Unsupervised Motor Imagery Saliency Detection Based on Self-Attention Mechanism
检测运动想象脑电信号(MI-EEG)的显著部分可以提高脑机接口(BCI)系统的性能,并减少处理冗长MI-EEG信号所需的计算负担。本文提出了一种基于自注意机制的无监督MI-EEG信号显著间隔自动检测方法。我们建议的方法可以用作任何BCI算法中的预处理步骤,以提高其性能。建议的方法的有效性进行评估,最广泛使用的BCI算法,共同的空间模式(CSP)算法,使用数据集2a BCI竞争IV。实验结果表明,该方法能有效地修剪MI-EEG信号,并显著提高CSP算法的分类精度。
2022-04-19 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
EEGFuseNet: Hybrid Unsupervised Deep Feature Characterization and Fusion for High-Dimensional EEG with An Application to Emotion Recognition
Shenzhen University(深圳大学);Kyoto University(京都大学);Peng Cheng Laboratory(鹏城实验室);ATR Neural Information Analysis Laboratories(ATR神经信息分析实验室)
如何有效地从高维脑电信号中提取有效、可靠的特征,特别是如何将脑的时空动态信息融合到更好的特征表示中,是脑数据分析中的关键问题。目前的脑电研究大多采用任务驱动的方式,利用有监督的模型来探索有效的脑电特征,这在很大程度上会受到给定标签的限制。在本文中,我们提出了一个实用的混合无监督深度卷积递归生成对抗网络的EEG特征表征和融合模型,这被称为EEGFuseNet。EEGFuseNet以无监督的方式进行训练,并自动表征涵盖空间和时间动态的深层EEG特征。与现有特征相比,表征的深度EEG特征可以被认为是更通用的,并且独立于任何特定的EEG任务。EEGFuseNet提取的深度和低维特征的性能进行了仔细评估,在一个无监督的情感识别应用程序的基础上,三个公共情感数据库。实验结果表明,EEGFuseNet是一种鲁棒、可靠的模型,易于训练,能够有效地表示和融合动态脑电特征。特别是,EEGFuseNet被建立为一个最佳的无监督融合模型,具有良好的跨学科情感识别性能。实验证明,EEGFuseNet能够表征和融合不同情绪状态变化所对应的具有比较皮层动力学意义的深层特征,并证明了在纯无监督的情况下实现基于脑电的跨主体情绪识别的可能性。
2021-08-27 cs.HC 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
A hidden Markov model for unsupervised EEG-based tracking of auditory attention to a single voice
KU Leuven(荷语鲁汶大学)
该研究提出结合NET与HMM的无监督aAAD流程,利用30名成人EEG数据验证,可提升单语音听觉注意力跟踪的AUC,优于MA平滑及其他EEG特征。
2026-10-16 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
An Enhanced Source-Free Unsupervised Domain Adaptation Framework for Cross-Dataset EEG Emotion Recognition via Predictive Coding and Test-Time Training
Toronto Metropolitan University(多伦多都会大学)
提出一种无源无监督域适应框架,通过非对比预测编码自监督预训练和双阶段自适应优化(多损失自适应正则化与局部一致性学习),结合轻量测试时训练,解决跨数据集脑电情感识别中的域偏移和噪声伪标签问题。
2026-06-29 eess.SP
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
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
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
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
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
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
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
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
Unsupervised Multivariate Time-Series Transformers for Seizure Identification on EEG
BioSensics LLC(BioSensics有限责任公司);Brown University(布朗大学);University of Southern California(南加州大学)
