脑机接口 / BCI

Improving motor imagery decoding methods for an EEG-based mobile brain-computer interface in the context of the 2024 Cybathlon

改进用于基于EEG的移动脑机接口的运动想象解码方法：在2024年Cybathlon背景下的应用

Isabel Whiteley Tscherniak, Niels Christopher Thiemann, Ana McWhinnie-Fernández, Iustin Curcean, Leon Jokinen, Sadat Hodzic, Thomas E. Huber, Daniel Pavlov, Manuel Methasani, Pietro Marcolongo, Glenn Viktor Krafczyk, Oscar Osvaldo Soto Rivera, Thien Le, Flaminia Pallotti, Enrico A. Fazzi

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(summary_cn,abstract)；brain-computer interface(title,abstract)；motor imagery(title,abstract)

AI总结 本文提出了一种模块化的EEG脑机接口系统，通过深度学习实现高精度解码，结合用户反馈和低成本硬件，提升移动BCI的实用性与可访问性。

Comments This work was created by the members of the neuroTUM e.V

Average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders

平均排名掩盖了个体最优性：基于Friedman-Nemenyi基准测试的EEG运动想象BCI解码器比较

Xavier Vasques, Paul Barbaste, Olivier Oullier

机构 * IBM Technology（IBM技术） ； IBM France Lab（IBM法国实验室） ； Inclusive Brains（包容大脑） ； Wavestone ； Human Technology Foundation（人类科技基金会） ； Computing and Mathematical Sciences Division（计算与数学科学部） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学） ； Institute for Artificial Intelligence, Biotech Dental Group（人工智能研究所，生物技术牙科集团） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(title,title_cn)；brain-computer interface(abstract)；motor imagery(abstract)

AI总结 本研究通过大规模基准测试（MOABB）评估1056种EEG运动想象解码配置，发现无单一管道普遍最优，个体间差异显著，需个性化模型选择。

Comments 16 pages, 6 figures, 4 tables

EvoBrain: Continual Learning of EEG Foundation Models Across Heterogeneous BCI Tasks

EvoBrain: 面向异构BCI任务的EEG基础模型的持续学习

Yangxuan Zhou, Sha Zhao, Jiquan Wang, Shijian Li, Gang Pan

机构 * State Key Laboratory of Brain-machine Intelligence and College of Computer Science and Technology, Zhejiang University（脑机智能国家重点实验室和浙江大学计算机科学与技术学院） ； MOE Frontier Science Center for Brain Science and Brain-Machine Integration, Zhejiang University（教育部脑科学与脑机集成前沿科学中心，浙江大学） 纠错

专题命中 EEG解码 ：BCI(title,title_cn)；EEG(title,title_cn)；brain-computer interface(abstract)

AI总结 提出EvoBrain框架，通过神经频谱任务归一化和响应亲和蒸馏，解决EEG基础模型在异构BCI任务中的持续学习问题，实现跨任务知识迁移和遗忘缓解。

Comments 18 pages,12 figures

Rethinking Generalized BCIs: Benchmarking 340,000+ Unique Algorithmic Configurations for EEG Mental Command Decoding

重新思考通用BCI：对超过340,000种独特的算法配置进行基准测试以解码EEG心理命令解码

Paul Barbaste, Olivier Oullier, Xavier Vasques

机构 * Inclusive Brains（包容大脑） ； Wavestone ； Human Technology Foundation（人类科技基金会） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； Institute for Artificial Intelligence, Biotech Dental Group（人工智能研究所，生物技术牙科集团） ； IBM Technology（IBM技术） ； IBM France Lab（IBM法国实验室） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(title_cn,summary_cn)；brain-computer interface(abstract)；motor imagery(abstract)

AI总结 本文通过评估超过340,000种独特的空间和非线性EEG分类组合，重新审视通用BCI，发现非线性方法在特定个体中表现更优，强调个性化流程选择的必要性。

Comments 28 pages, 8 figures, 2 tables

Backpropagation-Free Test-Time Adaptation for Lightweight EEG-Based Brain-Computer Interfaces

无需反向传播的测试时间适应用于轻量级基于EEG的脑机接口

Siyang Li, Jiayi Ouyang, Zhenyao Cui, Ziwei Wang, Tianwang Jia, Feng Wan, Dongrui Wu

机构 * Ministry of Education Key Laboratory of Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（教育部长图像处理与智能控制重点实验室，人工智能与自动化学院，华中科技大学） ； Shenzhen Huazhong University of Science and Technology Research Institute（深圳华中科技大学研究机构） ； Department of Electrical and Computer Engineering, Faculty of Science and Technology, University of Macau（科技学院电子与计算机工程系，澳门大学） ； Centre for Cognitive and Brain Sciences, Institute of Collaborative Innovation, University of Macau（认知与脑科学中心，创新研究院，澳门大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(summary_cn,abstract)；brain-computer interface(title,abstract)；motor imagery(abstract)

AI总结 本文提出无需反向传播的变换（BFT）方法，用于解决EEG解码中的测试时间适应问题，通过样本级变换和学习到排名模块提升鲁棒性和效率，实现轻量级BCI的部署。

Bridging scalp and intracranial EEG in BCI via pretrained neural representations and geometric constraint embedding

通过预训练神经表示和几何约束嵌入桥接头皮和脑内EEG

Yihang Dong, Changhong Jing, Shuqiang Wang

机构 * Shenzhen Institutes of Advanced Technology（深圳先进技术研究院） ； Chinese Academy of Sciences（中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(title,summary_cn)；brain-computer interface(abstract)；neural signal(abstract)

