XiaoMi-AI文件搜索系统
World File Search SystemEEGEyeNet
提高脑电图数据质量：异常值检测和清理方法的全面回顾
脑电图 (EEG) 是神经科学和临床诊断中的重要工具，可为了解大脑功能提供宝贵信息。然而，EEG 数据常常受到噪声和异常值的影响，从而影响数据质量和分析准确性。本文全面回顾了针对 EEG 数据的异常值检测和数据集清理技术，并对 EEGEyeNet 数据集进行了附加应用。我们的系统综述涵盖了统计、机器学习、信号处理和视觉检查方法在降噪和去除异常值方面的最新进展。我们根据这些方法的准确性、稳健性、计算效率和对 EEG 数据的适用性对其进行评估。我们的结果强调了当前技术的优势和局限性，并利用这些研究结果提出了对 EEGEyeNet 数据处理的潜在改进。本综述旨在指导研究人员选择有效的异常值检测和清理策略，最终提高 EEG 数据分析的可靠性。
当前脑电图数据压缩方法的研究
在本文中，我们采用了系统的文献综述方案来了解当前用于压缩多通道脑电图 (EEG) 信号的方法以及如何将这些技术应用于新型 EEGEyeNet 数据集。我们的综述将阐明 EEG 数据压缩领域的当前趋势，并简化对这些技术的解释以及如何使用它们。通过汇编有关该主题的最新和相关研究的综合列表，我们希望为理解最新的 EEG 数据压缩标准、其功能以及这些技术在性能方面的相互比较提供坚实的基础。我们希望扩展 EEG 数据压缩方法的知识和可访问性，以扩大其在 EEG 分析中的应用。
![arXiv:2304.06471v1 [eds.SP] 3 月 25 日](/simg/g:\will\search\icon\source\3\372271f140af9de60f9f2f71906a93e5062dfe12.webp)
arXiv:2304.06471v1 [eds.SP] 3 月 25 日
摘要。对脑电图数据进行分类对于脑机接口 (BCI) 及其应用的性能至关重要。然而，由于其生物性质和复杂的数据收集过程，外部噪声往往会阻碍脑电图数据。特别是在处理分类任务时，标准脑电图预处理方法会从整个数据集中提取相关事件和特征。然而，这些方法对所有相关的认知事件一视同仁，忽视了大脑随时间的动态特性。相反，我们受到神经科学研究的启发，使用一种新方法，该方法集成了脑电图数据的特征选择和时间分割。在 EEGEyeNet 数据集上进行测试时，我们提出的方法显著提高了机器学习分类器的性能，同时降低了它们各自的计算复杂度。
将预训练的 ViT 与 TCNet 融合以实现增强型 EEG 回归
摘要。脑电图 (EEG) 分析任务对于脑机接口 (BCI) 的发展至关重要。然而，要达到开发稳健、有用的 BCI 的目标，很大程度上取决于 BCI 理解神经动态的速度和准确性。为了实现这一目标，本文详细介绍了预训练视觉变换器 (ViT) 与时间卷积网络 (TCNet) 的集成，以提高 EEG 回归的精度。这种方法的核心在于利用 ViT 的顺序数据处理优势以及 TCNet 的卓越特征提取能力，显着提高 EEG 分析的准确性。此外，我们分析了如何构建最佳补丁以供注意力机制分析的重要性，以平衡速度和准确性。我们的结果表明，回归准确度显著提高，EEGEyeNet 的绝对位置任务的均方根误差 (RMSE) 从 55.4 降至 51.8，优于现有的最先进模型。在不牺牲性能的情况下，我们将该模型的速度提高了一个数量级（最高可提高 4.32 倍）。这一突破不仅为 EEG 回归分析树立了新的标杆，还为未来将 Transformer 架构与针对不同 EEG 数据集的专门特征提取方法相结合的研究开辟了新途径。