XiaoMi-AI文件搜索系统
World File Search SystemEEGNet
通过深度学习优化电动机意图检测
摘要 - 目的：本文展示了对添加功能性电刺激时，从原始脑电图（EEG）信号中检测到来自原始脑电图（EEG）信号的运动图像（MI）的兴趣。还报道了电极蒙太奇和带宽的影响。这项工作的观点是改善全身麻醉期间术中意识的检测。方法：对EEGNET的各种体系结构进行了研究以优化MI检测。它们已与脑部计算机接口的最新分类器（基于Riemannian几何形状，线性歧视分析）和其他深度学习体系结构（深度卷积网络，浅卷积网络）。eeg数据是从22位参与者中测量的，这些参与者有或没有中位神经刺激的运动图像。结果：EEGNET的拟议结构达到了最佳的分类准确性（83.2％）和假阳性速率（FPR 19.0％），用于设置，在运动皮层和额叶上只有六个电极，并且对于通过Median Median Nerve刺激了受试者的扩展4-38 Hz EEG频率。具有较大电极数量的配置导致128个电极的精度（94.5％）和FPR（6.1％）（分别为13个电极的88.0％和12.9％）。结论：目前的工作表明，使用扩展的EEG频带和经过修改的EEGNET深神经网络，当使用少于6个电极（包括额叶通道）时，会增加MI检测的准确性。明显的能力：所提出的方法基于脑电图的MI检测有助于开发脑部计算机界面系统。
深度学习技术可改善脑脑图信号的术中意识检测
摘要 - 每年，数以百万计的患者在手术过程中恢复意识，并可能患有创伤后疾病。我们最近表明，可以使用脑电图（EEG）信号的中位神经刺激过程中的运动活动检测来提醒医务人员，患者正在醒来并试图在全身麻醉下移动[1]，[2]。在这项工作中，我们测量了直接训练对过滤的EEG数据进行训练的多种深度学习模型（EEGNET，深卷积网络和浅卷积网络）的运动图像的准确性和假阳性。我们将它们与有效的非深度方法进行了比较，即基于常见空间模式的线性判别分析，即应用于协方差矩阵的Riemannian Mean Mean Algorithm的最小距离，基于逻辑回归的逻辑回归，这是基于逻辑回归的，这是对协方差矩阵（TSS+LR）的较相关的空间投影。与其他分类器相比，EEGNET显着提高了分类性能的显着提高（p-值<0.01）；此外，它的表现优于最佳的非深度clas-sifier（TS+LR），其精度为7.2％。这种方法有望改善全身麻醉期间术中意识检测。
使用深度学习方法
摘要：用脑电图（EEG）信号使用想象的语音是脑部计算机界面（BCI）的有前途的场，它寻求与语言和设备或机器相关的脑皮质区域之间的通信。然而，这种大脑过程的复杂性使这类信号的分析和分类是相关的研究主题。这项研究的目标是：开发一种基于深度学习（DL）的新算法，称为CNNEEG1-1，以识别想象中的元音任务中的脑电图信号；创建一个想象中的语音数据库，其中50个主题专门从事西班牙语（/a/，/e/，/i/，/，/o/，/u/）的想象元音；并使用开放访问数据库（BD1）以及新开发的数据库（BD2）将CNNEEG1-1算法的性能与DL浅CNN和EEGNET基准算法的性能进行对比。在这项研究中，进行了方差的混合方差分析，以评估所提出算法的受试者内和受试者间训练。结果表明，对于受主体内的训练分析，浅CNN，EEGNET和CNNEEG1-1的最佳性能在对想象中的元音（/a/a/a，/e/，/i/，/i/，/o/，/u/）进行分类时，由CNNEEG1-1展出，由CNNEEG1-1展示为65.62％的cnneeg1-1 data for bd and bd and bd and and bd and and bd and and bd bdse ands的55份数为89％。
在基于 Raspberry Pi 的实时系统上使用最先进的神经架构研究基于 EEG 的生物特征识别
