返回
Graph convolution network-based eeg signal analysis: a review
DOI:10.1007/s11517-025-03295-0.png)
摘要
En 中文
随着人工智能技术的进步,越来越多有效的方法被用于识别和分类脑电图(EEG)信号,以应对医疗保健和脑机接口领域的挑战。本文综述了图卷积网络(GCN)技术在EEG信号分析中的应用及主要成就。通过全面检索已发表的文献,首次分模块讨论了GCN的当前研究现状。本文提出了方法的详尽分类以及对关键模块(如脑图谱构建、节点特征提取和GCN架构设计)的系统分析。此外,我们特别关注了几个与GCN相关的重要研究问题。本综述加深了对GCN在EEG信号分析领域未来潜力的理解。同时,为相关领域的研究人员梳理了几个有价值的发展方向,例如分析不同GCN层的适用性、构建面向任务的GCN模型以及提高对有限数据的适应性。
Keyword:
Graph convolution network
Electroencephalography
Deep learning
Graph neural network
Brain-computer interface
期刊
M
IF:
2.6
论文数:
311
被引数:
7.7K
机构
暂无机构信息
引用论文
Automated epileptic seizure detection using improved correlation-based feature selection with random forest classifier
NEUROCOMPUTING
IF6.5
Attention-based multi-semantic dynamical graph convolutional network for eeg-based fatigue detection
An interpretable model based on graph learning for diagnosis of Parkinson's disease with voice-related EEG
NPJ DIGITAL MEDICINE
IF15.1
A brain topography graph embedded convolutional neural network for EEG-based motor imagery classification脑地形图嵌入卷积神经网络的脑电运动想象分类

