深度学习EEG资源汇总

最新推荐文章于 2024-12-19 13:17:59 发布
最新推荐文章于 2024-12-19 13:17:59 发布
阅读量2.2k 收藏 39
点赞数 4
CC 4.0 BY-SA版权
分类专栏： EEG
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.youkuaiyun.com/qq_26552795/article/details/104477846
本文综述了深度学习在EEG信号处理领域的应用，包括EEG信号分类算法的总结，深度学习与EEG结合的研究进展，以及相关的学术资源和开源项目。探讨了卷积神经网络、生物信息学深度学习等技术在EEG信号解码和可视化中的作用。

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

1、深度学习与EEG结合的综述

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

 

以下内容均搬于薛矽在知乎上的回答，非常详细，感谢！

作者：薛矽
链接：https://www.zhihu.com/question/60729361/answer/198990259
来源：知乎

Review_Deep learning with convolutional neural networks for EEG decoding and visualization

https://arxiv.org/abs/1703.05051

preview

preview

preview

preview

preview

preview

preview

 

Book_Deep Learning in Bioinformatics

https://arxiv.org/abs/1603.06430


preview

preview

preview

preview

 

2、EEG信号分类算法

在EEG信号分类问题上的一篇总结

https://blog.youkuaiyun.com/sinat_35162460/article/details/85716900

版权声明：本文为优快云博主「da木木」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/sinat_35162460/article/details/85716900

以下思维导图来自优快云博主「da木木」的文章“脑机接口EEG信号分类算法”，非常感谢！

 

A review of classification algorithms for EEG based brain–computer interfaces: a 10 year update

http://iopscience.iop.org/article/10.1088/1741-2552/aab2f2/meta

 

深度学习进行分类的硕士论文

《基于深度学习的脑电及功能磁共振信号的识别研究》

 

3、深度学习算法资源

Github_A Collection of Convolutional Neural Network (CNN) models for EEG signal classification

https://github.com/vlawhern/arl-eegmodels

Github_A list of EEG datasets

https://github.com/meagmohit/EEG-Datasets

 

 

 

 