摘要：尽管人们对使用脑电图 (EEG) 信号作为主体身份识别的潜在生物特征识别的兴趣日益浓厚，并且在使用深度学习 (DL) 模型研究神经信号（例如心电图 (ECG)、脑电图 (EEG)、视网膜电图 (ERG) 和肌电图 (EMG) ）方面也取得了进展，但由于单个主体在不同会话中的 EEG 特征变化很大，因此在使用最先进的 DL 模型进行基于 EEG 的主体身份识别任务方面仍然缺乏探索。在本文中，我们探索使用最先进的 DL 模型（例如 ResNet、Inception 和 EEGNet）在 BED 数据集上实现基于 EEG 的生物特征识别，该数据集包含来自 21 个个体的 EEG 记录。我们获得了令人满意的结果，Resnet、Inception 和 EEGNet 的准确率分别为 63.21%、70.18% 和 86.74%，而之前的最佳成果报告的准确率为 83.51%。我们还通过开发一种便携式、低成本、实时的基于 Raspberry Pi 的系统展示了这些模型实时执行 EEG 生物识别任务的能力，该系统集成了从获取 EEG 信号到预测身份的所有必要主体识别步骤，而其他现有系统仅包含整个系统的部分内容。
一种新的深度学习模型，用于分类和生成脑电图
摘要：运动图像（MI）期间脑电图的分类代表了神经治疗中的一项具有挑战性的任务。在2016年，一个称为EEGNET（基于CNN）的深度学习（DL）模型及其变体引起了人们的关注，因为它们在4级MI分类中达到80％精度的能力引起了人们的关注。但是，他们可以很难解释自己的产出决策，从而阻止他们确定与受试者间可变性，概括和最佳分类有关的问题。在本文中，我们提出了一个基于EEGNET的新模型Veegnet，其目标现在是两个方面：它用于对MI进行分类，但也用于重建（最终生成）EEG信号。这项工作仍然是初步的，但是我们能够证明Veegnet能够将4种类型的MI与最新状态分类，更有趣的是，我们发现重建的信号与所谓的运动相关的皮质潜力是一致的，非常具体且相关的电动机与EEG相关的EEG模式。因此，共同培训VEEGNET对EEG进行分类和重建脑电图可能会导致其降低受试者间的性能变异性，并生成新的EEG样本以增强小型数据集以改善分类，并对神经释放产生强大的影响。
使用Multi-Branch CNN
摘要：脑–计算机接口（BCI）是一个基于计算机的系统，允许大脑与外部世界之间进行通信，从而使用户能够使用神经活动与计算机进行交互。该大脑信号是从脑电图（EEG）信号获得的。基于脑电图发展BCI的显着障碍是主题无关的运动图像数据的分类，因为脑电图数据非常个性化。深度学习技术（例如卷积神经网络（CNN））已经说明了它们对特征提取的影响，以提高分类精度。在本文中，我们提出了一个多分支（五个分支）的2D卷积神经网络，该网络为每个分支使用多个超参数。所提出的模型在三个公共数据集上实现了跨主题分类和优于EEGNET，ShandowConvnet，DeepConvnet，MMCNN和EEGNET_FUSION的有希望的结果。我们提出的模型EEGNET融合V2分别为EEGMMIDB数据集的实际和想象的运动活动达到89.6％和87.8％的精度，而BCI IV-2A和IV-2B数据集的实际运动活动分别为74.3％和84.1％。但是，该模型的计算成本更高，即，每个样本的计算时间比EEGNET_Fusion所需的计算时间大约高3.5倍。
耳鸣症状的基于学习的深度脑脑诊断
耳鸣是一种神经病理学现象，是由对外部声音的识别引起的，实际上并不存在。耳鸣的现有诊断方法是相当主观且复杂的医学检查程序。本研究旨在使用脑电图（EEG）信号的深度学习分析来诊断耳鸣，而患者执行了听觉认知任务。我们发现，在一项积极的奇怪任务中，可以使用EEG信号通过深度学习模型（EEGNET）在0.886的曲线下识别出耳鸣的患者。此外，使用宽带（0.5至50 Hz）EEG信号，对EEGNET卷积内核特征图的分析表明，Alpha活性可能在识别耳鸣患者中起着至关重要的作用。对脑电图信号的随后时间频率分析表明，与健康组相比，耳鸣组显着降低了刺激前α活性。在主动和被动奇数任务中都观察到了这些差异。与耳鸣组相比，在主动奇数球任务中，在主动奇数球任务中的目标刺激在健康组中的诱发theta活性显着更高。我们的发现表明，与任务相关的脑电图特征可以视为耳鸣症状的神经特征，并支持基于脑电图的深度学习方法诊断耳鸣的可行性。
