Convolutional Neural Networks for Automatic Detection of Artifacts from Independent Components Represented in Scalp Topographies of EEG Signals
University of L’Aquila（拉奎拉大学）；Sapienza University（罗马大学）
脑电图（EEG）通过放置在头皮上的传感器实时测量脑电活动。伪影，由于眼球运动和眨眼，肌肉/心脏活动和一般的电干扰，必须被识别和消除，以允许正确的解释有用的脑信号（UBS）的EEG。独立分量分析（ICA）有效地将信号分成独立分量（IC），其在2D头皮拓扑（图像）上的重新投影（也称为拓扑图）允许识别/分离伪影和UBS。到目前为止，IC拓扑图分析，EEG的黄金标准，已经进行了人类专家的视觉，因此，不能用于自动，快速响应EEG。我们提出了一个完全自动和有效的框架，脑电伪影识别IC topopplots，基于二维卷积神经网络（CNN），能够分为4类topopplots：3种类型的工件和瑞银。框架设置的描述和结果，讨论和比较与其他竞争战略。在公共EEG数据集上进行的实验表明，在标准PC上使用1.4秒对32个拓扑图进行分类，即驱动32个传感器的EEG系统，总体准确率超过98%。虽然不是实时的，所提出的框架是有效的，足以用于快速响应的EEG为基础的脑机接口（BCI）和速度比其他自动方法的基础上IC。
2020-09-08 cs.AI cs.CV
Learning Polynomial Networks for Classification of Clinical Electroencephalograms
我们描述了一个多项式网络技术开发的学习分类临床脑电图（EEG）提出的噪声功能。使用在数据处理的组方法中实现的进化策略，我们学习由短期多项式集合全面描述的分类模型。学习多项式模型对阿尔茨海默病患者和健康人的脑电进行分类，并识别脑电伪迹。比较我们的技术和一些机器学习方法的性能，我们得出结论，我们的技术可以学习非常适合的多项式模型，专家可以找到容易理解的。
2005-04-11 cs.AI cs.NE
EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification
University of Technology Sydney（悉尼科技大学）；School of Biomedical Engineering（生物医学工程学院）；Faculty of Engineering and IT（工程与信息技术学院）
针对脑机接口中EEG运动想象信号实时分类的邻接矩阵构建问题，提出无需先验知识的EEG_GLT算法，适配个体与模型，准确率、效率均优于PCC等现有方法。
2024-04-17 cs.AI cs.LG eess.SP
Comparison of Attention-based Deep Learning Models for EEG Classification
University of Padova（帕多瓦大学）；National, Inter-University Consortium for Telecommunications (CNIT)（全国大学校际电信联盟（CNIT））；National Center of Neurology and Psychiatry（国立精神神经医疗研究中心）；University of Milano-Bicocca（米兰比可卡大学）；Wroclaw University of Science and Technology（弗罗茨瓦夫理工大学）
目的：评估深度学习（DL）模型中不同类型的注意机制对脑电图（EEG）分类的影响。方法：我们比较了三种注意力增强的DL模型，全新的InstaGAT，具有注意力的LSTM和具有注意力的CNN。我们使用这些模型来分类正常和异常（即，人为的或病理性的）EEG模式。结果如下：我们在所有分类问题上都达到了最先进的水平，而不管数据集的变化性很大，注意力增强模型的架构也很简单。我们还可以证明，根据注意力机制的应用方式以及注意力层在模型中的位置，我们可以选择利用数据集的时间、频率或空间域中包含的信息。结论：通过这项工作，我们揭示了不同的注意机制在正常和异常脑电图模式分类中的作用。此外，我们还讨论了他们如何利用我们大脑活动的时间，频率和空间域的内在关系。重要性：注意力是一种很有前途的策略，以评估质量的EEG信息，其相关性，在不同的现实世界的情况。此外，它可以使计算更容易并行化，从而加速对大的电生理（例如，EEG）数据集。
2020-12-02 cs.AI cs.LG eess.SP
Optimized EEG based mood detection with signal processing and deep neural networks for brain-computer interface
Spiraldevs Automation Industries Pvt. Ltd.（Spiraldevs自动化工业私人有限公司）；Vardhman Mahaveer Medical College（瓦德曼·马哈特维尔医学院）；Safdarjung Hospital（萨夫达尔琼医院）；Dr. B.C. Roy Engineering College（B.C.罗伊博士工程学院）；International Institute of Information Technology Naya Raipur（新赖布尔国际信息技术学院）
