Decoding
Egypt Japan University Of Science and Technology(埃及日本科学技术大学)
提出融合受试者特定学习与自然语言处理的深度学习框架,在ZuCo数据集上实现更优的开放词汇脑电图到文本解码,助力人机交互与辅助沟通。
2025-02-11 cs.CL cs.LG eess.SP
Source localization of the EEG human brainwaves activities via all the different mother wavelets families for stationary wavelet transform decomposition
人类大脑活动的源定位是认知状态、医学疾病和更好地理解大脑的重要资源。在这项研究中,我们比较了51个母小波从7个不同的小波家庭在平稳小波变换(SWT)分解的脑电信号。该过程包括Haar,Symlets,Daubechies,Coiflets,离散Meyer,双正交和反向双正交小波族,用于提取五个不同的脑电波子带用于源定位。在这个过程中,我们使用独立分量分析(ICA)的特征提取,其次是边界元模型(BEM)和等效电流偶极子(ECD)的正问题和反问题的解决方案。在调查最佳母小波源定位的评估结果最终确定sym 20母小波为最佳选择,其次是bior 6.8和coif 5。
2019-11-04 cs.SY eess.SP eess.SY
Analyzing Brain Activity During Learning Tasks with EEG and Machine Learning
Illinois Mathematics and Science Academy(伊利诺伊数学与科学学院);Northern Illinois University(北伊利诺伊大学)
该研究采集 20 名受试者五项认知任务的四通道 EEG,基于功率谱密度比较多种机器学习模型,实现 91.07% 的任务分类并揭示不同脑区功能与连接特征。
2024-01-15 cs.LG eess.SP q-bio.NC
Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces
Huazhong University of Science and Technology(华中科技大学);School of Artificial Intelligence and Automation(人工智能与自动化学院)
针对基于脑电图的脑机接口易受对抗性攻击的问题,首次探索其对抗性伪影检测,通过在两个EEG数据集上用三种卷积神经网络实验验证检测方法性能,发现白盒和黑盒攻击均可检测且前者更易检测。
2022-11-28 cs.AI cs.CR cs.HC
IMU-Enhanced EEG Motion Artifact Removal with Fine-Tuned Large Brain Models
Shu Chien-Gene Lay Department of Bioengineering and Institute for Neural Computation, University of California, San Diego (UCSD), La Jolla, CA 92093, USA(Shu Chien-Gene Lay 生物工程系和神经计算研究所,加州大学圣地亚哥分校(UCSD))
针对脑机接口中EEG运动伪影干扰问题,提出基于微调LaBraM的相关性注意力映射方法,结合IMU数据识别伪影,仅用少量数据微调就显著提升了多样运动场景下的伪影去除鲁棒性。
2025-09-01 cs.LG eess.SP q-bio.NC
Recording Brain Activity While Listening to Music Using Wearable EEG Devices Combined with Bidirectional Long Short-Term Memory Networks
School of Music, Jiangxi Normal University(江西师范大学音乐学院);School of Electronic Information, HuZhou College(湖州学院电子信息学院);San Francisco State University(旧金山州立大学)
本研究提出结合Bi-LSTM网络与注意力机制处理可穿戴EEG设备采集的听音乐脑电信号,在SEED和DEAP数据集上分别达到98.28%和92.46%的情绪识别准确率,显著优于传统模型,为脑机接口和情感计算提供技术支持。
2024-08-22 cs.HC cs.LG eess.SP
Riemannian tangent space mapping and elastic net regularization for cost-effective EEG markers of brain atrophy in Alzheimer's disease
阿尔茨海默病(AD)的诊断在常规临床实践中最常见的是基于主观的临床解释。定量脑电图(QEEG)测量已被证明反映AD的神经退行性过程,并可能有资格作为负担得起的,从而广泛可用的标记物,以促进AD评估的客观化。在这里,我们提出了一个新的框架相结合的黎曼切线空间映射和弹性网回归的发展,脑萎缩的标志物。虽然大多数AD QEEG研究都是基于小样本量和心理测试分数作为结果指标,但在这里,我们使用有史以来最大的前瞻性EEG AD试验之一的数据(包括脑萎缩的MRI生物标志物)来训练和测试我们的模型。
2017-11-22 eess.SP q-bio.NC stat.ML
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
EEG-Deformer: A Dense Convolutional Transformer for Brain-computer Interfaces
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);East China University of Science and Technology(华东理工大学);Wilmar International(丰益国际)
针对现有Transformer与CNN结合的脑电信号解码方法无法捕捉从粗到细时间动态的问题,提出融合HCT模块和DIP模块的EEG-Deformer模型,在三项认知任务上性能达到或超过现有最优水平,且学习的脑区具有神经生理学意义。
2024-10-29 cs.LG eess.SP q-bio.NC
CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Sun Yat-sen University(中山大学);The Chinese University of Hong Kong(香港中文大学);Karlsruher Institut fur Technologie(卡尔斯鲁厄理工学院)
提出跨尺度时空脑基础模型CSBrain,通过CST和SSA交替堆叠整合多尺度时空依赖,在16个数据集的11项EEG任务上显著优于基线,确立了跨尺度建模的关键作用。
2025-06-29 cs.HC cs.LG eess.SP
An intertwined neural network model for EEG classification in brain-computer interfaces