癫痫是最常见的神经系统疾病之一,通常通过癫痫发作观察到。癫痫发作通常通过脑电图(EEG)记录进行监测,这是由于其常规和低成本的收集。EEG的随机性使得通过由训练有素的专家进行的手动检查来识别癫痫发作是一项繁琐的工作,这促使了自动识别的使用。关于自动识别的文献主要集中在监督学习方法上,该方法需要包含癫痫发作的EEG片段的专家标签,这是很难获得的。出于这些观察,我们提出癫痫发作识别作为一个无监督的异常检测问题。为此,我们采用了第一个无监督的基于变换的模型对原始EEG进行癫痫发作识别。我们训练一个自动编码器,涉及一个Transformer编码器通过一个无监督的损失函数,结合一个新的掩蔽策略,独特的多变量时间序列数据,如EEG。训练采用不包含任何癫痫发作的EEG记录,而癫痫发作是根据推理时的重建错误来识别的。我们评估我们的方法在三个公开的基准EEG数据集区分癫痫发作与非癫痫发作窗口。我们的方法导致癫痫发作识别性能明显优于监督学习同行,高达16%的召回率,9%的准确率和9%的受试者工作特征曲线(AUC)下的面积,在高度不平衡的数据上建立了特别的优势。通过准确的癫痫发作识别,我们的方法可以促进广泛访问和早期检测癫痫的发展,而不需要昂贵的标签收集或手动特征提取。
2023-01-03 cs.AI cs.LG eess.SP
Supervised and Unsupervised Deep Learning Approaches for EEG Seizure Prediction
University Health Network(多伦多大学健康网络);University of Toronto(多伦多大学);KITE(凯特机构);Institute of Biomedical Engineering(生物医学工程研究所)
针对癫痫发作预测,提出监督与无监督深度学习方法,在个体特异性下于两个大型脑电数据集上验证可行性,性能因患者和方法而异,为治疗干预提供新方向。
2024-02-03 cs.AI cs.LG 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
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
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
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
SPDIM: Source-Free Unsupervised Conditional and Label Shift Adaptation in EEG
Nara Institute of Science and Technology (NAIST)(奈良科学技术大学);Department of Dynamic Brain Imaging, ATR(动态脑成像部门,ATR);Center for Advanced Intelligence Project, RIKEN(先进智能项目中心,RIKEN)
SPDIM通过信息最大化原理,针对EEG中的标签偏移问题,提出了一种参数高效的流形优化方法,提升了无监督域适应的性能。
2026-03-09 cs.LG eess.SP
Enabling Unsupervised Training of Deep EEG Denoisers With Intelligent Partitioning
Department of Electrical and Electronic Engineering, Imperial College London(帝国理工学院伦敦校区电子与电气工程系);Dyson School of Design Engineering, Imperial College London(帝国理工学院伦敦校区戴森设计工程学院)
本文提出iPSD方法,通过学习将输入EEG段分割为独立的噪声实现,实现无监督去噪,尤其在低信噪比和复杂噪声下表现优异。
2026-09-29 cs.AI cs.LG 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
SPD domain-specific batch normalization to crack interpretable unsupervised domain adaptation in EEG
RIKEN Center for Advanced Intelligence Project (RIKEN AIP)(理化学研究所先进智能项目中心);Advanced Telecommunications Research Institute International (ATR)(国际电气通信基础技术研究所)
脑电图(EEG)以毫秒级的分辨率非侵入性地提供对神经元动力学的访问,使其成为神经科学和医疗保健中的可行方法。然而,其效用是有限的,因为当前EEG技术不能很好地跨域推广(即,会话和主题)而无需昂贵的监督重新校准。当代方法将这种迁移学习(TL)问题转换为多源/目标无监督领域自适应(UDA)问题,并使用深度学习或浅黎曼几何感知对齐方法来解决它。到目前为止,这两个方向都未能始终关闭性能差距,以最先进的领域特定的方法的基础上切空间映射(TSM)的对称正定(SPD)流形。在这里,我们提出了一个基于理论的机器学习框架,使,第一次,学习领域不变的TSM模型在端到端的方式。为了实现这一目标,我们提出了一种新的几何深度学习构建块,我们将其表示为SPD域特定动量批量归一化(SPDDSMBN)。SPDDSMBN层可以将特定于域的SPD输入转换为域不变的SPD输出,并且可以容易地应用于多源/目标和在线UDA场景。在广泛的实验与6个不同的EEG脑机接口(BCI)数据集,我们获得了最先进的性能在会话间和主题TL与一个简单的,本质上可解释的网络架构,我们表示TSMNet。
