校准仍然是脑电脑接口（BCI）中用户体验的重要问题。甚至在开始使用BCI之前，常见的实验设计往往涉及提高认知疲劳的冗长的训练期。通过依赖于先进的机器学习技术，例如转移学习，可以减少或抑制这种依赖的校准。在Riemannian BCI上建立，我们提出了一种简单有效的方案，可以在不同主题记录的数据上培训分类器，以减少校准，同时保持良好的性能。本文的主要新颖性是提出一种独特的方法，可以应用于非常不同的范式。为了展示这种方法的稳健性，我们对三个BCI范例的多个数据集进行了元分析：事件相关的电位（P300），电机图像和SSVEP。依靠MoABB开源框架来确保实验的再现性和统计分析，结果清楚地表明，该方法可以应用于任何类型的BCI范例，并且在大多数情况下都可以显着提高分级性可靠性。我们指出了一些关键特征，以进一步提高转移学习方法。

功能连接是研究大脑振荡活动的关键方法，以便为神经元相互作用的潜在动态提供重要见解，并且主要用于脑活动分析。建立脑电脑界面信息几何的进步，我们提出了一种新颖的框架，它结合了功能连接估计和基于协方差的管道来对精神状态进行分类，例如电机图像。针对每个估算器培训的riemannian分类器，并且集合分类器将决策组合在每个特征空间中。提供了对功能连接估计器的全面评估，并在不同的条件和数据集上评估最佳表演管道，称为岩酮。使用Meta分析在数据集中聚合结果，FUCONE比所有最先进的方法更好地执行。性能增益主要是对特征空间的改进的改进的改进，增加了集合分类器相对于和内部主题间变异性的鲁棒性。

深度学习（DL）已在脑电图（EEG）基于脑电图（EEG）的大部分应用中广泛研究，尤其是在过去五年中对于运动成像（MI）分类。 MI-EEG分类的主流DL方法使用卷积神经网络（CNN）利用EEG信号的暂时性模式，这些模式在视觉图像中取得了显着成功。但是，由于视觉图像的统计特征从根本上偏离了脑电图信号，因此出现了一个自然的问题，除了CNN之外是否存在替代网络体系结构。为了解决这个问题，我们提出了一个名为Tensor-CSPNET的新型几何深度学习（GDL）框架，该框架是源自对称阳性（SPD）的EEG信号的空间协方差矩阵（SPD）歧管（SPD）歧管，并完全捕获了使用临时性跨性别模式，并使用现有的深神经网络捕获了现有的深神经网络SPD流形，与许多成功的MI-EEG分类器的经验集成以优化框架。在实验中，张量-CSPNET在两个常用的MI-EEG数据集中的交叉验证和保留方案上达到或略微优于当前最新性能。此外，可视化和可解释性分析还表现出张量-CSPNET对MI-EEG分类的有效性。总而言之，在这项研究中，我们通过将DL方法概括为SPD歧管，为问题提供了可行的答案，该方法表明了MI-EEG分类的特定GDL方法的开始。

基于电动机图像（MI）的脑电脑界面（BCIS）允许通过解码神经生理现象来控制几种应用，这些现象通常通过使用非侵入性技术被脑电图（EEG）记录。尽管在基于MI的BCI的进展方面很大，但脑电图有特定于受试者和各种变化随时间。这些问题指出了提高分类绩效的重大挑战，特别是在独立的方式。为了克服这些挑战，我们提出了Min2Net，这是一个新的端到端多任务学习来解决这项任务。我们将深度度量学习集成到多任务AutoEncoder中，以从脑电图中学习紧凑且识别的潜在表示，并同时执行分类。这种方法降低了预处理的复杂性，导致EEG分类的显着性能改善。实验结果以本语独立的方式表明，MIN2Net优于最先进的技术，在SMR-BCI和OpenBMI数据集中分别实现了6.72％的F1分数提高，以及2.23％。我们证明MIN2NET在潜在代表中提高了歧视信息。本研究表明使用此模型的可能性和实用性为新用户开发基于MI的BCI应用，而无需校准。

