是馒头阿-CSDN博客

原创 63、上海大学：MSConvNet-多尺度卷积神经网络解码大鼠运动疲劳数据[攒劲的模型来喽]

上海大学2024.4.8杨老师及其团队还是强，几乎成了这个一区文章的常客了，在脑机接口领域没有专门的顶刊，这个期刊可以说是BCI的顶刊了，无论是权威性还是含金量都是很高的，之前讲过的这个期刊文章是EEGNex，我拿了两篇博客来讲这个模型，本次我也是边看此文边写本篇博客，看看本创新模型会给我们带来哪些启发呢。

2024-06-18 13:52:46 1071

原创 62、忠北国立大学计算机科学系：FingerNet-专门用于细致MI分类的神经网络模型

脑-计算机接口（BCI）技术促进了人脑与计算机之间的通信，主要利用脑电图（EEG）信号来解读人类意图。虽然基于 EEG 的 BCI 系统已经为瘫痪患者开发出来，但正在进行的研究探索了用于言语意象和运动意象（MI）的系统。本研究介绍了 FingerNet，这是一个专门用于细微 MI 分类的网络，与传统的粗略 MI 研究不同。FingerNet 可以从 EEG 信号中提取空间和时间特征，提高了在同一手中的分类准确性。实验结果表明，在分类五个手指敲击。

2024-05-29 16:18:53 952

原创 61、内蒙古工业大学、内蒙科学技术研究院：CBAM-CNN用于SSVEP - BCI的分类方法[脑机二区还是好发的]

对于基于稳态视觉诱发电位(SSVEP)的脑机接口(BCI)系统，传统方法对短时窗SSVEP信号难以获得满意的分类效果。本文提出了一种基于卷积神经网络(cam - cnn)的融合多子频段和卷积块注意模块(CBAM)分类方法，用于识别SSVEP-BCI任务。该方法提取多个子频段的SSVEP信号作为网络模型的初始输入，然后对所有特征输入进行特征融合。此外，CBAM嵌入到初始输入和特征融合的两个部分，用于自适应特征细化。

2024-05-13 10:56:25 1136

原创 60、郑州大学附属肿瘤医院：用于预测胃癌患者术后生存的深度学习模型的开发和验证[同学，我们的人生应当是旷野]

我近期看了一下北京的脑机公司，大概是我之前对这一行业太过于乐观，北京的BCI公司和研究所，比上海、深圳、杭州甚至是重庆都要少，门槛也要高很多。也有我自己的原因，有时站的太高，看得太远，反而忽视了BCI的发展进度和同学们的学习程度，这些公司对于同学们还是有难度的，这像古人说的：‘何不食肉糜？’，这种现象也发生在我和其他所谓的专家身上，好比专家质问外卖小哥：‘送外卖时可以把家里的宝马X5租出去开出租，可以把家里150平的房子也出租嘛，这部都是收入’，还好我及时省身。

2024-05-06 16:57:26 918 1

原创 59、馒头关于对国内脑机接口部分公司的介绍[按照地区分类]

但令我忧虑的是BCI初创公司太多了，这些初创公司一年不知S多少个，对于应届生就业不友好，他们招人门槛低，但是摆脱不了初创企业的弊病，比如技术不行、领导甩锅严重、对于应届生个人职业发展前途很不好，这是我所忧虑的。在这里，我提醒各位学生，看任何一家公司能不能长远，先去看它有没有自己成熟的一套产品，有了产品说明技术大差不差的成熟了，一是你能学到东西，二是这脑机公司可以盈利了，能活下去。这些公司里面真正搞技术的不多（不多但真有），鱼龙混杂的多，真正做实事的少，其中里面不乏有较为出名的脑机大公司，也是乏善可陈。

2024-04-28 14:37:10 669 1

原创 58、教授学生关于脑机模型论文的批判性学习，以FB-EEGNet为例[吾少时握剑，便知天下第一]

本次讲解的模型由重庆邮电大学计算机、自动化学院于2022年7月在（不是，这个三区的期刊影响因子好高啊）发表。本模型在基于EEGNet结构的基础上，在模型最前面加入了FBCSP（空间滤波器组），对原始EEG信号进行不同频带的滤波，再输入到完整的EEGNet中提取时域频域的特征用于分类，在2个SSVEP数据上均达到SOTA水准，优于EEGNet、CCNN、CCA、FBCCA。

2024-04-22 15:47:49 742

原创 57、通过EEG数据的SHAPE变化，揭开EEG-TCNet的黑匣子[看好了小子，我只教这一次]

