【基于深度学习的脑电图识别】基于卷积神经网络的脑电图解码及可视化

最新推荐文章于 2025-03-04 17:16:17 发布
最新推荐文章于 2025-03-04 17:16:17 发布
阅读量3.9k 收藏 49
点赞数 10
分类专栏： 基于深度学习的脑电图识别 文章标签： 神经网络 卷积 深度学习 计算机视觉 人工智能
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/weixin_44936889/article/details/104967430
版权
本文介绍了使用卷积神经网络（CNN）对TUH EEG数据集进行脑电图病理与正常状态识别的研究。作者提出两种架构，深层和浅层CNN，均在病理解码任务中取得超过85%的准确率，优于现有方法。通过自动化超参数优化和结合上下文信息，如年龄，进一步提升了准确性。研究证明，直接使用原始时序数据作为输入并调整池化层位置可以提升模型性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Deep learning with convolutional neural networks for EEG decoding and visualization

1. 论文地址：

https://arxiv.org/abs/1708.08012
发表时间：2017年
被引用量：471
主要贡献：使用了原始数据输入
源码地址：https://github.com/robintibor/auto-eeg-diagnosis-example
（总的来说非常不错）

2. 摘要：

作者在 TUH EEG 数据集应用卷积神经网络来区分病理与正常脑电图记录，即使用两种基本的，浅层的和深层的卷积神经网络架构来解码来自脑电图的任务相关信息，至少是针对这一目的而设计的已建立的算法；

在脑电图病理解码中，两种卷积神经网络的准确率都比该数据集的唯一公布结果高(≈85% vs.≈79%)，并且在每次记录 1 分钟进行训练和每次记录 6 秒进行测试时，两种方法的准确率都更好；