2022-10-12 cs.LG 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
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
Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets
University 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);TAU Inria(特拉维夫大学-法国国家信息与自动化研究所联合机构);LISN-CNRS(法国国家科学研究中心LISN实验室);Roche Pharma Research and Early Development(罗氏制药研发部);Roche Innovation Center Basel(罗氏创新中心巴塞尔分部);F. Hoffmann–La Roche Ltd(罗氏控股有限公司)
针对异构EEG数据集因传感器差异难以联合训练的问题,提出基于物理信息的无监督场插值方法,结合黎曼几何分类与迁移学习,在共享通道少时显著提升分类性能且计算更快。
2024-06-27 cs.LG eess.SP
Disentangled and Side-aware Unsupervised Domain Adaptation for Cross-dataset Subjective Tinnitus Diagnosis
University of New South Wales(新南威尔士大学);National Acoustic Laboratories(国家声学实验室);Macquarie University(麦考瑞大学)
基于EEG的耳鸣分类是耳鸣诊断、研究和治疗的有价值的工具。目前大多数的作品都局限于一个单一的数据集的数据模式是相似的。但脑电信号具有高度的非平稳性,导致模型对新用户、会话或数据集的泛化能力较差。因此,设计一个可以推广到新数据集的模型是有益的和必不可少的。为了减轻数据集之间的分布差异,我们建议实现解纠缠和侧感知无监督域自适应(DSUDA)用于跨数据集耳鸣诊断。设计了一种去纠缠自动编码器,将脑电信号中与类别无关的信息解耦,以提高分类能力。侧感知无监督域自适应模块将类无关信息作为域方差适配到新数据集,并排除方差以获得用于新数据集分类的类提取特征。它还将左右耳的信号对齐,以克服固有的EEG模式差异。我们将DSUDA与最先进的方法进行比较,我们的模型在综合评估标准方面比竞争对手有了显着的改进。结果表明,我们的模型可以成功地推广到一个新的数据集,并有效地诊断耳鸣。
2022-11-07 cs.LG eess.SP
Towards Practical Emotion Recognition: An Unsupervised Source-Free Approach for EEG Domain Adaptation
Toronto Metropolitan University(多伦多 Metropolitan 大学)
该研究针对基于EEG的情感识别在跨域设置中的难题,提出无监督无源方法。构建多阶段框架,用双损失自适应正则化和局部一致性学习解决域转移及噪声伪标签问题,实验表明该方法显著优于现有方法,适用于实际情感识别应用。
2026-07-23 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
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
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
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
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
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
Neural Network-Based Feature Extraction for Multi-Class Motor Imagery Classification
从脑电(EEG)中解码运动想象(MI)是脑-机接口(BCI)系统的重要组成部分,该系统帮助运动障碍者通过外部设备与外部世界进行交互。脑电数据的非平稳特性给脑机接口带来了信息混乱,是目前脑机接口研究的主要问题。在这项工作中,首次提出了将EEG信号转换为称为自动编码器的无监督神经网络的权重向量的创新思想,以解决该问题。针对个体EEG数据训练单独的自动编码器。然后针对各个EEG信号优化权重向量。因此,EEG信号被表示在新的域中,该新的域是各个自动编码器的权重向量的形式。然后使用权向量来提取特征,例如自回归系数(AR)、香农熵(SE)和小波前导。一个基于窗口的特征提取技术实现捕获的局部特征的EEG数据。最后,使用分类器网络对提取的特征进行分类。所提出的方法进行了测试,两个公开访问的EEG数据集(BCI竞争-III和竞争-IV),以确保它是成功的,优于以前发表的方法。所提出的技术实现了平均准确度为95.33%的BCI-III和平均准确度为97%的BCI-IV的四类EEG为基础的MI分类的BCI-IIIa。实验结果表明,该方法是一种很有前途的方法,以提高脑机接口的性能。
