XiaoMi-AI文件搜索系统
World File Search SystemEEGNET
tsception：捕获脑电图识别脑电图的时间动力和空间不对称
摘要 - 高时间分辨率和不对称空间激活是大脑中脑电图（EEG）的基本属性。为了学习脑电图对准确和普遍的情绪识别的时间动态和空间不对称性，我们提出了Tsception，这是一种多尺度的卷积神经网络，可以从EEG分类情绪。tsception由动态时间，不对称空间和高级融合层组成，它们同时学习时间和通道尺寸。动态时间层由多尺度的1D卷积内核组成，其长度与EEG的采样率有关，EEG学习了EEG的动态时间和频率表示。不对称的空间层利用了情绪的不对称脑电图模式，学习歧视性的全球和半球表示。学习的空间表示将被高级融合层融合。使用更广泛的交叉验证设置，在两个公开可用的数据集DEAP和MAHNOB-HCI上评估了所提出的方法。将所提出的网络的性能与先前报道的方法（例如SVM，KNN，FBFGMDM，FBTSC，无监督学习，DeepConvnet，ShallowConvnet和Eegnet）进行了比较。tsception达到了更高的分类精度和F1评分。这些代码可在以下网址提供：https：//github.com/yi-ding-cs/tseption
黎曼方法与卷积神经网络
摘要 目的。迄今为止，在基于 EEG 的脑机接口中，黎曼解码方法与深度卷积神经网络的全面比较仍未在已发表的研究中出现。我们使用 MOABB（所有 BCI 基准之母）来解决这一研究空白，将新型卷积神经网络与最先进的黎曼方法进行比较，这些方法涉及广泛的 EEG 数据集，包括运动想象、P300 和稳态视觉诱发电位范式。方法。我们使用 MOABB 处理管道系统地评估了卷积神经网络（特别是 EEGNet、浅层 ConvNet 和深度 ConvNet）与成熟的黎曼解码方法的性能。该评估包括会话内、跨会话和跨受试者方法，以提供模型有效性的实用分析，并找到在不同实验设置中表现良好的整体解决方案。主要结果。我们发现在会话内、跨会话和跨受试者分析中，卷积神经网络和黎曼方法之间的解码性能没有显着差异。意义。结果表明，在使用传统的脑机接口范式时，在许多实验环境中，CNN 和黎曼方法之间的选择可能不会对解码性能产生重大影响。这些发现为研究人员提供了灵活性，可以根据诸如易于实施、计算效率或个人偏好等因素选择解码方法。
QEEGNet：用于增强脑电图编码的量子机器学习
摘要 — 脑电图 (EEG) 是神经科学和临床实践中监测和分析大脑活动的重要工具。传统的神经网络模型（例如 EEG-Net）在解码 EEG 信号方面取得了相当大的成功，但经常难以应对数据的复杂性和高维性。量子计算的最新进展为通过量子机器学习 (QML) 技术增强机器学习模型提供了新的机会。在本文中，我们介绍了 Quantum-EEGNet (QEEGNet)，这是一种新型混合神经网络，它将量子计算与经典 EEGNet 架构相结合，以改进 EEG 编码和分析，作为一种前瞻性方法，承认结果可能并不总是超越传统方法，但它显示了其潜力。QEEGNet 在神经网络中整合了量子层，使其能够捕获 EEG 数据中更复杂的模式并可能提供计算优势。我们在基准 EEG 数据集 BCI Competition IV 2a 上评估了 QEEGNet，表明它在大多数受试者和其他抗噪性方面始终优于传统 EEG-Net。我们的研究结果凸显了量子增强神经网络在脑电图分析中的巨大潜力，为该领域的研究和实际应用指明了新的方向。索引词——脑电图、脑电图分类、量子机器学习、量子算法、深度学习、脑机接口
从 EEG 中捕捉时间动态和空间不对称......