University of Rome Tor Vergata(罗马第二大学);Drexel University(德雷塞尔大学);University of Pisa(比萨大学);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
脑机接口(BCI)是大脑与计算机或外部设备之间的非刺激性直接和偶尔双向通信链路。传统上,基于EEG的BCI算法依赖于支持向量机和线性判别分析或多类常见空间模式等模型。然而,在过去的十年中,更复杂的机器学习架构,如卷积神经网络,递归神经网络,长短期记忆网络和门控递归单元网络,已被广泛用于增强多类BCI任务的可区分性。此外,EEG信号的预处理和去噪一直是成功解码大脑活动的关键,并且确定最佳和标准化的EEG预处理活动是一个活跃的研究领域。在本文中,我们提出了一种深度神经网络架构,专门设计用于a)在多类运动想象分类中提供最先进的性能,b)保持对预处理的鲁棒性,以便在从EEG和BCI设备流出时实时处理原始数据。它基于时间分布全连接(tdFC)和空间分布1D时间卷积层(sdConv)的交织使用,并明确解决了EEG信号的空间和时间特征在所有复杂程度下发生相互作用的可能性。数值实验表明,我们的架构提供了卓越的性能相比基线的基础上的组合的3D卷积和递归神经网络在六类运动想象网络,与subjectwise的准确性,达到99%。重要的是,当应用最小或广泛的预处理时,这些结果保持不变,这可能为在EEG分类中更横向和实时地使用深度学习架构铺平了道路。
2022-08-04 cs.LG eess.SP physics.med-ph
EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks
Huazhong University of Science and Technology(华中科技大学);Chinese Academy of Sciences(中国科学院);University of Technology Sydney(悉尼科技大学)
该研究揭示基于EEG的脑机接口存在安全漏洞,提出一种无需与EEG试次同步的窄周期脉冲后门投毒攻击方法,验证了其有效性与鲁棒性,为相关安全防护研究敲响警钟。
2021-01-02 cs.CR cs.HC cs.LG
Towards Asynchronous Motor Imagery-Based Brain-Computer Interfaces: a joint training scheme using deep learning
本文将深度学习(DL)方法应用于基于异步电机图像的脑机接口(BCI)的联合训练方案。所提出的DL方法是一维卷积神经网络和全连接神经网络(CNN-FC)的级联。重点是三种类型的大脑反应:非意象EEG(\textit{background EEG}),(\textit{pure imagery})EEG,和EEG在背景EEG和纯意象(\textit{transitional imagery})之间的过渡期。过渡图像信号的研究应该提供更深入的了解现实世界的情况。由此可以推断,单纯脑电表象和过渡脑电表象分别是高功率脑电表象和低功率脑电表象。此外,从CNN-FC的结果进行了比较,传统的方法为运动图像-BCI,即共同的空间模式(CSP)的特征提取和支持向量机(SVM)的分类(CSP-SVM)。在联合训练方案下,纯和过渡图像被视为同一类,而背景EEG是另一类。十倍交叉验证用于评估联合训练方案是否显着提高了从背景EEG中分类纯和过渡图像信号的性能任务。使用稀疏的几个电极通道($C_{z}$、$C_{3}$和$C_{4}$),CNN-FC和CSP-SVM的平均准确率分别达到71.52%和70.27%。另一方面,在没有联合训练方案的情况下,CNN-FC和CSP-SVM的平均准确率分别仅为62.68%和52.41%。
2018-08-31 cs.HC eess.SP q-bio.NC
BELT-2: Bootstrapping EEG-to-Language representation alignment for multi-task brain decoding
BELT-2首次通过BPE级EEG-语言对齐、多任务训练及前缀微调连接LLMs,实现从非侵入性脑电信号解码连贯句子,在ZuCo上BLEU-1达52.2%,并在多个翻译基准上提升31%至162%。
2024-08-28 cs.AI cs.LG eess.AS
EEG Opto-processor: epileptic seizure detection using diffractive photonic computing units
Tsinghua University(清华大学);Nanjing University(南京大学)
脑电分析是从脑电信号中提取关键信息的一种方法,为脑疾病诊断、脑机接口等应用提供了基础支持。然而,以高能效实时处理大规模脑电信号,对边缘计算设备上的电子处理器提出了巨大挑战。在这里,我们提出了基于衍射光子计算单元(DPU)的脑电信号光处理器,以有效地处理颅外和颅内脑电信号,并执行癫痫发作检测。第二时间窗内的EEG通道的信号被光学编码作为输入到所构造的衍射神经网络进行分类,其监测大脑状态以确定其是否是癫痫发作的症状。我们开发了自由空间和集成DPU作为边缘计算系统,并展示了它们在基准数据集实时癫痫发作检测中的应用,即,CHB-MIT颅外EEG数据集和Epilepsy-iEEG-多中心颅内EEG数据集,具有较高的计算性能。随着通道选择机制,数值评估和实验结果验证了足够高的分类精度的建议的光处理器用于监督临床诊断。本论文的工作为利用光子计算技术处理大规模脑电信号开辟了一个新的研究方向,促进了其更广泛的应用。
2022-12-09 cs.LG eess.SP physics.optics
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
Comparative Analysis of Deep Learning Approaches for Harmful Brain Activity Detection Using EEG
Department of Computer Science and Engineering(计算机科学与工程系);Thapar Institute of Engineering and Technology(泰帕尔工程与技术学院)
本文比较CNNs、ViTs和EEGNet在原始EEG与CWT时频表示上的有害脑活动分类性能,发现多阶段训练、预处理和增强与架构同等关键,TinyViT和EfficientNet表现最佳。
2024-12-10 cs.AI 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
Brain Age Revisited: Investigating the State vs. Trait Hypotheses of EEG-derived Brain-Age Dynamics with Deep Learning
University of Freiburg(弗赖堡大学);Medical Center – University of Freiburg(弗赖堡大学医学中心)
本研究利用临床EEG和时序卷积网络,检验脑龄动态的状态与特质假说,发现脑龄差距不能指示病理,模型达到最先进性能(MAE 6.6年)。
2023-09-22 cs.LG eess.SP q-bio.NC