精读论文4——《Deep learning for electroencephalogram (EEG) classification tasks: a review》

最新推荐文章于 2023-01-10 23:25:18 发布
最新推荐文章于 2023-01-10 23:25:18 发布
阅读量4.6k 收藏 5
点赞数
文章标签： 机器学习 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_62353117/article/details/123404394
版权

这篇文章是一篇关于用于EEG分类的深度学习方法的综述：发表在Journal of Neural Engineering 

Which EEG classification tasks have been explored with deep learning?

共有六种分类的任务：运动想象任务（Motor imagery tasks）、脑力工作任务（Mental workload tasks）、癫痫检测任务（Seizure detection tasks）、睡眠阶段评分任务（Sleep stage scoring tasks）、事件相关电位任务（Event related potential tasks）

Preprocessing methods

关于伪影去除的策略：不同的分类任务有不同的滤波范围，伪影去除的方法有四种：手动去除（独立主成分分析ICA或离散小波变换DWT的方法）、自动去除、不处理

 

What input formulations have been used for training the deep networks?

cal

最低0.47元/天 解锁文章
一颗卷菜
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
EEGClassification.zip
12-22
实现脑电信号的情绪分类，1.特征提取方法：自回归（Autoregression，AR），公共空间模式（Common Spatial Pattern ，CSP），离散小波变换（Discrete Wavelet Transform，DWT）和功率谱密度（ Power Spectral Density，PSD）； 2. 特征分类方法：Bagging、Boosting、AdaBoost
脑电EEG概念解释及深度学习结合
热门推荐
f的博客
12-01 4万+
这篇文章，是我做完毕设写的，机器学习的脑电信号的四分类，基于python的代码。 下面是过程中的经验吧，希望你能快速上手，快速有一些基础。 获取了数据还要读懂数据，周期，时间，采样频率，通道等等信息，可以通过说明文档，一般数据都会有。或者用matlab打开数据集来获取。 一、脑电信号数据 开源数据集，注意数据的格式，我用过，mat，gdf，以前都没处理过......
图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
KPer_Yang的博客
01-10 3305
图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
脑电EEG代码开源分享 【6. 分类模型-深度学习篇】
weixin_44425788的博客
09-29 9559
科学家认为目前的深度学习瓶颈需要人脑结构的启发，类脑智能逐渐兴起， 人脑智能的感知能力 + 机器智能的高效处理，混合智能在不断探索。 分类模型-深度学习篇主要介绍了基础的网络结构框架 ，将深度学习解决脑电领域问题，形成【BCI + AI】的处理框架，为脑机接口的科研开辟了新赛道、新领域。 本文介绍了3种经典模型架构，分别是：图像领域的卷积神经网络（CNN），语音领域的长短时记忆网络（LSTM）,社交领域的图神经网络（GNN）。大家可以根据自己的任务需要和数据特点，神经网络的灵活性和模块化方便广大学者尝试和探
Deep Learning for EEG-Based Preference Classification in Neuromarketing文章精读导读，深度学习在神经营销中基于脑电的偏好分类
weixin_41872791的博客
08-20 3057
深度学习在神经营销中基于脑电的偏好分类博主的小前言1 介绍 Introduction2 研究背景 Background2.1 神经营销 Neuromarketing2.2 脑机接口 BCIs2.3 脑电波 EEG2.3.1 节律 Rhythms2.3.2 瞬时活动 Transient activities3 文献综述 Literature Review3.1 偏好中的神经相关性 Neural Correlations of the Preference3.1.1 接近退缩动机指数 AW Index3.1.2
EEG-Feature-Extraction-Toolbox:该工具箱为脑电图 (EEG) 应用提供了 30 种 EEG 特征提取方法（HA、HM、HC 等）
05-29
Jx-EEGT：脑电图（EEG）特征提取工具箱 《迈向人才科学家：共享与学习》---介绍此工具箱提供 30 种类型的 EEG 功能A_Main文件显示了如何使用生成的样本信号应用特征提取方法。输入X : 信号 (1 x样本) opts : 参数...
Fuzzy support vector machine for classification of EEG signals using wavelet-based features
