机构名称：
¥ 2.0
摘要：神经工程领域大数据采集和处理的巨大进步使我们能够更好地了解患者的脑部疾病及其神经康复、恢复、检测和诊断。压缩感知 (CS) 和神经工程的结合成为一个新的研究领域，旨在处理大量神经数据，以实现快速、长期和节能的目的。此外，脑机接口 (BCI) 的脑电图 (EEG) 信号已被证明非常有前景，具有多种神经科学应用。在这篇评论中，我们重点介绍了基于 EEG 的方法，这些方法受益于 CS 来实现快速和节能的解决方案。特别是，我们研究了 CS 在不断发展的 BCI 领域的当前实践、科学机遇和挑战。我们重点总结了主要的 CS 重建算法、稀疏基和 CS 中用于处理 EEG 信号的测量矩阵。本文献综述表明，选择合适的重建算法、稀疏基和测量矩阵有助于提高当前基于 CS 的 EEG 研究的性能。在本文中，我们还旨在概述无重建 CS 方法和该领域的相关文献。最后，我们讨论了推动 BCI 应用的 CS 框架集成所带来的机遇和挑战。
传感器
主要关键词
相关文件推荐