2022-01-05 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
EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出了一种新的基于图卷积神经网络(GCNN)的方法,用于改善使用头皮脑电图(EEG)的神经系统疾病的诊断。虽然EEG是用于神经系统疾病诊断的主要测试之一,但基于EEG的专家视觉诊断的灵敏度保持在$\sim$ 50\%。这表明,一个明确的需要先进的方法,以减少检测异常头皮脑电图的假阴性率。在这种情况下,我们专注于区分神经系统疾病患者的异常头皮脑电图的问题,这些患者最初被专家归类为“正常”,从健康个体的头皮脑电图。本文的贡献有三个方面:1)我们提出了EEG-GCNN,一种用于EEG数据的新型GCNN模型,它捕获了头皮电极之间的空间和功能连接,2)使用EEG-GCNN,我们对上述假设进行了第一次大规模评估,以及3)使用两个大型头皮EEG数据库,我们证明了EEG-GCNN显著优于人类基线和经典机器学习(ML)基线,AUC为0.90。
2020-11-17 cs.LG eess.SP
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
Efficient Solutions for Mitigating Initialization Bias in Unsupervised Self-Adaptive Auditory Attention Decoding
KU Leuven, Department of Electrical Engineering (ESAT)(鲁文大学电气工程系);KU Leuven, Department of Neurosciences(鲁文大学神经科学系)
本文提出三种高效算法,用于解决无监督自适应听觉注意力解码中的初始化偏差问题,实现较低且恒定的计算成本。
2026-02-04 cs.SD eess.SP
EEG-GNN: Graph Neural Networks for Classification of Electroencephalogram (EEG) Signals
Northeastern University(东北大学);Mitsubishi Electric Research Laboratories (MERL)(三菱电机研究实验室);Mitsubishi Electric Corporation (MELCO)(三菱电机公司)
卷积神经网络(CNN)已被频繁地用于从脑电图(EEG)中提取主体不变特征以用于分类任务。这种方法保持电极与图像的像素等距类似的基本假设,因此无法探索/利用不同电极部位之间的复杂功能神经连接。我们克服了这个限制,通过定制的卷积和池的概念应用到二维网格状输入的功能网络的电极网站。此外,我们开发了各种图神经网络(GNN)模型,将电极投射到图的节点上,其中节点特征表示为在试验中收集的EEG通道样本,并且节点可以根据神经科学家制定的灵活策略通过加权/未加权边缘连接。实证评估表明,我们提出的基于GNN的框架在ErrP和RSVP数据集上优于标准的CNN分类器,并且允许神经科学的可解释性和可解释性,以适应EEG相关分类问题的深度学习方法。我们基于GNN的框架的另一个实际优势是,它可以用于EEG通道选择,这对于降低计算成本和设计便携式EEG耳机至关重要。
2021-06-16 cs.LG eess.SP
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
EEG Channel Interpolation Using Deep Encoder-decoder Netwoks
Michigan State University(密歇根州立大学);New York University Abu Dhabi(纽约大学阿布扎比分校)
电极“爆裂”伪影源自表面和电极之间的连接性的自发丧失。脑电图(EEG)使用密集的电极阵列,因此“弹出”段是在收集EEG数据期间看到的最普遍的伪影类型之一。在许多情况下,EEG数据的连续性对于下游应用(例如脑机接口)是至关重要的,并且需要准确地内插弹出的段。在本文中,我们使用深度编码器-解码器网络将插值问题框架为自学习任务。我们比较我们的方法对当代插值方法公开可用的EEG数据集。当对模型训练期间未使用的主题和任务进行测试时,我们的方法比当代方法至少提高了约15%。我们展示了如何使用迁移学习在新的主题和任务上进一步增强我们的模型的性能。与本研究相关的所有代码和数据都是开源的,以便于扩展和实际使用。据我们所知,这项工作是使用深度学习解决EEG插值问题的第一个解决方案。
2020-12-03 cs.LG eess.SP
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier
University of California at Berkeley(加州大学伯克利分校);University of the Philippines Diliman(菲律宾大学迪利曼分校);Chan-Zuckerberg Biohub(陈-扎克伯格生物中心)
