分享幾篇自己看過的相關論文
1.（綜述性質論文）Deep learning-based electroencephalography analysis: a systematic review
論文地址：論文地址
主要思想：
這篇綜述回顧了從 2010 年到 2018 年的 156 篇將 DL（Deep Learning，深度學習）應用在 EEG 的文章，這些論文涵蓋了不同的應用領域，如枕測、睡眠、腦機介面、認知和情感監測，并從大量的文獻中提取趨勢并突出有趣的方法，以便為未來的研究提供資訊并制定建議；
這篇綜述將分析每個專案的：1)資料、2)預處理方法、3)DL設計選擇、4)結果和5)實驗重現性；
2.EEGNet a compact convolutional neural network for EEG-based brain–computer interfaces
論文地址：論文地址
發表時間：2015年
被參考量：225
原始碼地址：https://github.com/vlawhern/arl-eegmodels
主要思想：
這里作者的問題是否可以設計一個單一的CNN架構，以準確地分類腦電圖信號從不同的BCI范式，同時盡可能緊湊的方法，在文中作者介紹了EEGNet，一個緊湊的卷積神經網路，用于腦電圖基礎的BCIs，引入深度和可分離的卷積來構造一個特定腦電圖模型，該模型封裝了腦電介面的特征提取概念，通過四種BCI范式將EEGNet與當前最先進的方法進行比較:P300視覺誘發電位、錯誤相關負性反應(ERN)、運動相關皮層電位(MRCP)和感覺運動節律(SMR)，主要的結果表明，當在所有測驗的范例中只有有限的訓練資料可用時，EEGNet在跨范例上的泛化優于參考演算法，并且取得了與參考演算法相當的高性能，
3.EEG-Based Biometrics Utilizing Image Recognition for Patient Identification
論文地址：論文地址
發表時間：2020年
主要思想：
生物特征識別技術利用指紋、人臉檢測、聲波等技術，在許多不同的安全領域得到了廣泛的應用，在醫療領域，使用患者腕帶或患者卡進行身份識別可能會導致病歷錯誤，為了克服這些局限性，本文提出了一種利用腦電圖信號對患者身份進行分類的新方法，從而避免了誤治，系統采用OpenBCI Cyton、EEGlab、MATLAB、帶通濾波器等多種硬體和軟體，這項研究的主要目的是通過觀察一系列觸發注意力和記憶的影像來捕捉信號，從而突出每個人的每個腦電圖信號模式的識別，
4.DEEP LEARNING WITH CONVOLUTIONAL NEURAL NETWORKS FOR DECODING AND VISUALIZATION OF EEG PATHOLOGY
論文地址：論文地址
原始碼地址：https://github.com/robintibor/auto-eeg-diagnosis-example
資料集：資料集地址
主要思想：
作者在 TUH EEG 資料集應用卷積神經網路來區分病理與正常腦電圖記錄，即使用兩種基本的，淺層的和深層的卷積神經網路架構來解碼來自腦電圖的任務相關資訊，至少是針對這一目的而設計的已建立的演算法；
在腦電圖病理解碼中，兩種卷積神經網路的準確率都比該資料集的唯一公布結果高(≈85% vs.≈79%)，并且在每次記錄 1 分鐘進行訓練和每次記錄 6 秒進行測驗時，兩種方法的準確率都更好；
持續更新中…
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/209708.html
標籤：java