摘要— 高时间分辨率和不对称空间激活是脑电图 (EEG) 的基本属性，是大脑情绪过程的基础。为了学习 EEG 的时间动态和空间不对称性以实现准确和广义的情绪识别，我们提出了 TSception，这是一种可以从 EEG 中对情绪进行分类的多尺度卷积神经网络。TSception 由动态时间、不对称空间和高级融合层组成，它们同时学习时间和通道维度中的判别表示。动态时间层由多尺度 1D 卷积核组成，其长度与 EEG 的采样率有关，它学习 EEG 的动态时间和频率表示。不对称空间层利用情绪的不对称 EEG 模式，学习判别性全局和半球表示。学习到的空间表示将由高级融合层融合。使用更通用的交叉验证设置，在两个公开可用的数据集 DEAP 和 MAHNOB-HCI 上评估所提出的方法。将所提出的网络的性能与 SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet 和 EEGNet 等先前报告的方法进行了比较。在大多数实验中，TSception 的分类准确率和 F1 分数高于其他方法。代码可在以下位置获得：https://github.com/yi-ding-cs/TSception
TSception：从脑电图中捕捉时间动态和空间不对称以实现情绪识别
摘要 — 高时间分辨率和不对称空间激活是脑电图 (EEG) 的基本属性，是大脑情绪过程的基础。为了学习 EEG 的时间动态和空间不对称性以实现准确和广义的情绪识别，我们提出了 TSception，这是一种可以从 EEG 中对情绪进行分类的多尺度卷积神经网络。TSception 由动态时间、不对称空间和高级融合层组成，它们同时学习时间和通道维度中的判别表示。动态时间层由多尺度 1D 卷积核组成，其长度与 EEG 的采样率有关，它学习 EEG 的动态时间和频率表示。不对称空间层利用情绪的不对称 EEG 模式，学习判别性全局和半球表示。学习到的空间表示将由高级融合层融合。使用更通用的交叉验证设置，在两个公开可用的数据集 DEAP 和 MAHNOB-HCI 上评估所提出的方法。将所提出的网络的性能与 SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet 和 EEGNet 等先前报告的方法进行了比较。在大多数实验中，TSception 的分类准确率和 F1 分数高于其他方法。代码可在以下位置获得：https://github.com/yi-ding-cs/TSception
注意力网：通过基于脑电图的测量系统监测学生的注意力类型
摘要 - 学生的关注是揭示其目标，意图和兴趣的必不可少的输入，这对于从心理学到互动系统的众多研究领域被证明是无价的。但是，大多数现有的对注意力进行分类的方法都无法对其复杂的性质进行建模。为了弥合这一差距，我们提出了一种新型的卷积神经网络方法，它利用脑电图（EEG）数据将注意力分为五个状态：选择性，持续，持续，分裂，交替和放松状态。我们通过标准的神经心理学任务收集了20个受试者的数据集，以引起不同的注意状态。我们提出的模型在此配置下的平均跨学生精度为92.3％（SD = 3.04），非常适合最终用户应用程序。我们基于转移学习的方法将模型个性化为个别受试者有效地解决了脑电图信号中个体可变性的问题，从而提高了对现实世界应用程序模型的性能和适应性。这代表了基于脑电图的分类领域的重大进步。实验结果表明，注意力集优于受试者独立和受试者依赖性设置中流行的EEGNET基线（P值<0.05），尽管我们的数据集有局限性，但仍证实了我们提出的方法的有效性。这些结果强调了使用脑电图数据对注意力分类的注意力的有希望的潜力。索引术语 - eeg，注意，情感计算，认知参与评估
利用双峰 SSMVEP 提高 BCI 性能
稳态视觉诱发电位 (SSVEP) 是一种广泛使用的脑机接口 (BCI) 范式，因其多目标能力和有限的脑电图电极要求而受到重视。传统的 SSVEP 方法经常因闪烁的光刺激而导致视觉疲劳和识别准确率下降。为了解决这些问题，我们开发了一种创新的稳态运动视觉诱发电位 (SSMVEP) 范式，该范式融合了运动和颜色刺激，专为增强现实 (AR) 眼镜设计。我们的研究旨在增强 SSMVEP 反应强度并减轻视觉疲劳。实验在受控的实验室条件下进行。使用 EEGNet 的深度学习算法和快速傅里叶变换 (FFT) 分析脑电数据，以计算分类准确率并评估反应强度。实验结果表明，双模态运动-颜色融合范式显著优于单模态SSMVEP范式和单色SSVEP范式，在中等亮度（M）和C=0.6的面积比下，准确率最高可达83.81%±6.52%。客观测量和主观报告均证实了双模态运动-颜色融合范式的信噪比（SNR）有所提高，视觉疲劳有所减轻。研究结果验证了双模态运动-颜色融合范式在基于SSVEP的脑机接口（BCI）中的应用前景，能够同时提升脑部反应强度和用户舒适度。