记录神经活动和检测癫痫发作的植入式装置已被采用来发出警告或触发神经刺激以抑制癫痫发作。典型的癫痫发作检测系统依赖于高精度离线训练的机器学习分类器,当癫痫发作模式在长时间内发生变化时,这些分类器需要手动重新训练。对于可植入的癫痫发作检测系统,可以采用低功率、在边缘的在线学习算法来动态地适应神经信号漂移,从而在没有外部干预的情况下保持高精度。本文提出了SOUL:基于随机梯度下降的在线无监督Logistic回归分类器。在初始离线训练阶段之后,原位应用连续在线无监督分类器更新,这提高了具有漂移癫痫发作特征的患者的灵敏度。SOUL在两个人类脑电图(EEG)数据集上进行了测试:CHB-MIT头皮EEG数据集和长(>100小时)NeuroVista颅内EEG数据集。两个数据集的平均灵敏度分别为97.5%和97.9%,特异性>95%。与典型的癫痫发作检测分类器相比,长期数据的灵敏度最多提高8.2%。SOUL是在台积电的28纳米工艺中制造的,占地0.1 mm 2,并实现了1.5 nJ/分类的能效,比最先进的能效至少高出24倍。
2022-05-17 cs.LG eess.SP
Finding neural signatures for obesity through feature selection on source-localized EEG
University of Otago(奥塔哥大学)
本研究利用EEG的alpha频段功能连接特征和机器学习模型识别肥胖女性的脑网络,达到0.937的分类准确率,发现肥胖大脑存在处理自我参照和环境信息区域受损的功能失调网络。
2023-06-22 cs.LG eess.SP q-bio.NC
Unsupervised Discovery of Behavioral Primitives from Sensorimotor Dynamic Functional Connectivity
Munich Institute of Robotics and Machine Intelligence, Technical University of Munich(慕尼黑机器人与机器智能研究所,慕尼黑技术大学);Faculty of Electrical Engineering, Czech Technical University in Prague(布拉格捷克技术大学电子工程学院)
本文提出一种无监督框架,通过分析机器人多模态感觉信号的动态功能连接,利用瞬时互信息和非负矩阵分解提取运动基元,为理解感觉运动空间和行为选择提供新方法。
2025-06-20 cs.RO eess.SP
Affordable EEG, Actionable Insights: An Open Dataset and Evaluation Framework for Epilepsy Patient Stratification
Bangladesh University of Engineering and Technology (BUET)(孟加拉工程大学);Dhaka Medical College(达卡医学院)
该研究提出首个面向癫痫的单通道消费级EEG开放数据集NEUROSKY-EPI,并引入EmbedCluster患者分层流水线,通过迁移EEGNet表示与上下文自动编码器嵌入进行无监督聚类,证明低成本数据可支持有意义的分层,并强调可部署性与隐私等以人为中心的问题。
2025-10-22 cs.LG eess.SP
Unsupervised Pairwise Learning Optimization Framework for Cross-Corpus EEG-Based Emotion Recognition Based on Prototype Representation
School of Biological Science and Medical Engineering, Hunan University of Technology(湖南工业大学生物科学与医学工程学院);School of Biomedical Engineering, Health Science Center, Shenzhen University(深圳大学生物医学工程学院);Guangdong Provincial Key Laboratory of Biomedical Measurements and Ultrasound Imaging(广东省生物医学测量与超声成像重点实验室)
本文提出McdPL框架,通过双对抗分类器与三阶段域对抗训练实现跨语料库EEG情绪特征的细粒度对齐,并引入成对学习缓解标签噪声,在SEED系列数据集上取得优于基线模型的识别准确率。
2025-08-06 cs.LG eess.SP
Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks
在最近的过去,当与经典信号处理和基于机器学习的框架相比时,基于深度学习的方法已经显著提高了分类准确性。但大多数研究都是受试者依赖性研究,由于EEG数据中存在受试者间的差异,因此无法对与受试者无关的任务进行概括。在这项工作中,提出了一种新的深度学习框架,能够进行与主体无关的情感识别,由两部分组成。首先,提出了一种具有通道注意自动编码器的无监督长短期记忆(LSTM),用于获得主体不变的潜在向量子空间,即,存在于每个个体的EEG数据中的内在变量。其次,提出了一种具有注意力框架的卷积神经网络(CNN),用于对从具有通道注意力自动编码器的LSTM获得的编码的低维潜在空间表示执行与主体无关的情感识别任务。通过引入注意力机制,该方法可以突出脑电信号中的重要时间段,从而对所考虑的情绪做出贡献。所提出的方法已经使用公开可用的数据集,如DEAP数据集,SEED数据集和CHB-MIT数据集的EEG信号进行了验证。所提出的端到端深度学习框架消除了对不同手工设计特征的要求,并提供了能够对受试者独立数据执行各种EEG分析的单个综合任务不可知EEG分析工具。
2021-12-21 cs.NE eess.SP
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