之前在第18篇博客中对于EEG-TCNet这个处理EEG信号的sota模型进行了介绍，也给出了模型，目前也是全网对于EEG-TCNet浏览度最高的文章了，我觉得讲的已经很细致了，没想到还是有不少同学疑问，这也是全网缺少该模型pytorch代码的原因，因为pytorch中没有封装TCN模块，无法直接调用，而在Tensorflow中可直接调用，废话不多少，上菜：

2024-04-18 17:05:29 1064

原创 56、巴利亚多利德大学、马德里卡洛斯三世研究所：EEG-Inception-多时间尺度与空间卷积巧妙交叉堆叠，终达SOTA！

近年来，深度学习模型因其优异的性能和从原始数据中提取复杂特征的能力而受到脑电图(EEG)分类任务的关注。特别是卷积神经网络(CNN)在基于事件相关电位(ERP)等不同控制信号的脑机接口(BCI)中表现出了良好的结果。在这项研究中，我们提出了一种新的CNN，称为EEG-Inception，它提高了基于erp的辅助脑机接口的准确性和校准时间。据我们所知，EEGInception是第一个集成了用于ERP检测的Inception模块的模型，它与轻量级架构中的其他结构有效地结合在一起，提高了我们方法的性能。

2024-04-12 15:07:29 924

原创 55、美国德克萨斯大学奥斯汀分校、钱德拉家族电气与计算机工程系：通过迁移学习解决BCI个体差异性[不得不说，看技术还得是老美]

我们发现，随着两项任务中任务导向脑机接口性能的提高，我们的框架促进了受试者获得个体脑机接口技能的能力，因为专家受试者最初的神经生理控制特征进化并成为特定于受试者的特征。因此，我们提出的框架促进了无需校准的脑机接口，并对更广泛的人群有直接的影响，例如患有神经系统疾病的患者，他们可能难以提供合适的初始校准数据。虽然所有的表现指标(RCT、NKV和CL)在训练开始时在PAR框架中显示出不显著的更好的分数，但在训练结束时，这些分数的组间差异相当小，最终在RCT中略有恢复(补充材料，补充统计分析)。

2024-04-02 17:24:09 782

原创 54、对图神经网络的可靠性解释评估[天才只是见我的门槛罢了]

最近还是在搞GCN，使用GCN处理EEG，结果做出来了，我们需要对模型结果进行解释，那如何解释呢？如何评估解释子图的quality是 Explainable GNNs中一个重要问题。现有的评估方法通常有两种，一通过和Ground Truth (GT)进行比较，二为通过Fidelity进行评估。Fidelity核心思想是比较子图预测结果和原图预测结果的差异。本文展示了Fidelity指标 (包括、Fid+、Fid-、Fid. )固有的局限性。

2024-03-27 15:46:00 1229

原创 53、简述GCN、NIR、FMIR技术在脑机BCI的发展调查[什么？你咋也叫王富贵？]

最近在搞GCN处理EEG，调查了十几篇文献，总结了一些东西，和学生分享一下，此处只分享一些较为浅显的知识。如下：1、计算机视觉：图卷积神经网络在计算机视觉中的应用包括图像分类、场景图、点云图和视觉推理等。2、自然语言处理：序列标注等单词级任务、文本分类等句子级任务3、生物化学：在生物化学领域,研究人员利用图卷积神经网络来研究分子化合物和蛋白质的结构与性质,把其中的原子或残基看作节点,化学键或链作为边。该领域中主要的任务包括节点分类、图分类以及图的生成。4、推荐系统：推荐系统是图卷积神经网络在工业界最为成熟的

2024-03-22 10:53:38 928 2

原创 52、馒头详谈CNN十大经典模型[其实我叫王富贵]

总结了10种基础的CNN模型，用于DL小白的学习。此外，会建模的同学上手BCI还是比较容易的，只需要学习分析处理各种EEG数据，学会预处理和特征提取（机器学习）就可以了，后续再大量的阅读相关的DL+EEG的论文，丰富自己的建模和数据处理经验即可，希望大家一步一个脚印，持之以恒的学习下去。

2024-03-20 17:29:04 316

原创 51、CR-GCN：EEG通道拓扑结构+脑功能连接捕获EEG通道关系，用于情感识别[我处理的是原始EEG数据哦]

即使大脑两个电极或者两个脑区之间的功能层面的联系很强，也并不能说明这两个脑区之间存在神经元，把这两个脑区连在一起。之间连接的强弱和连接的方向（谁影响谁，存在一个从一个电极到另一个电极的信息流）：源定位技术得到每个脑区的激活，再分析脑区之间的连接。脑区、电极二选一评估。