LGGNet：从脑机接口的局部-全局图表征中学习
摘要 — 神经心理学研究表明，不同大脑功能区域之间的合作活动推动了高级认知过程。为了了解大脑不同功能区域内和之间的大脑活动，我们提出了一种新型神经学启发式图神经网络 LGGNet，用于学习脑机接口 (BCI) 的脑电图 (EEG) 的局部-全局图表示。LGGNet 的输入层由一系列具有多尺度 1D 卷积核和内核级注意力融合的时间卷积组成。它捕获 EEG 的时间动态，然后将其作为所提出的局部和全局图过滤层的输入。LGGNet 使用一组定义的具有神经生理学意义的局部和全局图，对大脑功能区域内和之间的复杂关系进行建模。在稳健的嵌套交叉验证设置下，在三个公开可用的数据集上对四类认知分类任务（即注意力、疲劳、情绪和偏好分类任务）评估了所提出的方法。 LGGNet 与 DeepConvNet、EEGNet、R2G-STNN、TSception、RGNN、AMCNN-DGCN、HRNN 和 GraphNet 等最先进的方法进行了比较。结果表明，LGGNet 的表现优于这些方法，并且在大多数情况下，改进具有统计意义（p < 0.05）。结果表明，将神经科学先验知识引入神经网络设计可以提高分类性能。源代码可以在 https://github.com/yi-ding-cs/LGG 找到
注意力网：通过基于脑电图的测量系统监测学生的注意力类型
摘要 - 学生的关注是揭示其目标，意图和兴趣的必不可少的输入，这对于从心理学到互动系统的众多研究领域被证明是无价的。但是，大多数现有的对注意力进行分类的方法都无法对其复杂的性质进行建模。为了弥合这一差距，我们提出了一种新型的基于卷积神经网络的方法，该方法利用脑电图（EEG）数据将注意力分类为五个状态：选择性，持续，持续，分裂，交流和放松状态。我们通过标准的神经心理学任务收集了20个受试者的数据集，以引起不同的注意状态。我们提出的模型在此配置时的平均跨学生精度为92.3％（SD = 3.04），非常适合最终用户应用。我们基于转移学习的方法将模型个性化为个别受试者有效地解决了脑电图信号中个体可变性的问题，从而提高了对现实世界应用程序模型的性能和适应性。这代表了基于EEG的分类领域中的显着进步。实验结果表明，在受试者独立和受试者依赖性设置中，注意力集优于流行的EEGNET基线（P值<0.05），尽管我们数据集局限性，但确认了我们提出的方法的有效性。这些结果强调了使用EEG数据注意注意力集对注意力的有希望的潜力。索引术语 - eeg，注意，情感计算，认知参与评估
基于加权多项式的运动想象脑电图分类...
摘要—目的：基于深度学习技术的脑电信号识别需要充足数据的支持，然而在特定受试者的运动想象任务中通常会出现训练数据稀缺的情况，除非能使用多受试者数据来扩充训练数据。遗憾的是，由于不同受试者的数据分布差异很大，仅在多受试者数据上进行训练只能使模型性能得到微小的提高甚至更差。方法：为解决该问题，本文提出了一种新的加权多分支（WMB）结构来处理多受试者数据，其中每个分支负责拟合一对源-目标受试者数据，并使用自适应权重来整合所有分支或选择权重最大的分支来做出最终决策。将提出的 WMB 结构应用于六种著名的深度学习模型 (EEGNet、Shallow ConvNet、Deep ConvNet、ResNet、MSFBCNN 和 EEG_TCNet)，并在 EEG 数据集 BCICIV-2a、BCICIV-2b、高伽马数据集 (HGD) 和两个补充数据集上进行了全面的实验。结果：与最先进模型相比的优异结果证明了所提方法在特定受试者运动想象 EEG 分类中的有效性。例如，提出的 WMB_EEGNet 在 BCICIV-2a、BCICIV-2b 和 HGD 上分别实现了 84.14%、90.23% 和 97.81% 的分类准确率。结论：很明显，提出的 WMB 结构能够很好地利用具有较大分布差异的多受试者数据进行特定受试者的 EEG 分类。