深度学习应用于脑电信号分析处理的相关论文，更新了......

分享脑机学习论文，欢迎一起讨论
1.（综述性质论文）Deep learning-based electroencephalography analysis: a systematic review
论文地址：论文地址
主要思想：
这篇综述回顾了从 2010 年到 2018 年的 156 篇将 DL（Deep Learning，深度学习）应用在 EEG 的文章，这些论文涵盖了不同的应用领域，如枕测、睡眠、脑机接口、认知和情感监测，并从大量的文献中提取趋势并突出有趣的方法，以便为未来的研究提供信息并制定建议；
这篇综述将分析每个项目的：1)数据、2)预处理方法、3)DL设计选择、4)结果和5)实验重现性；

2.EEGNet a compact convolutional neural network for EEG-based brain–computer interfaces
论文地址：论文地址
发表时间：2015年
被引用量：225
源码地址：https://github.com/vlawhern/arl-eegmodels
主要思想：
这里作者的问题是否可以设计一个单一的CNN架构，以准确地分类脑电图信号从不同的BCI范式，同时尽可能紧凑的方法。在文中作者介绍了EEGNet，一个紧凑的卷积神经网络，用于脑电图基础的BCIs。引入深度和可分离的卷积来构造一个特定脑电图模型，该模型封装了脑电接口的特征提取概念。通过四种BCI范式将EEGNet与当前最先进的方法进行比较:P300视觉诱发电位、错误相关负性反应(ERN)、运动相关皮层电位(MRCP)和感觉运动节律(SMR)。主要的结果表明，当在所有测试的范例中只有有限的训练数据可用时，EEGNet在跨范例上的泛化优于参考算法，并且取得了与参考算法相当的高性能。

3.EEG-Based Biometrics Utilizing Image Recognition for Patient Identification
论文地址：论文地址
发表时间：2020年
主要思想：
生物特征识别技术利用指纹、人脸检测、声波等技术，在许多不同的安全领域得到了广泛的应用。在医疗领域，使用患者腕带或患者卡进行身份识别可能会导致病历错误。为了克服这些局限性，本文提出了一种利用脑电图信号对患者身份进行分类的新方法，从而避免了误治。系统采用OpenBCI Cyton、EEGlab、MATLAB、带通滤波器等多种硬件和软件。这项研究的主要目的是通过观察一系列触发注意力和记忆的图像来捕捉信号，从而突出每个人的每个脑电图信号模式的识别。

4.DEEP LEARNING WITH CONVOLUTIONAL NEURAL NETWORKS FOR DECODING AND VISUALIZATION OF EEG PATHOLOGY
论文地址：论文地址
源码地址：https://github.com/robintibor/auto-eeg-diagnosis-example
数据集：数据集地址
主要思想：
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；

更新了，更新了
更新两篇情感分析（分类）方向的论文
5.EEG-Based Emotion Classification Using Deep Belief Networks
论文链接：(https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6890166)https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6890166
发表时间：2014年/被引83
主要思想：
在本文中，作者提出了运用深度学习模型基于脑电数据实现对两种情绪（积极和消极）的分类。以从多通道脑电图中提取的微分熵（Differential Entropy, DE）特征作为输入，训练了一个深度信念网络（DBN）。隐马尔可夫模型（HMM）作为辅助方法用于获得更可靠的情感转换状态。本文的主要贡献如下：首先，作者发现在β和γ频段中确实存在与积极和消极情绪相关的神经特征。其次，作者证明了从脑电数据中提取的微分熵（DE）特征具有准确和稳定的情感信息。最后，本文比较了深度模型和浅层模型如KNN、SVM和GELM分类器之间的识别性能。此外，与现有最先进的分类方法相比，DBN-HMM模型的分类性能更好。

6.Investigating EEG-Based Functional Connectivity Patterns for Multimodal Emotion Recognition
论文地址：https://arxiv.org/pdf/2004.01973.pdf
发表时间：2020年
主要思想：
与对运动脑-机接口(BCI)的丰富研究相比，最近兴起的情感脑-机接口提出了独特的挑战，因为涉及情感的大脑功能连通性网络尚未得到很好的研究。以往基于脑电图信号的情绪识别研究主要依赖于基于单通道的特征提取方法。本文提出了一种新的情绪相关关键子网络选择算法，研究了脑电图功能连接网络的三个特征:强度、聚类系数和特征向量中心性。主要利用SEED,SEED-V和DEAP三个公共情感脑电图数据集，对脑电图连接特征在情感识别中的识别能力进行了评价。强度特征取得了最好的分类性能，并优于目前先进的基于单通道分析的脑电信号微分熵特征。实验结果显示，厌恶、恐惧、悲伤、快乐和中立这五种情绪表现出明显的功能性连接模式。此外，作者利用深度典型相关分析，将脑电信号的功能连通性特征与眼动或生理信号的特征相结合，建立了多模态情绪识别模型。

7.Learning Representations from EEG with Deep Recurrent-Convolutional Neural Networks
论文地址：https://arxiv.org/abs/1511.06448
发表时间：2016年
源码地址：https://github.com/pbashivan/EEGLearn
主要思想：这是一篇ICLR2016录用的文章，**文章主要工作：**从脑电图(EEG)数据建模认知事件的挑战之一是寻找对主体之间和内部差异不变的表征，以及与脑电图数据收集相关的固有噪声。在此，我们提出了一种新的方法来学习这种表示从多通道EEG时间序列，并证明了它的优势在背景下的心理负荷分类任务。首先，我们将脑电图的活动转化为一序列的拓扑保留多光谱图像，而不是标准的脑电图分析技术忽略这类空间信息。接下来，我们训练一个深度递归卷积网络，灵感来自于最先进的视频分类技术，以学习图像序列的鲁棒表示。该方法旨在保留脑电图的空间、光谱和时间结构，从而在每个维度内找到对变化和畸变不那么敏感的特征。对认知负荷分类任务的实证评估表明，与目前该领域的先进方法相比，分类准确率有显著提高。

持续更新中…