大脑计算机界面（BCI）提供了人脑和外部设备之间的直接通信途径。在新受试者可以使用BCI之前，通常需要进行校准程序。因为间和受试者内部的差异是如此之大，以至于由现有受试者训练的模型在新受试者方面的表现不佳。因此，有效的主题转移和校准方法至关重要。在本文中，我们提出了一种半监督的元学习（SSML）方法，用于BCIS的主题转移学习。拟议的SSML首先学习了具有现有受试者的元模型，然后以半监督的学习方式对模型进行微调，即使用很少的标记和许多未标记的目标对象样本进行校准。对于标记数据稀缺或昂贵的同时，无标记数据的BCI应用程序非常重要。为了验证SSML方法，测试了三种不同的BCI范例：1）与事件相关的潜在检测； 2）情绪识别； 3）睡眠舞台。 SSML在前两个范式上取得了显着提高15％，而第三个范式则达到4.9％。实验结果证明了SSML方法在BCI应用中的有效性和潜力。

传统的脑电脑接口（BCI）需要在使用之前为每个用户提供完整的数据收集，训练和校准阶段。近年来，已经开发了许多主题独立的（SI）BCI。与受试者依赖性（SD）方法相比，这些方法中的许多方法产生较弱的性能，有些方法是计算昂贵的。潜在的真实世界应用程序将极大地受益于更准确，紧凑，并计算高效的主题的BCI。在这项工作中，我们提出了一个名为CCSPNET（卷积公共空间模式网络）的新型主题独立的BCI框架，该框架被训练在大型脑电图（EEG）信号数据库中的电动机图像（MI）范例上，由400个试验组成每54名科目执行两班手机MI任务。所提出的框架应用小波核卷积神经网络（WKCNN）和时间卷积神经网络（TCNN），以表示和提取EEG信号的光谱特征。对于空间特征提取来实现公共空间模式（CSP）算法，并且通过密集的神经网络减少了CSP特征的数量。最后，类标签由线性判别分析（LDA）分类器确定。 CCSPNET评估结果表明，可以具有紧凑的BCI，可实现与复杂和计算昂贵的模型相当的SD和SI最先进的性能。

工作记忆（WM）表示在脑海中存储的信息，是人类认知领域的一个基本研究主题。可以监测大脑的电活动的脑电图（EEG）已被广泛用于测量WM的水平。但是，关键的挑战之一是个体差异可能会导致无效的结果，尤其是当既定模型符合陌生主题时。在这项工作中，我们提出了一个具有空间注意力（CS-DASA）的跨主题深层适应模型，以概括跨科目的工作负载分类。首先，我们将EEG时间序列转换为包含空间，光谱和时间信息的多帧EEG图像。首先，CS-DASA中的主题共享模块从源和目标主题中接收多帧的EEG图像数据，并学习了共同的特征表示。然后，在特定于主题的模块中，实现了最大平均差异，以测量重现的内核希尔伯特空间中的域分布差异，这可以为域适应增加有效的罚款损失。此外，采用主题对象的空间注意机制专注于目标图像数据的判别空间特征。在包含13个受试者的公共WM EEG数据集上进行的实验表明，所提出的模型能够达到比现有最新方法更好的性能。

The key to electroencephalography (EEG)-based brain-computer interface (BCI) lies in neural decoding, and its accuracy can be improved by using hybrid BCI paradigms, that is, fusing multiple paradigms. However, hybrid BCIs usually require separate processing processes for EEG signals in each paradigm, which greatly reduces the efficiency of EEG feature extraction and the generalizability of the model. Here, we propose a two-stream convolutional neural network (TSCNN) based hybrid brain-computer interface. It combines steady-state visual evoked potential (SSVEP) and motor imagery (MI) paradigms. TSCNN automatically learns to extract EEG features in the two paradigms in the training process, and improves the decoding accuracy by 25.4% compared with the MI mode, and 2.6% compared with SSVEP mode in the test data. Moreover, the versatility of TSCNN is verified as it provides considerable performance in both single-mode (70.2% for MI, 93.0% for SSVEP) and hybrid-mode scenarios (95.6% for MI-SSVEP hybrid). Our work will facilitate the real-world applications of EEG-based BCI systems.