02-20
Translation of electroencephalographic (EEG) recordings into control signals for brain-computer interface (BCI) systems needs to be based on a robust classification of the various types of information...
A Novel Approach for Lie Detection Based on F-Score and Extreme Learning Machine
02-11
A new machine learning method referred to as F-score_ELM was proposed to classify the lying and truth-telling using the electroencephalogram (EEG) signals from 28 guilty and innocent subjects....
Low-Cost-EEG-Based-BCI:基于低成本脑电图的脑机接口
05-30
该项目使用来自用户的实时 EEG 来控制使用稳态视觉诱发电位的简化键盘。 在启动时，用户应盯着其中一个复选框记录基线 EEG。 一旦复选框开始闪烁，用户就可以开始进行选择。 有五个闪烁的复选框，每个闪烁的频率...
Normalized mutual information feature selection for electroencephalogram data based on grassberger entropy estimator
02-22
Normalized mutual information feature selection for electroencephalogram data based on grassberger entropy estimator
EEG-classification-based-on-Neural-Network
05-18
基于脑电分类的深度学习 这是一个基于深度学习实现脑电分类的项目。 有关更多详细信息，请参阅此回购中的pdf文件“基于深度学习的脑电信号分析和命令识别研究” .pdf。
【基于深度学习的脑电图识别】综述篇（一）：Deep learning-based electroencephalography analysis: a systematic review
梁瑛平的博客
03-05 5601
Deep learning-based electroencephalography analysis: a systematic review摘要： 摘要： 脑电图(EEG)是一个复杂的信号，一个医生可能需要几年的训练并利用先进的信号处理和特征提取方法，才能正确解释其含义； 而如今机器学习和深度学习的发展，表明它们在 ...
EEG分类算法 of 迁移学习
小崔的博客
10-24 1368
论文分析 《A review of classification algorithms for EEGbased brain–computer interfaces: a 10 year update》 To cite this article: F Lotte et al 2018 J. Neural Eng. 15 031005
EEG论文阅读和分析：《Differential entropy feature for EEG-based emotion classification》
KPer_Yang的博客
01-10 1008
EEG论文阅读和分析：《Differential entropy feature for EEG-based emotion classification》
GAT：GRAPH ATTENTION NETWORKS
LoveKKarlie_的博客
06-05 176
GRAPH ATTENTION NETWORKS ICLR2018 利用masked self-attentional layers来解决基于图卷积或其近似的先前方法的缺点。通过堆叠节点能够参加邻域特征的层，隐式的向邻域中不同节点指定不同权重，不需要任何类型的高耗的矩阵操作（例如反转）或者屈居于了解图表结构前期 ...
深度学习+EEG：一种采用单通道EEG检测被试注意力状态的卷积神经网络构架
悦影科技
01-13 3997
脑机接口(BCI)系统可以记录并处理大脑信号并将其转换为输出命令，其可用于各种应用场景，如辅助技术，神经康复和认知增强等。在各种用于脑信号记录的技术中，脑电图（EEG）是BCI研究中研究最多的方法。而基于EEG的认知BCI，旨在评估和增强诸如注意力等认知功能。 之前的研究更多的关注于选取合适的特征，以将其用来对注意力程度进行分类。用于监视专注精神状态的现有技术方法主要与EEG频带中的特定频段有关。大量的研究调查了注意力引起的beta，alpha 和不同频段之间能量比值的变化。总体而言，很多研究认为像beta
【基于深度学习的脑电图识别】应用篇：DEEP LEARNING APPROACHES FOR AUTOMATIC ANALYSIS OF EEGS
梁瑛平的博客
03-09 2659
