.png){kind=icon}
返回
Lightweight deep learning models for EEG decoding: a review
.png){kind=icon}
PRE
AI
DOI：10.1088/1741-2552/ae2717.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑机接口（BCI）技术通过将脑电图（EEG）信号解码为可执行命令，实现人脑与外部设备之间的直接通信。作为非侵入式且便携的模态，基于EEG的BCI在神经康复到辅助技术等应用领域展现出应用前景。然而，其性能严重依赖于相关神经特征的准确提取和潜在模式的可靠识别。深度学习已转变这一过程。通过从原始或最少处理的EEG数据中自动学习复杂、任务相关的表示，深度神经网络在准确性和适应性方面超越了传统的手工特征方法。然而，许多深度学习架构巨大的计算和内存需求限制了其在便携式或实时BCI系统中的部署。这一挑战促使人们对轻量级模型产生了日益增长的兴趣——这些模型通过优化架构来降低复杂度，同时保持甚至提升性能。本文系统综述了用于EEG信号分类的此类轻量级深度学习模型。为梳理这一领域，现有方法被归纳为三种主要策略：（1）基于多尺度特征融合的信息整合策略，（2）隐藏层优化策略，以及（3）基于结构优化的混合改进策略。本综述整合了最新进展，识别了新兴趋势，并概述了未来研究的潜在方向。这些见解旨在为设计能够满足实际BCI应用需求的、高效且鲁棒的EEG分类架构提供参考。
期刊
IF:
3.8
论文数:
4.0K
被引数:
1.4W
机构
暂无机构信息
引用论文
分享收藏Research and System Implementation of Quadruped Robot Following Strategy Based on Deep Reinforcement Learning基于深度强化学习的四足机器人跟随策略研究与系统实现
PREAI
分享收藏A Comparison Study of Canonical Correlation Analysis Based Methods for Detecting Steady-State Visual Evoked Potentials.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏Filter bank canonical correlation analysis for implementing a high-speed SSVEP-based brain-computer interface基于滤波器组的典型相关分析，用于实现基于SSVEP的高速脑机接口
PREAI
分享收藏Fusion Convolutional Neural Network for Cross-Subject EEG Motor Imagery ClassificationComputersOAAI
ComputersIF0
OAAI分享收藏Unsupervised machine learning methods and emerging applications in healthcare无监督机器学习方法和医疗保健中的新兴应用
PREAI
分享收藏A Review of Machine Learning and Deep Learning Approaches on Mental Health DiagnosisHealthcareOAAI
HealthcareIF0
OAAI分享收藏
查看更多内容