我们开发了一种图形用户界面（GUI），可删除，专用于卷积神经网络（CNN）模型培训和脑电图（EEG）解码的可视化。可用功能包括在时间和空间表示方面的模型培训，评估和参数可视化。我们使用良好研究的公共数据集进行了Motor-Immery EEG的公共数据集，并将结果与现有的神经科学知识进行比较。卓越的主要目标是为跨学科的调查人员提供一种快速，简化和用户友好的EEG解码解决方案，以利用脑/神经科学研究中的尖端方法。

由于其出色的表现，深度学习框架在脑电脑界面（BCI）学习中越来越受欢迎。然而，在单独的分类模型方面，它们被视为黑匣子，因为它们没有提供有关LED它们达到特定决定的任何信息。换句话说，我们不能说服神经生理因素是否引起了高性能或简单的噪音。由于这个缺点，与他们的高性能相比，难以确保足够的可靠性。在这项研究中，我们向BCI提出了可解释的深度学习模式。具体地，我们的目标是对从电动机图像（MI）任务中获得的EEG信号进行分类。此外，我们采用了层次的相关性传播（LRP）到模型，以解释模型导出某些分类输出的原因。我们可视化热图，该热线图表明了地形形式的LRP输出，以证明神经生理因素。此外，我们通过避免主题依赖性来分类脑电图，以学习鲁棒和广义eEG特征。该方法还提供了避免为每个主题建立培训数据的牺牲的优势。通过我们所提出的模型，我们为所有受试者获得了广义的热爱图案。结果，我们可以得出结论，我们的拟议模型提供了神经生理学上可靠的解释。

基于深度神经网络的EEG解码系统已广泛用于大脑计算机接口（BCI）的决策制作。然而，在EEG信号中的显着方差和噪声，它们的预测可能是不可靠的。以前的eEG分析工作主要关注源信号中噪声模式的探索，而解码过程中的不确定性主要是未开发的。自动检测和量化这种解码不确定性对于诸如机器人手臂控制等的BCI电机图像等很重要。在这项工作中，我们提出了一个不确定性估计模型（UE-EEG），以探讨EEG解码过程中的不确定性，这考虑了输入信号中的不确定性和模型中的不确定性。采用模型不确定性估计的模型面向模型的模型方法，采用贝叶斯神经网络来建立输入数据的不确定性。该模型可以集成到电流广泛使用的深度学习分类器中，而无需改变架构。我们对两个公共电机图像数据集进行了对主题内部EEG解码和交叉对象eEG解码的不确定性估计进行了广泛的实验，其中拟议的模型实现了对估计不确定性的质量的显着改善，并演示了所提出的UE-EEG是一种有用的BCI应用程序的工具。

One of the main challenges in electroencephalogram (EEG) based brain-computer interface (BCI) systems is learning the subject/session invariant features to classify cognitive activities within an end-to-end discriminative setting. We propose a novel end-to-end machine learning pipeline, EEG-NeXt, which facilitates transfer learning by: i) aligning the EEG trials from different subjects in the Euclidean-space, ii) tailoring the techniques of deep learning for the scalograms of EEG signals to capture better frequency localization for low-frequency, longer-duration events, and iii) utilizing pretrained ConvNeXt (a modernized ResNet architecture which supersedes state-of-the-art (SOTA) image classification models) as the backbone network via adaptive finetuning. On publicly available datasets (Physionet Sleep Cassette and BNCI2014001) we benchmark our method against SOTA via cross-subject validation and demonstrate improved accuracy in cognitive activity classification along with better generalizability across cohorts.