【基于深度学习的脑电图识别】数据集篇：THE TUH EEG CORPUS: A Big Data Resource for Automated EEG Interpretation
梁瑛平的博客
03-04 5208
【基于机器学习的脑电图识别】数据集篇：脑电信号自动判读的大数据摘要： 摘要： 这个数据集包括超过 25000 个脑电图研究，包括一个神经学家对测试的解释，一个简短的病人病史和关于病人的人口统计信息，如性别和年龄。这是第一次有足够的数据来支持最先进的机器学习算法的应用。在这篇论文中，我们使用了3762个语料库的会话子集，展示了从原始脑电图信号数据预测脑电图的一些基本属性的初步实验结果。在闭环测试中，...
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 1115
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。
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 5186
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。
EEG-DL:基于TensorFlow的EEG任务（信号）分类的深度学习库
05-04
欢迎来到EEG深度学习图书馆 EEG-DL是为EEG任务（信号）分类编写的深度学习（DL）库。 它提供了最新的DL算法并不断更新。 目录 贡献 组织机构 文献资料 支持的型号包括 不。 模型 代号 1个 深度神经网络 DNN 2个 卷积神经网络[论文] [教程] 有线电视新闻网 3 深度残差卷积神经网络[论文] ResNet 4 薄残差卷积神经网络[论文] 稀薄的ResNet 5 密集连接的卷积神经网络[论文] 密集网 6 全卷积神经网络[论文] FCN 7 暹罗网络（CNN骨干网）的一键式学习[论文] [教程] 连体网络 8 图卷积神经网络[论文] [演示文稿] [教程] [针对中国读者的GCN / GNN摘要] [针对中国读者的GNN相关算法综述] [图的深度学习文学] GCN /图表CNN 9 图卷积神经网络（来自Reza Amini的纯Py
EEG深度学习实战：脑电信号通过CNN神经网络进行二分类
SashiMoore的博客
03-13 7536
这一篇文章主要建立在前文的基础上对数据集进行操作，通过CNN神经网络做到二分类，尝试使用深度学习的模式来预测分类脑电信号。
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 4649
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
015利用脑电图信号预测癫痫发作的长短期记忆深度学习网络-2018(270引用)
Crystalxxtt的博客
10-25 2201
脑电图(EEG)是研究癫痫和捕捉大脑电活动变化的最重要手段，这些变化可能预示癫痫即将发作。在这项工作中，将长短期记忆(LSTM)网络引入到使用脑电图信号的癫痫发作预测中，扩展了深度学习算法与卷积神经网络(CNN)的应用。LSTM模型利用了分类前提取的广泛特征，包括。使用开放的头皮脑电图数据库的长期脑电图记录进行评估，表明所提出的方法能够预测所有185例癫痫发作，提供高的癫痫预测灵敏度和低的误报率(FPR)，每小时0.11 - 0.02假报警(取决于预测窗口的持续时间)。
深度学习与自然语言处理研究阅读清单
资源摘要信息:"AI-NLP-Paper-Readings：这是我在AI，NLP，深度学习等领域的博士学位的阅读清单" 知识点详细说明： 人工智能（AI）是计算机科学的一个分支，它试图了解智能的本质并生产出一种新的能以人类智能行为...
【睡眠分期基础】：深度解析睡眠周期与EEG特征
# 摘要 睡眠分期是对睡眠过程中不同阶段的科学划分，其重要性在于帮助理解睡眠的生理机制及其对人体健康的影响。本文首先介绍了睡眠分期的科学背景与重要性，随后深入探讨了睡眠周期的理论基础、...参考资源链接：[Py
【LSTM训练加速术】：优化网络收敛速度，提升深度学习性能
![【LSTM训练加速术】：优化网络收敛速度，提升深度学习性能](https://sds-platform-private.s3-us-east-2.amazonaws.com/uploads/32_blog_image_1.png) 参考资源链接：[LSTM长短期记忆网络详解及...深度学习的核心
【医学影像】学前基础（团队、资源等）
最新发布
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
12-19 9628
在做任何研究之前，都要对领域内大牛团队，相关学习基础进行一定的了解，于是下面是总结了大牛+数据集+代码快速浏览+期刊会议了解。
braindecode:深度学习软件可解码EEG或MEG信号
04-23
脑力解码 深度学习工具箱，用于解码原始时域脑电图。 对于想要与深度学习合作的EEG研究人员以及想要与EEG数据合作的深度学习研究人员。 目前，重点放在卷积网络上。 安装 从安装pytorch（无需安装torchvision）。 通过pip安装 （如果要使用MOABB数据集实用程序则需要）： pip install moabb 通过pip安装最新版本的braindecode： pip install braindecode 或者，如果您使用conda，则可以使用以下内容创建专用环境： curl -O https://raw.githubusercontent.com/braindecode/braindecode/master/environment.yml conda env create -f environment.yml conda activate braindeco
arl-eegmodels：这是陆军研究实验室（ARL）EEGModels项目：使用Keras和Tensorflow进行脑电信号分类的卷积神经网络（CNN）模型的集合
02-06
介绍 这是陆军研究实验室（ARL）EEGModels项目：用Keras和Tensorflow编写的用于EEG信号处理和分类的卷积神经网络（CNN）模型的集合。 该项目的目的是 提供一组经过验证的CNN模型用于脑电信号处理和分类 促进可重复的研究，并 使其他研究人员可以在其数据上尽可能轻松地使用和比较这些模型 要求 Python == 3.7或3.8 tensorflow == 2.X（已验证适用于2.0-2.3，适用于CPU和GPU） 要运行EEG / MEG ERP分类示例脚本，您还需要 mne> = 0.17.1 派里曼> = 0.2.5 scikit学习> = 0.20.1 m
脑电情绪识别所用到深度学习模型 EEG models(BiGRU,lstm,cnn,gcn,dnn,rnn等等).zip
10-15
包含了所有脑电领域可能用到的深度学习模型包含BIGRU，,lstm,cnn,gcn,dnn,rnn等等23个深度学习模型。 同时包含了相应模型所需要的数据处理过程所用代码。 当然也包含了最基本的读取edf文件，得到脑电信号。
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 5640
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
脑电EEG代码开源分享 【6. 分类模型-深度学习篇】
热门推荐
weixin_44425788的博客
09-29 1万+
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
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 2551
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...
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 3936
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
使用深度神经网络对基于脑电的情感识别进行频带和导的探究
lwwangfang的博客
08-22 7295
本文是在阅读学习了《Investigating Critical Frequency Bands and Channels for EEG-Based Emotion Recognition with Deep Neural Networks》 一文后，进行的学习总结。 首先，该论文完成了一下几点工作： （1） 在之前学者提出的科研结论上，进一步证实了：人类脑电波（EEG)变化与人类情感的变化
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
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