本研究针对脑电图情绪识别研究有限的问题，对28名受试者使用Savitzky-Golay滤波、独立成分分析及神经网络进行分类，并基于Blackman窗口傅里叶变换优化模型，最终实现96.01%的检测准确率。
2023-03-30 cs.AI cs.HC eess.SP
Assessing a Single Student's Concentration on Learning Platforms: A Machine Learning-Enhanced EEG-Based Framework
Faculty of Science and Technology（科学技术学院）；LISSI Laboratory（LISSI实验室）
本研究提出基于EEG与定制化随机森林模型的单学生注意力分类框架，通过多频段特征提取、选择与超参数微调，在计算机与VR学习场景下分别实现97.6%、98%的测试准确率，可提供个性化学习注意力洞察。
2025-02-21 cs.AI cs.CV cs.LG
A Comprehensive Comparison Between ANNs and KANs For Classifying EEG Alzheimer's Data
University of North Texas（北得克萨斯大学）
本研究在多种epoch、学习率和节点设置下比较ANN与KAN基于EEG信号预测阿尔茨海默病的损失，结果显示ANN整体更准确。
2024-09-09 cs.LG cs.NE eess.SP
Learning Multi-Class Neural-Network Models from Electroencephalograms
我们描述了一种新的算法学习多类神经网络模型，从大规模的临床脑电图（EEG）。该算法分别训练隐藏的神经元来分类所有的类对。为了找到最好的成对分类器，我们的算法搜索与分类问题相关的输入变量。尽管患者的变异性和严重重叠的类别，从65个睡眠新生儿的脑电图中学习的16类模型正确分类了80.8%的训练样本和80.1%的测试样本。此外，神经网络模型提供了决策的概率解释。
2005-04-13 cs.LG cs.NE
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
Energy Distribution of EEG Signals: EEG Signal Wavelet-Neural Network Classifier
在本文中，基于小波的神经网络（WNN）分类器识别脑电信号的实现和测试下的三组脑电信号（健康受试者，癫痫患者和癫痫综合征患者在癫痫发作期间）。首先，采用离散小波变换（DWT）结合多分辨率分析（MRA）对脑电信号进行δ、θ、α、β和γ分量的分辨率分解，并利用Parsevals定理提取不同分辨率下脑电信号能量特征的百分比分布。其次，神经网络（NN）分类这些提取的特征，以确定根据百分比分布的能量特征的EEG类型。所提出的算法的性能进行了评估，共使用300个EEG信号。实验结果表明，该分类器能够有效地对脑电信号进行识别和分类。
2013-07-30 cs.NE q-bio.NC
Classification of auditory stimuli from EEG signals with a regulated recurrent neural network reservoir
Université de Sherbrooke（舍布鲁克大学）
由于脑电图（EEG）的非侵入性，在脑机接口中使用EEG作为主要输入信号已被广泛提出。在这里，我们对从听觉系统提取信息的接口特别感兴趣，更具体地说，是对从EEG中听到的语音进行分类的任务。为此，我们建议限制EEG的预处理，并使用机器学习方法自动提取其有意义的特征。更具体地说，我们使用了一个受调节的递归神经网络（RNN）库，当应用于几种不同的生物信号时，它的性能优于经典的机器学习方法，我们将其与深度神经网络方法进行了比较。此外，我们还研究了分类性能作为EEG电极的数量的函数。一组8名受试者随机呈现3种不同的听觉刺激（英语元音a，i和u）。当考虑所有64个电极时，我们使用RNN获得了83.2%的出色分类率。仅用10个电极就实现了81.7%的成功率。
2018-04-27 cs.LG cs.NE cs.SD
A Convolutional Network Adaptation for Cortical Classification During Mobile Brain Imaging
本研究改进EEGNet模型，在行走及负重条件下成功分类P300认知事件，准确率超95%，首次实现双任务行走中认知状态的DNN分类，验证了BCI在复杂环境中的实用性。
2023-10-11 cs.NE
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
Automatic Micro-sleep Detection under Car-driving Simulation Environment using Night-sleep EEG
Korea University（高丽大学）
