分享几篇自己看过的相关论文
1.（综述性质论文）Deep learning-based electroencephalography analysis: a systematic review
论文地址：论文地址
主要思想：
这篇综述回顾了从 2010 年到 2018 年的 156 篇将 DL（Deep Learning，深度学习）应用在 EEG 的文章，这些论文涵盖了不同的应用领域，如枕测、睡眠、脑机接口、认知和情感监测，并从大量的文献中提取趋势并突出有趣的方法，以便为未来的研究提供信息并制定建议；
这篇综述将分析每个项目的：1)数据、2)预处理方法、3)DL设计选择、4)结果和5)实验重现性；

2.EEGNet a compact convolutional neural network for EEG-based brain–computer interfaces
论文地址：论文地址
发表时间：2015年
被引用量：225
源码地址：https://github.com/vlawhern/arl-eegmodels
主要思想：
这里作者的问题是否可以设计一个单一的CNN架构，以准确地分类脑电图信号从不同的BCI范式，同时尽可能紧凑的方法。在文中作者介绍了EEGNet，一个紧凑的卷积神经网络，用于脑电图基础的BCIs。引入深度和可分离的卷积来构造一个特定脑电图模型，该模型封装了脑电接口的特征提取概念。通过四种BCI范式将EEGNet与当前最先进的方法进行比较:P300视觉诱发电位、错误相关负性反应(ERN)、运动相关皮层电位(MRCP)和感觉运动节律(SMR)。主要的结果表明，当在所有测试的范例中只有有限的训练数据可用时，EEGNet在跨范例上的泛化优于参考算法，并且取得了与参考算法相当的高性能。

3.EEG-Based Biometrics Utilizing Image Recognition for Patient Identification
论文地址：论文地址
发表时间：2020年
主要思想：
生物特征识别技术利用指纹、人脸检测、声波等技术，在许多不同的安全领域得到了广泛的应用。在医疗领域，使用患者腕带或患者卡进行身份识别可能会导致病历错误。为了克服这些局限性，本文提出了一种利用脑电图信号对患者身份进行分类的新方法，从而避免了误治。系统采用OpenBCI Cyton、EEGlab、MATLAB、带通滤波器等多种硬件和软件。这项研究的主要目的是通过观察一系列触发注意力和记忆的图像来捕捉信号，从而突出每个人的每个脑电图信号模式的识别。

4.DEEP LEARNING WITH CONVOLUTIONAL NEURAL NETWORKS FOR DECODING AND VISUALIZATION OF EEG PATHOLOGY
论文地址：论文地址
源码地址：https://github.com/robintibor/auto-eeg-diagnosis-example
数据集：数据集地址
主要思想：
作者在 TUH EEG 数据集应用卷积神经网络来区分病理与正常脑电图记录，即使用两种基本的，浅层的和深层的卷积神经网络架构来解码来自脑电图的任务相关信息，至少是针对这一目的而设计的已建立的算法；
在脑电图病理解码中，两种卷积神经网络的准确率都比该数据集的唯一公布结果高(≈85% vs.≈79%)，并且在每次记录 1 分钟进行训练和每次记录 6 秒进行测试时，两种方法的准确率都更好；

持续更新中…