并且作者还使用了自动化方法来优化架构超参数，并且对文本医学报告的分析也强调了通过整合上下文信息（如受试者的年龄

了解本专栏 订阅专栏 解锁全文 超级会员免费看
基于卷积神经网络的脑电图解码及可视化
sybh的博客
10-05 89
作者在 TUH EEG 数据集应用卷积神经网络来区分病理与正常脑电图记录，即使用两种基本的，浅层的和深层的卷积神经网络架构来解码来自脑电图的任务相关信息，至少是针对这一目的而设计的已建立的算法；在脑电图病理解码中，两种卷积神经网络的准确率都比该数据集的唯一公布结果高(≈85% vs.≈79%)，并且在每次记录 1 分钟进行训练和每次记录 6 秒进行测试时，两种方法的准确率都更好；
使用深度学习进行脑电波分析（EEG Analysis）：从数据预处理到模型优化
sybh的博客
05-20 1005
脑电波（EEG）是一种反映大脑活动的电信号，可以通过在头皮上放置电极来记录。EEG分析在临床诊断、神经科学研究和脑机接口等领域具有广泛的应用。传统的EEG分析方法通常基于信号处理和统计学方法，然而，由于EEG信号的复杂性和非线性，这些方法常常难以获得理想的性能。近年来，深度学习方法在许多领域取得了显著的突破，因此也被用于EEG分析。本文将介绍如何使用深度学习方法进行EEG信号分类。本文详细介绍了如何使用深度学习方法进行脑电波（EEG）分析，包括数据预处理、构建卷积神经网络（CNN）模型和模型优化。
论文笔记： Deep Learning With Convolutional Neural Networks for EEG Decoding and Visualization
沃·夏澈德的博客
09-28 1595
Deep Learning With Convolutional Neural Networks for EEG Decoding and Visualization 概述 此笔记主要对模型部分进行描述。 因为CNN可以端到端地解决问题，因此考虑将其用到EEG的处理中，因为EEG信号与图片信号有所不同，因此直接使用原始的CNN是不合适的。文章对此展开了研究，并提出了三种面向EEG的CNN模型，其中第三种为前两种的混合，不作记录。 Deep CNN 在普通的CNN前加入了一个block，包括两个卷积层和一个平
论文阅读 EEG-Inception
最新发布
m0_58970439的博客
03-04 578
1、先时间卷积：时间卷积核（A，1）的设计与采样率密切相关（核为采样率128的几分之几，则时间尺寸为整个时间尺寸的几分之几，例：卷积核设计为（64，1），则。
脑电数据（EEG/SEEG）处理-特征可视化
TONIYH的博客
11-20 8399
在之前的文章中，我已经介绍了利用CNN神经网络来进行脑电特征的提取及识别。我的课题是有关癫痫的脑电特征分析，在实际的实验中你会发现，你的神经网络很容易过拟合，可以将实验抽象为分类任务，可以分为两个方向来进行训练： 将所有的数据划按照一定的比例划分为两个部分（eg.7:3），一部分用于训练，一部分用于测试。 将数据按照人来进行划分，假设有n个人，n-k个人作为训练街，但是后面的k个...
深度学习技术在脑电（EEG）运动想象（MI）信号分类中的应用（上）
cc1609130201的博客
12-14 4833
脑-计算机接口（BCI）是一种新兴技术，具有改变世界的潜力，其应用范围广泛，从医疗保健到人类增强等多个领域。脑电图（EEG）运动想象（MI）是最常见的BCI范式之一，已广泛应用于智能医疗，如中风后康复和移动辅助机器人。近年来，深度学习（DL）对基于MI-EEG的BCI产生了巨大影响。在这项工作中，我们系统地回顾了过去十年基于DL的MI-EEG分类研究。本文首先解释了研究选择的程序，然后概述了BCI、EEG和MI系统。接着从四个主要角度分析和讨论了在MI分类中应用的基于DL的技术：预处理、输入构建、深度学习架
Deep learning with convolutional neural networks for brain mapping
05-22
Deep learning with convolutional neural networks for brain mapping and decoding of movement-related information from the human EEG
基于深度学习的脑电图识别 综述篇(三)模型分析
脑机接口社区
11-15 2455
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达作者|Memory逆光本文由作者授权分享导读脑电图(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...
深度学习与卷积神经网络在脑映射中的应用
本文探讨了深度学习与卷积神经网络（CNN）在脑电图（EEG）分析中的潜力，特别是在大脑映射和解码与运动相关的神经系统信息方面。深度学习是一种人工智能技术，其模仿人脑神经网络的复杂结构，能够处理和学习大量数据...
【精读文献】1 用于改进脑电图癫痫分析的自监督图神经网络
double_double_的博客
04-12 884
