Logo
深度学习算法
深度学习模型 脑电信号的高噪声、低信噪比、个体差异性大等特点，在利用深度学习进行处理时，要求网络具备以下特性: 能处理多通道时空特征、轻量级（避免过拟合）、适应小样本数据（多数BCI实验数据量有限）。 过深度可分离卷积（Depthwise   Separable Convolution）高效提取时空-频域特征。一般适用于运动想象， P300，ssvep等任务——EEGNet: A Compact Convolutional Network for EEG-based Brain-Computer Interfaces (2018) 直接建模时域卷积 + 空域卷积，结构简单但有效。适用于ERP分类、运动想象、跨被试泛化等任务——Deep learning with convolutional neural networks for EEG decoding and visualization (2017) 首个利用深度学习(CNN)实现癫痫发作自动检测与诊断的EEG信号分析方法，它直接处理原始EEG信号，无需 手动提取特征（如频域或时域特征），简化了传统流程——Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals(2018) EEG-TCNet基于时序卷积层构建，擅长捕捉EEG信号的长时依赖性，避免了传统循环神经网络（RNN）的梯 度消失问题。且针对嵌入式设备优化，通过减少参数量和计算复杂度，满足实时性需求的BCI任务—— EEG-TCNet: An Accurate Temporal Convolutional Network for Embedded Motor-Imagery Brain– Machine Interfaces(2020) 其他算法如Transformer、注意力机制（如EEG信号中的时空注意力）、自动编码器（用于EEG特征降维与异 常检测）、以及跨模态映射算法等均可应用于BCI任务，但需针对脑电信号的时序性、低信噪比等特点进行适 应性改进（如引入生物启发的注意力机制或结合实时预处理），才能取得良好效果。 EEGNet（通用基准模型）： ShallowNet（轻量级时空特征提取）： DeepConvNet（深层时空建模）： TCNet（时序注意力机制）：
Logo