State-of-the-art performance in electroencephalography (EEG) decoding tasks is currently often achieved with either Deep-Learning or Riemannian-Geometry-based decoders. Recently, there is growing interest in Deep Riemannian Networks (DRNs) possibly combining the advantages of both previous classes of methods. However, there are still a range of topics where additional insight is needed to pave the way for a more widespread application of DRNs in EEG. These include architecture design questions such as network size and end-to-end ability as well as model training questions. How these factors affect model performance has not been explored. Additionally, it is not clear how the data within these networks is transformed, and whether this would correlate with traditional EEG decoding. Our study aims to lay the groundwork in the area of these topics through the analysis of DRNs for EEG with a wide range of hyperparameters. Networks were tested on two public EEG datasets and compared with state-of-the-art ConvNets. Here we propose end-to-end EEG SPDNet (EE(G)-SPDNet), and we show that this wide, end-to-end DRN can outperform the ConvNets, and in doing so use physiologically plausible frequency regions. We also show that the end-to-end approach learns more complex filters than traditional band-pass filters targeting the classical alpha, beta, and gamma frequency bands of the EEG, and that performance can benefit from channel specific filtering approaches. Additionally, architectural analysis revealed areas for further improvement due to the possible loss of Riemannian specific information throughout the network. Our study thus shows how to design and train DRNs to infer task-related information from the raw EEG without the need of handcrafted filterbanks and highlights the potential of end-to-end DRNs such as EE(G)-SPDNet for high-performance EEG decoding.

基于脑电图（EEG）的脑生物识别技术已被越来越多地用于个人鉴定。传统的机器学习技术以及现代的深度学习方法已采用有希望的结果。在本文中，我们提出了EEG-BBNET，这是一个混合网络，该网络将卷积神经网络（CNN）与图形卷积神经网络（GCNN）集成在一起。 CNN在自动特征提取方面的好处以及GCNN通过图形表示在EEG电极之间学习连通性的能力被共同利用。我们检查了各种连通性度量，即欧几里得距离，皮尔逊的相关系数，相锁定值，相位滞后指数和RHO索引。在由各种脑部计算机界面（BCI）任务组成的基准数据集上评估了所提出的方法的性能，并将其与其他最先进的方法进行了比较。我们发现，使用会议内数据的平均正确识别率最高99.26％，我们的模型在事件相关电位（ERP）任务中的所有基线都优于所有基准。具有Pearson相关性和RHO指数的EEG-BBNET提供了最佳的分类结果。此外，我们的模型使用会议间和任务数据显示出更大的适应性。我们还研究了我们提出的模型的实用性，该模型的电极数量较少。额叶区域上的电极放置似乎最合适，性能损失最少。

脑电图（EEG）解码旨在识别基于非侵入性测量的脑活动的神经处理的感知，语义和认知含量。当应用于在静态，受控的实验室环境中获取的数据时，传统的EEG解码方法取得了适度的成功。然而，开放世界的环境是一个更现实的环境，在影响EEG录音的情况下，可以意外地出现，显着削弱了现有方法的鲁棒性。近年来，由于其在特征提取的卓越容量，深入学习（DL）被出现为潜在的解决方案。它克服了使用浅架构提取的“手工制作”功能或功能的限制，但通常需要大量的昂贵，专业标记的数据 - 并不总是可获得的。结合具有域特定知识的DL可能允许开发即使具有小样本数据，也可以开发用于解码大脑活动的鲁棒方法。虽然已经提出了各种DL方法来解决EEG解码中的一些挑战，但目前缺乏系统的教程概述，特别是对于开放世界应用程序。因此，本文为开放世界EEG解码提供了对DL方法的全面调查，并确定了有前途的研究方向，以激发现实世界应用中的脑电图解码的未来研究。

肥胖是现代社会的严重问题，因为它与生活质量大大降低了。目前进行的研究是为了探索使用脑电图（EEG）数据探索与肥胖相关的神经学证据。在这项研究中，我们开发了一种新型的机器学习模型，以使用来自EEG数据的Alpha带功能连接功能来鉴定肥胖女性的大脑网络。总体分类精度达到90％。我们的发现表明，肥胖的大脑的特征是功能失调的网络，在该网络中，负责处理自指信息（例如能量需求）的领域受到损害。