2024-03-19 17:29:40 1222

原创 50、东北大学、阿尔伯塔大学：Hi-GCN从2个层次角度进行图学习，用来诊断脑部疾病[你这和MVS-GCN套娃呢？]

为了从大脑网络中获得更好的图嵌入，我们开发了一种新的、原则性的网络嵌入学习框架，通过GCN有效地整合群体中受试者之间的相关性。本文提出的hi-GCN方法从层次的角度进行图嵌入学习，同时考虑了个体大脑网络的结构和整体群体网络中受试者的相关性，能够捕捉到最本质的嵌入特征，提高疾病诊断的分类性能。不讲五的，20年发的这个文章，22年也搞得GCN，都发的生物医学cs的这个顶刊，看来这两学校是在脑机模型是专门搞GCN的，也是实验室前辈遗留问题，20年从层次上研究GCN处理EEG，22年搞多视角，emm。

2024-03-13 16:36:29 570 2

原创 49、东北大学、阿尔伯塔大学：MVS-GCN多视角脑区、具有先验脑结构学习的图模型[GCN六元理论识别所有EEG！]

我们在公开的ABIDE数据集和ADNI数据集上进行了大量的实验来验证我们模型的有效性，这表明我们的MVS-GCN与最先进的方法(包括替代传统方法、基于gns的方法和非图深度学习方法)相比，取得了令人满意的性能。本文提出的MVS-GCN方法从多视图图嵌入学习的角度进行图嵌入学习，同时考虑消除脑网络的异质性，增强功能子网络的特征表示，能够捕获必要的嵌入，提高脑障碍诊断的分类性能。尽管图卷积神经网络在脑网络分析领域取得了巨大的突破，但脑网络上的图嵌入学习面临着一些挑战，包括受试者的异质性和脑网络中的噪声连接。

2024-03-12 18:02:19 998

原创 48、兰州大学、青海师范：专门用于深度CNNs的天阶斗技-ELA Local Attention

作者分析了坐标注意力（CA），并通过实验验证了其在卷积神经网络（CNN）结构中对批量归一化（BN）和通道维度减少的负面影响。基于上述分析，作者提出了一种轻量级且高效的局部注意力（ELA）模块。这个模块帮助深度CNN更准确地定位感兴趣的目标，在仅增加少量参数的情况下显著提高了CNN的整体性能。在包括ImageNet、MS COCO和Pascal VOC在内的流行数据集上的大量实验结果表明，作者提出的方法在性能上超越了当前的最新注意力方法，同时保持了有竞争力的模型复杂度。

2024-03-08 14:34:39 1330

原创 47、处理EEG数据的隐藏王者：手推图神经网络GCN[CNN宗主不过如此！]

做图像识别，图像是一个二维的结构，CNN使用Kernel和Stride在图片上平移，通过卷积的方式来提取特征。关键在于图片结构的平移不变性，一个kernel小窗口无论移动到图片的哪个位置，它的内部结构都是一样的，所以CNN可以实现参数共享。处理对象是自然语言这种序列信息，它是一种一维结构，RNN通过各种门的操作，使序列前后的信息互相影响，从而捕获序列的特征。做目标检测识别时，我们关注的是图片上的需要识别的关键点，把这些点连接组成也是一种图。的数据，所以才有维度的概念，其特点就是数据结构很规则，但是。

2024-03-06 15:04:52 1194

原创 46、Numpy手推共空间模式CSP，用于脑电EEG信号分类

一、Numpy实现CSP公式及对应的代码实现代码：1、定义了一个计算切好段的EEG数据的平均协方差矩阵的函数：数据输入三维度2、然后使用一个，通过，对数据每个样本计算协方差矩阵，并使用cov计算的矩阵3、最后先使用将格式，再用计算cov中每个样本的协方差的均值，在x轴上计算4、返回cov平均协方差数组这里定义一个函数，用于求，用于后面的2、使用函数求avg_cov的3、使用对特征值进行，再使用4、使用函数求降序排列的特征值对应的5、使用第四步求出的降序索引，对特征值对应的特征向量进行降序排序6、使用。

2024-03-05 18:11:53 1274 2

原创 45、上海大学：轻量级多特征神经网络M-FANet，用于MI-BCI解码

因此，在提取空间维度的特征时，不应将通道视为平等的，而应将重点放在与MI相关的领域。为了捕获频域内的相关信息，设计了基于注意机制的频带注意模块，实现了自适应频率滤波，来接受步骤0输出的带通频率数据。•提出一种轻量级的多特征注意神经网络(M-FANet)，该网络通过从EEG信号中提取更广泛的特征，并使用多个注意模块来有效地利用它们来增强MI任务的分类性能。也就是因为该团队接了国自然项目，要搞心肌梗死的识别，这里先不完全使用全部的空间信息，只使用局部的相应的通道中的与心肌梗死有关的特征。