微睡眠是一种短暂的睡眠，持续1到30秒。在驾驶过程中检测它对于防止可能夺去许多人生命的事故至关重要。脑电（EEG）与意识和睡眠密切相关，适合检测微睡眠。深度学习在识别大脑状态方面表现出色，但需要足够的数据。然而，在驾驶期间收集微睡眠数据是低效的，并且由于嘈杂的驾驶情况而具有获得差的数据质量的高风险。在家里的夜间睡眠数据比在驾驶过程中的微睡眠数据更容易收集。因此，我们提出了一种利用夜间睡眠EEG的深度学习方法来提高微睡眠检测的性能。我们使用夜间睡眠EEG对U-Net进行预训练以分类5类睡眠阶段，并使用U-Net估计的睡眠阶段来检测驾驶期间的微睡眠。与传统方法相比，这将微睡眠检测性能提高了约30%。我们的方法是基于微睡眠对应于非快速眼动（NREM）睡眠的早期阶段的假设。我们分析了夜间睡眠和微睡眠时的脑电分布，发现微睡眠与NREM睡眠具有相似的分布。我们的研究结果提供了微睡眠和NREM睡眠早期阶段之间相似性的可能性，并有助于预防驾驶过程中的微睡眠。
2020-12-10 cs.LG cs.NE
Graph Attention Networks for Detecting Epilepsy from EEG Signals Using Accessible Hardware in Low-Resource Settings
AGH University of Krakow（克拉科夫AGH大学）；University of Cape Coast（科克海岸大学）
本文提出了一种基于图注意力网络的低成本癫痫检测方法，利用EEG信号在资源匮乏地区实现高效且可解释的诊断支持。
2025-07-20 cs.AI cs.LG cs.NE
GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals
Northeast Electric Power University（东北电力大学）；City University of Hong Kong（香港城市大学）；Jinan Vocational College of Nursing（济南护理职业学院）；University of Sydney（悉尼大学）
为了开发有效的脑机接口（BCI）系统，精确解码由脑电图（EEG）测量的大脑活动是非常有必要的。传统的脑电信号分类方法没有考虑电极间的拓扑关系。然而，神经科学研究越来越强调大脑动力学的网络模式。因此，电极的欧几里德结构可能不足以反映信号之间的相互作用。为了填补这一空白，提出了一种新的基于图卷积神经网络（GCN）的深度学习框架，以增强不同类型的运动想象（MI）任务期间原始EEG信号的解码性能，同时配合电极的功能拓扑关系。基于整体信号的绝对皮尔逊矩阵，建立了脑电电极的图拉普拉斯算子。由图卷积层构造的GCNs-Net学习广义特征。随后的池化层降低了维度，而完全连接的softmax层推导出最终的预测。所介绍的方法已被证明是收敛的个性化和群体明智的预测。与现有研究相比，它在受试者和组水平上分别实现了最高的平均准确度，93.06%和88.57%（PhysioNet数据集），96.24%和80.89%（高伽马数据集），这表明了对个体变异性的适应性和鲁棒性。此外，性能是稳定的重复性实验交叉验证。我们的方法的优异性能表明，它是迈向更好的BCI方法的重要一步。综上所述，GCNs-Net基于功能拓扑关系过滤EEG信号，其设法解码脑运动想象的相关特征。
2022-08-26 cs.LG cs.NE eess.SP
Automated Classification of L/R Hand Movement EEG Signals using Advanced Feature Extraction and Machine Learning
Applied Science University（应用科学大学）
在本文中，我们提出了一个自动化的计算机平台，用于分类脑电图（EEG）信号与左手和右手的运动使用的混合系统，使用先进的特征提取技术和机器学习算法。众所周知，EEG通过沿头皮的电压波动来表示大脑活动，并且脑机接口（BCI）是使得能够使用大脑神经活动来与他人通信或控制机器、假肢或机器人而无需直接物理运动的设备。在我们的研究工作中，我们渴望找到最好的特征提取方法，使左，右执行的拳头运动之间的区别，通过各种分类算法。本研究中使用的EEG数据集由BCI 2000仪器系统的开发人员创建并贡献给PhysioNet。使用EEGLAB MATLAB工具箱对数据进行预处理，并使用AAR进行伪影去除。根据事件相关（去）同步（ERD/ERS）和运动相关皮层电位（MRCP）特征对数据进行划时代。Mu/β节律被分离用于ERD/ERS分析，δ节律被分离用于MRCP分析。独立分量分析（ICA）的空间滤波器应用于相关的通道，以减少噪声和隔离的伪和中性产生的EEG源。最终的特征向量包括ERD、ERS和MRCP特征，以及历元特征数据集的所得独立分量的激活的平均值、功率和能量。将数据集输入两种机器学习算法：神经网络（NN）和支持向量机（SVMs）。密集的实验进行了最佳分类性能分别为89.8和97.1，使用NN和SVM。
2013-12-10 cs.CV cs.HC cs.NE
What your brain activity says about you: A review of neuropsychiatric disorders identified in resting-state and sleep EEG data
Fraunhofer Institute for Digital Media Technology（弗劳恩霍夫数字媒体技术研究所）；University Medical Center Schleswig-Holstein (UKSH)（石勒苏益格-荷尔斯泰因大学医学中心）
本文综述静息态与睡眠EEG数据可识别的神经精神疾病及个人信息，调研相关研究方法与结果，指出EEG数据存在隐私泄露风险，强调匿名化及隐私保护工具开发的重要性。
2026-09-29 cs.CR cs.CY cs.NE