A systematic review on machine-learning strategies for improving generalizability (cross-subjects and cross-sessions) electroencephalography (EEG) based in emotion classification was realized. In this context, the non-stationarity of EEG signals is a critical issue and can lead to the Dataset Shift problem. Several architectures and methods have been proposed to address this issue, mainly based on transfer learning methods. 418 papers were retrieved from the Scopus, IEEE Xplore and PubMed databases through a search query focusing on modern machine learning techniques for generalization in EEG-based emotion assessment. Among these papers, 75 were found eligible based on their relevance to the problem. Studies lacking a specific cross-subject and cross-session validation strategy and making use of other biosignals as support were excluded. On the basis of the selected papers' analysis, a taxonomy of the studies employing Machine Learning (ML) methods was proposed, together with a brief discussion on the different ML approaches involved. The studies with the best results in terms of average classification accuracy were identified, supporting that transfer learning methods seem to perform better than other approaches. A discussion is proposed on the impact of (i) the emotion theoretical models and (ii) psychological screening of the experimental sample on the classifier performances.

这项研究评估了脑电图数据的区分能力（唯一性）从脑电图公共数据集的方式互相认证相对及其持久性。除了脑电图数据外，Luciw等人。提供EMG（肌电图）和运动学数据，以使工程师和研究人员利用eeg Gal进行进一步的研究。但是，评估EMG和运动学数据不在本研究的范围之内。最新的目的是确定是否可以利用脑电图数据来控制假体设备。另一方面，本研究旨在通过脑电图数据来评估个体的可分离性，以执行用户身份验证。功能重要性算法用于选择每个用户的最佳功能，以对其进行对验证。该研究实施的身份验证平台基于机器学习模型/分类器。作为初始测试，使用线性判别分析（LDA）和支持向量机（SVM）进行了两项初步研究，以通过多标记EEG数据集观察模型的学习趋势。首先利用KNN作为用户身份验证的分类器，观察到精度约为75％。此后，用于提高线性和非线性SVM的性能。使用线性和非线性SVM可实现85.18％和86.92％的总体平均精度。除精度外，还计算了F1分数。线性和非线性SVM的总平均F1得分分别为87.51％和88.94％。除总体表现外，还观察到使用线性SVM和97.4％的精度和97.4％的精度（97.3％F1得分）使用非线性SVM的高表现精度（95.3％F1得分）。

在过去的几年中，深度学习用于脑电图（EEG）分类任务一直在迅速增长，但其应用程序受到EEG数据集相对较小的限制。数据扩展包括在培训过程中人为地增加数据集的大小，它一直是在计算机视觉或语音等应用程序中获得最新性能的关键要素。尽管文献中已经提出了一些脑电图数据的增强转换，但它们对跨任务的绩效的积极影响仍然难以捉摸。在这项工作中，我们提出了对主要现有脑电图增强的统一和详尽的分析，该分析在常见的实验环境中进行了比较。我们的结果强调了为睡眠阶段分类和大脑计算机界面界面的最佳数据增强，在某些情况下显示预测功率改善大于10％。

目的：分类器传输通常带有数据集偏移。为了克服它们，必须采用在线策略。对于实际应用，必须考虑用于适应批处理学习算法（例如SVM）的计算资源的局限性。方法：我们审查并比较了在线学习的几种策略与SVM。我们专注于限制存储培训数据大小的数据选择策略[...]主要结果：对于不同的数据移动，不同的标准是合适的。对于合成数据，将所有样品添加到所考虑的样品库中的性能通常比其他标准差得多。特别是，仅添加错误分类的样本表现出色。在这里，当其他标准没有得到很好的选择时，平衡标准非常重要。对于转移设置，结果表明，最佳策略取决于转移过程中漂移的强度。添加全部并删除最古老的样品会导致最佳性能，而对于较小的漂移，仅添加SVM的潜在新支持向量就足以减少处理资源。意义：对于基于脑电图模型的BCIS，使用了校准会话中的数据，先前的录制会话，甚至是与一个或其他主题的录音会话进行培训。学习模型的这种转移通常会降低性能，因此可以从在线学习中受益，从而适应了像已建立的SVM这样的分类器。我们表明，通过使用正确的数据选择标准组合，可以适应分类器并在很大程度上提高性能。此外，在某些情况下，可以通过使用特殊样本的子集更新并保留一小部分样品来训练分类器来加快处理并节省计算。