本研究针对运动意象脑电图（EEG）分类中常见的跨个体模式识别困难进行探索，提出了MixNet框架，以利用运动意象数据的频谱-空间信号，并结合多任务学习架构MIN2Net进行分类。实验结果显示，MixNet在各类数据集上均超越了现有最先进算法，尤其在低密度EEG分类方面，为轻量便携的脑电穿戴设备在物联网应用中提供了有希望的前景。

本研究提出了多种图卷积网络模型，应用于图分类、脑电波诊断和交通流量预测等领域。实验结果表明，这些模型在准确性和效率上优于传统方法，推动了神经疾病和交通预测的发展。

研究提出了一种基于局部时空模式学习图注意力网络（LTS-GAT）的情感识别技术，结合图注意力机制和动态域鉴别器以提高算法的鲁棒性。通过新型变压器模型EmT，将EEG信号转化为时态图，从而优化情感分类性能。该方法在多个数据集上验证了其优越性，展示了脑电图在情感识别中的应用潜力。

本文介绍了一种结合CNN和Transformer的情感识别方法，在SEED和SEED-IV数据集上的识别准确率分别达到98.57%和92.09%。研究还探讨了基于脑电图的情感识别，提出了多模态情感识别器和统一生物传感器-视觉Transformer模型，展示了在不同数据集上的优越性能。

本研究探讨了多种机器学习方法在脑电图（EEG）信号分析中的应用，特别是针对ADHD、癫痫和阿尔茨海默病的分类。通过动态领域自适应深度学习网络和轻量级多维注意力网络，分类准确率分别达到92.5%和73.91%。研究强调了空间信息在脑电图分类中的重要性，并展示了新方法的实际应用潜力。

该研究开发了一种无需校准的MI-BCI分类器，利用深度迁移学习处理EEG信号。通过比较三种深度学习模型，采用深度神经网络的分类方法在MI-EEG数据集上达到了95.53%的准确率，并提出了多种新架构，最高分类准确率可达98.3%。

该文汇总多项脑电与神经影像机器学习研究，采用多领域注意力、卷积网络、Transformer及融合模型，提升脑电情感识别、注意力评估和痴呆诊断性能；结合海马形状、伽玛校正与雅可比域等方法，可区分阿尔茨海默病、轻度认知障碍及学习状态，部分准确率达97%。

该文综述基于脑电的认知负荷估计，涉及tDCS后执行功能变化、STEM任务脑活动分类、深度学习跨任务迁移、睡眠分期及心理负荷建模等研究，重点讨论实验范式、深度神经网络输入表征与可解释性，并指出多数研究为离线分类，在线实时估计与可解释模型仍不足。

该文综述多项脑电研究：利用大语言模型、眼动和脑电分析阅读中关键词处理并改进脑电分类；提出神经-GPT和EEGFormer等基础模型，缓解脑电数据稀缺与异质，提升运动想象分类和异常检测；探索脑电解码语言、情感分析及注意力机制；还涉及图神经网络工具包、脑电图像编码、睡眠评分和癫痫预测。

该文综述机器学习在帕金森病检测中的应用，结合临床、声音、运动及静息脑电数据实现早期诊断。研究采用深度集成、胶囊网络、wav2vec 2.0 等模型，分类准确率最高达99.9%，并强调声音与脑电生物标志物的价值。

系统评估了欧几里得对齐与深度学习相结合在解码脑 - 计算机界面信号中的影响，结果显示欧几里得对齐提高了目标主体解码率 4.33%，同时减少了超过 70% 的收敛时间。

本研究提出了一种基于变压器特征生成器的多源域适应方法（MSDA-TF），通过捕获浅层空间、时间和频谱 EEG 数据表示的卷积层，以及自注意机制提取这些特征中的全局依赖关系，解决了不同主体之间的变化对传统深度学习算法在自动情感识别中的性能问题。实验证明，MSDA-TF 在 SEED 数据集上取得了有希望的结果。

本研究使用编码方式将脑电信号转化为图像，结合标准图像特征，提高深度学习模型的可解释性。实验结果表明，该方法在六个受试者的数据集上达到82%的准确率，证明了其可行性。

最近的东西,不定期更新