探索QEEGNET的交叉潜力
脑电图（EEG）广泛用于神经科学和临床研究中，用于分析大脑活性。虽然诸如EEG-NET之类的深度学习模型在解码EEG信号方面已经取得了成功，但它们经常在数据复杂性，受试者间的可变性和噪声鲁棒性方面挣扎。Quantum机器学习（QML）的最新进步通过利用量子计算的独特属性来增强脑电图分析的新机会。在这项研究中，我们扩展了先前提出的量子eegnet（QEEGNET），这是一种将量子层融合到EEGNET中的混合神经网络，以研究其在多个EEG数据集中的泛化能力。我们的评估涵盖了各种各样的认知和运动任务数据集，在不同的学习情况下评估了Qeegnet的表现。实验结果表明，尽管QEEGNET的表现具有竞争性能并在某些数据集中保持稳健性，但其对传统深度学习方法的改进仍然不一致。这些发现表明，混合量子古典体系结构需要进行更优化，以充分利用脑电图处理中的量子优势。尽管有这些局限性，但我们的研究为QML在脑电图研究中的适用性提供了新的见解，并强调了未来进步必须解决的挑战。
基于深度卷积神经网络的视觉刺激分类，使用健康和阿尔茨海默病患者的脑电图信号
摘要：视觉感知是人类生活的重要组成部分。在面部识别的背景下，它使我们能够区分情绪和区分一个人与另一个人的重要面部特征。然而，患有记忆丧失的受试者面临严重的面部处理问题。如果面部特征的感知受到记忆障碍的影响，那么就可以使用来自大脑视觉处理区域的大脑活动数据对视觉刺激进行分类。本研究通过面部的反转效应区分熟悉度和情绪方面，并使用卷积神经网络 (CNN) 模型 (EEGNet、EEGNet SSVEP (稳态视觉诱发电位) 和 DeepConvNet) 从原始脑电图 (EEG) 信号中学习判别特征。由于可用的 EEG 数据样本数量有限，引入了生成对抗网络 (GAN) 和变分自动编码器 (VAE) 来生成合成 EEG 信号。生成的数据用于预训练模型，并初始化学习到的权重以在真实 EEG 数据上训练它们。我们研究了脑信号中的细微面部特征以及深度 CNN 模型学习这些特征的能力。研究了面部倒置的影响，观察到 N170 成分具有相当长且持续的延迟。结果，根据面部姿势将情绪和熟悉刺激分为两类。直立和倒置刺激类别的混淆发生率最小。该模型学习面部倒置效应的能力再次得到证明。
引用出版版本的引文：吴，x，jiang，s，li，g，liu，s，metcalfe，b，chen，l＆zhang，d 2023，''卷卷卷神经网络的深度学习
摘要 - 目的：基于卷积神经网络（CNN）的深度学习已使用头皮脑电图（EEG）在脑部计算机界面（BCIS）方面取得了成功。然而，对所谓的“黑匣子”方法的解释及其在立体情节摄影（SEEG）基于BCIS（SEEG）的BCIS中的应用仍然在很大程度上未知。因此，在本文中，对SEEG信号深度学习方法的解码性能进行了评估。方法：招募了三十例癫痫患者，并设计了包括五种手和前臂运动类型的范式。六种方法，包括过滤库公共空间模式（FBCSP）和五种深度学习方法（EEGNET，浅层和深CNN，Resnet，Resnet和一个名为STSCNN的深CNN变体），用于对SEEG数据进行分类。进行了各种实验，以研究Resnet和STSCNN的窗口，模型结构以及解码过程的影响。结果：EEGNET，FBCSP，浅CNN，DEEP CNN，STSCNN和RESNET的平均分类精度分别为35±6.1％，38±4.9％，60±3.9％，60±3.3％，61±3.2％和63±3.1％。对所提出方法的进一步分析表明，在光谱域中不同类别之间的可分离性明显。结论：重新连接和STSCNN分别达到了第一高的解码精度。STSCNN证明了额外的空间卷积层是有益的，并且可以从空间和光谱的角度部分解释解码过程。意义：这项研究是第一个研究Seeg信号深度学习的表现的研究。此外，本文证明了所谓的“黑盒”方法可以部分解释。