DEEP LEARNING APPROACHES FOR AUTOMATIC ANALYSIS OF EEGS摘要：数据：时序信号的时序建模： 摘要： 在本章中，我们将讨论各种深度学习架构在自动捕获检测中的应用，研究的体系结构包括多层感知器(MLPs)、卷积神经网络(CNNs)、长短时记忆网络(LSTMs)、选通递归单元(GRUs)和残差神经网络(ResNets)； 数据库使用了 TUH-EEG ...
【CVPR 2021】Joint Generative and Contrastive Learning for Unsupervised Person Re-identification
Joselynzhao
10-19 1209
方法概述 1，提出了一种用于无监督行人重识别的联合生成对比学习框架，生成和对比模块互相提高对方的性能。 2， 在生成模块中，我们引入了3D网格生成器。 3， 在对比模块，我们提出了一种视角无关的损失，来减少生成样本和原始样本之间的类内变化。 文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献 内容概要 论文名称 简称 会议/期刊 出版年份 baseline backbone 数据集 Joint Generative and Contrastiv.
基于深度学习的脑电图分析
cc1609130201的博客
06-17 3525
脑电图(EEG)是一种复杂的信号，可能先进的信号处理和特征提取方法才能正确解释。最近，深度学习(DL)由于其从原始数据中学习良好特征表示的能力，在帮助理解脑电图信号方面显示了巨大的潜力。然而，DL是否真的比传统的脑电图处理方法更有优势？仍然是一个悬而未决的问题。在本文中，我们回顾了2010年1月至2018年7月发表的154篇将DL应用于脑电图的论文，这些论文涉及：癫痫、睡眠、脑机接口、认知和情感监测等不同的应用领域。我们从这一庞大的文献中提取趋势和突出有趣的方法，以便为未来的研究提供信息并制定建议。我们的分
eeg doa'ldoal10-20 国标xy位置
最新发布
07-01
### 回答1： eeg doa'ldoal10-20是一种脑电图（Electroencephalogram，简称EEG）电极配置标准，用于记录人类脑电图信号。10-20代表了电极放置的一种位置系统，即在头皮上以10%和20%的间隔划分了一系列位置。国际上普遍采用这种电极放置位置，能够较好地覆盖整个脑区。 该电极配置系统通常使用21个电极，它们分布在头皮上的不同部位。具体的位置是根据十分比例确定的，例如Fp1和Fp2代表前额位置，F3和F4代表左右额叶位置，C3和C4代表左右中央位置等等，总共包括了大脑的前额叶、顶叶、中央回、枕叶等主要区域。这些位置分布成网格状，方便记录和分析脑电信号的来源和活动。 XY位置是指头皮表面上的横纵坐标，用于更具体地描述电极的位置。在10-20标准中，横坐标（X）是从左到右的位置，纵坐标（Y）是从前额到枕部的位置。通过测量和计算XY位置，可以更准确地确定电极的位置，以便于对脑电图数据进行分析和比较。 总之，eeg doa'ldoal10-20是一种常用的脑电图电极配置标准，它通过21个电极分布在头皮的特定位置，覆盖了大脑的主要区域。XY位置表示电极在头皮上的具体坐标，用于更精确地描述电极的位置。这一标准在脑电图研究和临床应用中被广泛使用。 ### 回答2： eeg doa'ldoal10-20 国标xy位置是指颅电图电极国际标准的十分之一二十制的位置标记法。这种标记法是用于记录颅内电活动的位置，以便研究大脑的功能和诊断脑部疾病。 在颅电图中，doa'ldoal10-20代表了一种常用的电极放置系统，其中的10和20分别代表了头的前后两个位置。这个系统将头的上下两侧分为五个相等的部分，从前额到枕部，分别用A、B、C、D、E来表示。具体的xy位置就是指在这些部位上，使用国际标准放置电极时的具体位置。 在eeg doa'ldoal10-20国标xy位置中，x轴代表头的左右方向，从左到右依次用负值（负号"-"）和正值（无符号整数）来表示。负数代表电极位于中线的左侧，正数代表电极位于中线的右侧。y轴代表头的前后方向，同样从前往后用负值和正值来表示。负数代表电极位于头的前部，正数代表电极位于头的后部。 通过这种国际标准的电极位置标记法，可以准确地记录颅电图中电极的定位，便于不同实验室和研究者之间的数据交流与对比。这种标记法的广泛应用使得颅电图在临床和科研中有了更加统一和可靠的数据分析基础。 ### 回答3： EEG DOA'ldoal10-20国标XY位置是指脑电图电极的布置位置，是一种常用的国际标准，用于记录和研究人脑的电活动。 10-20是指以头的中央线为基准，将头部水平分为10部分，并在这10个位置上设置电极。每个位置的电极都有特定的表示方式，其中奇数位置相对于中央线的左侧，偶数位置相对于中央线的右侧。 国标XY位置指的是在脑电图摆放电极时的具体位置。X轴表示电极在头部水平方向的位置，从前额到枕部，从Fp1到O2；Y轴表示电极在头部前后方向上的位置，从头顶到颈部，从Fp1到T10。 国标XY位置的设计是为了方便记录和比较不同人之间的脑电图数据。通过将电极摆放在特定位置，可以准确测量并记录脑电活动在头部不同区域的分布情况。 这种标准化的电极布置方案可以确保实验结果的可重复性和相互比较的准确性。无论是在临床医学中的脑电图检查，还是在科学研究和脑机接口等领域的实验中，都广泛使用了10-20国标XY位置。 总之，EEG DOA'ldoal10-20国标XY位置是一种标准化的脑电图电极布置方案，通过将电极放置在特定的头部位置，可以准确测量和记录不同区域的脑电活动，为临床和科研提供了重要的数据基础。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值