2024-02-27 16:10:13 893

原创 44、Sora+Apple Vision Pro：鹰酱AGI+元宇宙只需一年？

国内AI一些大佬对Sora做出评价：因为Sora超强的性能，美国AGI将从10年缩短为1-2年，可以想象，当我们带上Apple Vision Pro，对着Sora说一些自己的设想，比如想去哪旅游，想去火星漫步，想去马里亚纳海沟摸摸巨龟，化身闪电侠超光速奔跑逆行时间，上天下地，都可以凭借这两者实现。因为需要好的估时剧本，好的导演，好的演员，大家配合才能演绎出一个经典的电影。而且动作连续，还有一定的艺术性，没有生硬的感觉。在60s的视频内，可以在保持主角色不变的高度一致性的同时，还生成多个不同角度的分镜。

2024-02-20 17:20:25 834

原创 43、深圳清华、腾讯AI Lab、程鹏实验室：DreamDiffusion将人类大脑所想生成高质量图像[盗梦空间实现第一步：思想具现化]

本文介绍了DreamDiffusion，这是一种直接从脑电信号中生成高质量图像的新方法，无需将思想转化为文本。DreamDiffusion利用预训练的文本到图像模型，并采用时间掩蔽信号建模来预训练EEG编码器，以获得有效和稳健的EEG表示。此外，该方法还利用CLIP图像编码器提供额外的监督，以更好地将EEG、文本和图像嵌入与有限的EEG图像对对准。总体而言，所提出的方法克服了使用脑电信号进行图像生成的挑战，如噪声、有限信息和个体差异，并取得了有希望的结果。定量和定性结果表明，

2024-02-19 17:34:39 1413

原创 42、馒头详谈脑电设备

脑电设备作为脑机接口技术的中层，有着承上启下的作用，设备采集的脑电信号质量如何，直接关乎着后续的模型的训练，虽然我们拿到原始EEG信号后会做一些预处理，比如工频滤波，通道加权平均，ICA去伪迹等工作，但若是设备性能太差，比如电极接触不良等原因，导致原始信号太差，再好的预处理也无济于事。下面就跟随我的脚步，认识一下各个脑电设备吧~

2024-02-06 13:29:57 1106

原创 41、清华、首都医科大学宣武医院完成首例无线微创脑机接口临床试验

该系统采用无线微创设计，体内机埋在颅骨内，电极覆盖在硬膜外（硬膜位于颅骨和大脑皮层之间，起到保护神经组织作用），不损伤大脑细胞，手术后10天患者出院回家。居家使用时，体外机隔着头皮给体内机供电，并接收脑内的神经信号，传送到电脑或者手机上，实现脑机接口通信。在上一篇博客中写的是马斯克属下公司Neuralink已经完成世界首例人类大脑设备植入的手术，我对其公司技术和该项举措的意义进行了详细的分析，就在同一日晚，清华大学1月30日电，2023年10月24日，清华大学医学院洪波教授带领团队设计研发的。

2024-02-06 13:14:06 400

原创 40、馒头详谈Neuralink公司，完成人类首例人脑芯片植入手术

脑电采集设备的导联数，决定了采集到的EEG信号的精确程度，数据越好，扔给AI模型处理后能达到的精度就越高，就越能训练出高智能的AI模型。与此同时，也同样由于信号质量的限制，以及一个更绕不过去的问题——神经信号的个体差异，也造成了脑机接口相关的各种信号的大型标准化数据集的缺乏。的企业，很可能有更可靠的技术——事实证明他们的stentrode确实在植入后有从当前情况看更优良的稳健性，除此之外各种实验室和企业肯定也有很多值得一提的研究，在此就不一一赘述了。关系，正如图像中的色彩信息为同样内容图像增加的信息量）。

2024-01-30 15:31:12 1057

原创 39、FlatFormer:MIT+交大+清华共同提出，更加高效的Transformer[无绳蹦极第一人！]

Transformer，作为CNN的替代品，已在许多模态（例如，文本和图像）中证明其有效性。对于3D点云Transformer，现有研究主要集中在将它们的准确性推至最先进水平。然而，它们的延迟落后于稀疏卷积模型（3倍 slower），这阻碍了它们在资源受限、延迟敏感的应用中的使用（例如，自动驾驶）。这种低效性源于点云的稀疏和不规则性质，而Transformer是为了密集、规则的工作负载而设计的。本文提出了FlatFormer，通过以空间邻近度为代价换取更好的计算规律来弥补这一延迟差距。

2024-01-30 14:14:01 1015

原创 38、FB-tCNN:基于时域的EEG信号神经网络分析模型[你也听说过我的故事?]