从脑电图中自动检测和分类癫痫可以极大地改善癫痫的诊断和治疗。然而，在先前的自动癫痫检测和分类研究中，有几个建模挑战仍未得到解决：（1）表示脑电图中的非欧几里得数据结构，（2）准确分类罕见的癫痫类型，以及（3）缺乏定量可解释性方法来衡量模型定位癫痫的能力。在这项研究中，我们通过以下方式来应对这些挑战：（1）使用图神经网络（GNN）表示脑电图中的时空依赖性，并提出两种捕捉电极几何形状或动态大脑连接的脑电图图结构；
MNEflow：深度学习工具包，助力EEG/MEG数据解码与分析
"MNEflow是专为EEG/MEG数据解码和解释设计的深度神经网络软件包，采用Python编写，并基于Tensorflow框架。它包含多种常用的卷积神经网络（CNN）模型，旨在简化神经网络在EEG和MEG数据分析中的应用。此软件的最新代码...
EEG-电机图像分类-CNNs-TensorFlow：基于TensorFlow的卷积神经网络（CNN）进行EEG运动图像任务分类（按通道）
02-04
通过卷积神经网络（CNN）进行的EEG运动图像信号（任务）分类 作者：贾树跃，东北电力大学。 日期：2018年12月 下载论文 注意：本文中的方法是EEG源成像（ESI）+ Morlet小波联合时频分析（JTFA）+卷积神经网络（CNN）。 原始数据已使用Matlab Toolkit 。 我的工作是在ESI + JTFA过程之后，使用CNN对EEG数据进行分类。 通过ESI + JTFA流程预处理的数据集（.mat文件）可以通过。 可以从下载相应的预处理.Excel文件。 同时，该存储库中的代码基于原始EEG数据，无需ESI和JTFA流程，也可以取得良好的效果。 两个工作的“ MI_Pro
最新书籍Deep Learning and Convolutional Neural Networks for Medical Image Computing
01-07
最新智能医疗专著，围绕深度学习以及卷积神经网络，对医疗图像的计算和分析进行介绍。
脑电波控制代码
01-23
神念传感器连接程序（TGC）是一个类似于套接字服务器的软件程序，在计算 机后台运行，负责把串行端口发送来的数据导向开放的网络接口。它可以用在 Windows 及 OS X 上。任何包含套接字库的语言或框架都应该能够与它进行通信。 TGC 对使用 Adobe Flash 等框架的开发人员是一个理想的选择。
利用卷积神经网络对脑电图解码及可视化
脑机接口社区
06-05 2641
目录Part 1 导读Part 2 网络结构Part 3 实验结果 本分享为脑机学习者Rose整理发表于公众号：脑机接口社区(微信号：Brain_Computer).QQ交流群：941473018 Part 1 导读 研究人员应用卷积神经网络(ConvNets)对病理和正常的脑电图记录进行区分。 研究人员使用两种基本的，浅的和深的卷积网络结构来解码从脑电图中任务相关的信息。在脑电图病理解码中，两种卷积神经网络的准确率都比该数据集公布的唯一结果高了很多(大约提高了6%，≈85% vs≈79%)，而且在每次
信号处理--基于EEG脑电信号的深度学习情绪分类
张哥频道：电生理信号和磁共振成像
04-01 4737
本文为一个信号处理专题的课程项目，主要是基于人体脑电信号，通过使用深度学习，来快速精准的识别被试的情绪。实验数据为私有数据集。情绪分为积极，中性，消极三种类别。该方法最后和传统朴素贝叶斯，支持向量机，logistic回归，决策树和随机森林分类器进行比较。
29、弗莱堡大学脑态解码实验室Convnet For BCI:人类第一次深思CNN构架，用于脑机接口编码解码
mantoudamahou的博客
12-26 1302
本文所讲论文是人类第一次真正认真思量[CNN构架如何设计，以适用于BCI数据]的问题，比EEGNet(2018年美国陆军实验室提出)For BCI模型早一年，看完本文豁然开朗，补上了自己BCI CNN发展最重要的一块基石，真的没想到，自从CNN用于BCI领域后，CSP及其变体是CNN必须面临的一座高峰。对于CNN，CSP这座阴影，在此论文中随处可见。
可视化卷积神经网络的过滤器_利用卷积神经网络对脑电图解码及可视化
weixin_39887577的博客
11-24 175
文章来源于"脑机接口社区"利用卷积神经网络对脑电图解码及可视化​mp.weixin.qq.comPart 1导读研究人员应用卷积神经网络(ConvNets)对病理和正常的脑电图记录进行区分。研究人员使用两种基本的，浅的和深的卷积网络结构来解码从脑电图中任务相关的信息。在脑电图病理解码中，两种卷积神经网络的准确率都比该数据集公布的唯一结果高了很多(大约提高了6%，≈85% vs≈79%)，而且在每次...
深度学习EEG资源汇总
qq_26552795的博客
02-24 2268
知乎一篇有关深度学习与EEG的结合综述 https://www.zhihu.com/question/60729361?sort=created 在EEG信号分类问题上的一篇总结 https://blog.csdn.net/sinat_35162460/article/details/85716900 ...
评论 1
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

打赏作者

BIT可达鸭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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