因此，作者自己数据集中的滤波器组的3个子滤波器带通范围为：7-17 Hz、16-32 Hz和25-47 Hz，公开数据集的滤波器组的4个子滤波器带通范围为：3-14 Hz、9-26 Hz、14-38 Hz和19-50 Hz。其中典型相关分析（CCA）是众多传统方法中的一种比较典型的方法，它通过确定采集的数据与刺激目标信号模板之间的相关性来识别SSVEP。考虑到精度和ITR之间的权衡，表1展示了作者的数据集和这些方法产生的公开数据集中所有被试在0.2 s的平均精度，以更具体地展示FB-tCNN的性能。

2024-01-25 15:45:48 1203 2

原创 37、岁末随笔一：我与脑机接口

我于是研一下半年课少没事做，也报名了，审核通过，一天150块人民币，不管饭的昂，本科120，硕士150，多的那30块是饭补。嗯，确实，我八小时工作时间能做完每天的活。到年末了，今年在我身上发生了很多事情，比如我毕业了，找了一些工作，拿到了一些offer，也想继续出国深造，但因为种种原因我还是在国内继续从事于BCI—人因工程行业。之前吐槽过不少国内BCI的硕博老师了，其实别的专业也是如此，遇到一个好的老师真是人生贵人，可惜我没这福气，只有自己一步一个脚印去试错，但试错是有成本的，还好，目前这成本我还付得起。

2024-01-24 15:01:42 640 5

原创 36、Siamese Network：人类第一次使用孪生神经网络处理EEG生理信号，用于运动想象分类

这篇论文是3区文章，是因为他建的这个模型未达到2a数据上的SOTA水准，精度差EEGNet一截。但也是前辈目光远大的尝试，值得我们尊敬。此外，也欢迎大家加入我们的脑机接口群聊，本人每天会分享一些资料，主要是CNN、RNN，Transfomer等DL模型用于处理BCI生理数据，涉及到BCI数据的预处理，特征工程，建模(ML,DL都有)，结果可视化(混淆，ACC、AUC、F1等值)一套完整的流程，助力大家使用深度学习处理BCI数据。

2024-01-24 11:35:02 1167 1

原创 35、HAM:超强性能的深度卷积神经网络混合注意力模型[五档上坡第一人！]

大家可以尝试使用HAM加到一些模型中，比如EEGNet等模型，去处理EEG、EMG等数据，那这个HAM怎样加，加在哪好，加进去数据输入shape怎样设计是新的新题和挑战啦。也欢迎大家加入我们的脑机接口群聊，本人每天会分享一些资料，主要是CNN、RNN，Transfomer等DL模型用于处理BCI生理数据，涉及到BCI数据的预处理，特征工程，建模(ML,DL都有)，结果可视化(混淆，ACC、AUC、F1等值)一套完整的流程，助力大家使用深度学习处理BCI数据。最后也会不定时发一些。

2024-01-23 11:32:46 1472

原创 34、StoHisNet：CNN+Transformer结合首次用于胃病理图像4分类[奔狼怎配质疑雄狮!]

该研究提出了一个基于CNN和Transformer的混合模型StoHisNet。与其他模型相比，StoHisNet在胃癌病理图像的多分类方面表现出更高的性能(包括更高的准确率、F1分数、精度、召回率和混淆矩阵)。此外，在对三种不同的组织病理图像数据集进行评估后，StoHisNet显示出很强的泛化和鲁棒性。在乳腺癌和子宫内膜疾病的对比实验中，StoHisNet也优于其他模型。此外，这是第一次将Transformer应用于胃癌病理图像的多分类任务。

2024-01-19 10:31:22 1378 2

原创 33、病隙随笔——浅聊脑机接口BCI

于是你开始学习别的知识，比如你开始学习前端后端，学习Java，学习Linux，甚至学习游戏编程，但是你依然会看一些脑机接口论文，但是看的一塌糊涂，看到国内一些核心期刊文章，觉得水，建个浅层CNN把睡眠数据做个分类，模型结构也不贴，贴了模型结构的数据输入shape也没有。高到养活了国内大几百的硕博老师，他们水平良莠不齐，我对于国内BCI的读博条件和土壤是否定的，当年申请国内博士，联系了不少好的高校的老师，但挺失望的，并不是不要我，而是真的他们就不只是搞学术的，一言难尽。想申博的同学私聊我，我可以说一些学校。

2024-01-16 11:24:57 666 9

空空如也

空空如也