AI总结 本文提出统一框架提升EEG-iEEG表示，通过几何结构指导功能，结合预训练模型和扩散过程生成高保真神经信号，提升BCI性能。

nASR: An End-to-End Trainable Neural Layer for Channel-Level EEG Artifact Subspace Reconstruction in Real-Time BCI

nASR：一种端到端可训练的神经层，用于实时BCI中通道级EEG伪影子空间重建

Shantanu Sarkar, Jose L. Contreras-Vidal

机构 * Doctoral Candidate of Electrical & Computer Engineering, Univ. of Houston（电气与计算机工程博士候选人，休斯顿大学） ； Faculty of Electrical & Computer Engineering, Univ. of Houston（电气与计算机工程系，休斯顿大学） 纠错

专题命中 EEG解码 ：BCI(title,title_cn)；EEG(title,title_cn)；分类 eess.SP、cs.LG、cs.HC

AI总结 nASR通过引入可训练阈值参数优化伪影剔除与解码，提升实时BCI信号处理性能，实现更低延迟和更高解码精度。

Comments Accepted at IEEE SMC 2026. Camera-ready version

A Domain-Informed Multi-Objective Framework for EEG Channel Selection in Motor Imagery BCIs

一种领域信息驱动的多目标框架用于运动想象脑机接口中的EEG通道选择

Dekka Muni Kumar, Dhruba Jyoti Kalita, Yogesh Kumar Meena

机构 * Human-AI Interaction (HAIx) Lab, IIT Gandhinagar（人机交互（HAIx）实验室，印度冈达恩加尔理工学院） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；motor imagery(title,abstract)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)

AI总结 提出一种基于多目标优化（NSGA-II、MOPSO、MOEA/D）的EEG通道选择框架，通过高斯核评估空间相关性、任务相关去同步评估功能区分性，在四个数据集上优于单目标方法，实现紧凑通道子集和高分类性能。

Comments This work has been submitted to the IEEE for possible publication

How Does a Single EEG Channel Tell Us About Brain States in Brain-Computer Interfaces ?

单个EEG通道如何帮助我们了解脑机接口中的脑状态？

Zaineb Ajra, Binbin Xu, Gérard Dray, Jacky Montmain, Stéphane Perrey

专题命中 EEG解码 ：EEG(title,title_cn)；brain-computer interface(title,abstract)；BCI(abstract,abstract_cn)；motor imagery(abstract)

AI总结 本文研究如何利用单个EEG通道实现脑状态识别，提出基于CNN的高效分类方法，在三个数据集中达到最高91.55%的准确率。

Comments Accepted in the 16th International Conference on Human System Interaction 2024, Paris, France

PA-TCNet: Pathology-Aware Temporal Calibration with Physiology-Guided Target Refinement for Cross-Subject Motor Imagery EEG Decoding in Stroke Patients

PA-TCNet：基于病理意识的时序校准与生理引导的目标细化用于中风患者跨受试者运动想象EEG解码

Xiangkai Wang, Yun Zhao, Dongyi He, Qingling Xia, Gen Li, Nizhuan Wang, Ningxiao Peng, Bin Jiang

机构 * School of Artificial Intelligence, Chongqing University of Technology（重庆理工大学人工智能学院） ； Chongqing Key Laboratory of Embodied Intelligence Perception and Autonomous Learning for Humanoid Robots（重庆 embodied 智能感知与人形机器人自主学习关键实验室） ； Key Laboratory of Advanced Equipment Intelligence of the Chongqing Education Commission（重庆市教育委员会先进设备智能关键实验室） ； School of Smart Health, Chongqing Polytechnic University of Electronic Technology（重庆电子工程职业大学智能健康学院） ； Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； School of Pharmacy and Bioengineering, Chongqing University of Technology（重庆理工大学药学院与生物工程学院） ； School of Computer Science and Engineering, Chongqing University of Technology（重庆理工大学计算机科学与工程学院） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；motor imagery(title,abstract)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)

AI总结 本文提出PA-TCNet框架，通过病理意识时序校准与生理引导目标细化，提升中风患者跨受试者运动想象EEG解码的鲁棒性，实验在两个独立数据集上达到66.56%和72.75%的准确率。

PHINN-EEG: Topological Time-Series Analysis of Dream-State EEG -- Dynamic Betti Curves for Dream Content Classification and Topology-Conditioned Neural Signal Synthesis

PHINN-EEG：梦境状态脑电图的拓扑时间序列分析——用于梦境内容分类和拓扑条件神经信号合成的动态贝蒂曲线

Ren Takahashi, Emre Yusuf, Jayabrata Bhaduri

机构 * CapaCloud Corp（CapaCloud公司） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；neural signal(title)；BCI(abstract,abstract_cn)；分类 q-bio.NC、eess.SP、cs.LG

AI总结 研究针对梦境状态脑电图，提出PHINN-EEG拓扑时间序列框架，通过滑动窗口等提取动态贝蒂曲线，结合拓扑条件流匹配，在梦境内容分类上优于现有基准，还引入相关模型及原型，有望实现从频谱能量到相空间几何的范式转变。

SENSE: Efficient EEG-to-Text via Privacy-Preserving Semantic Retrieval

SENSE：通过隐私保护的语义检索实现高效的EEG到文本

Akshaj Murhekar, Christina Liu, Abhijit Mishra, Shounak Roychowdhury, Jacek Gwizdka

机构 * School of Information, The University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)；neural decoding(abstract)

AI总结 SENSE通过本地语义检索和提示语言生成，实现无需微调LLM的EEG到文本转换，提升效率并保护隐私。

Comments Accepted to ACM International Conference on Multimodal Interaction 2026

Improving TMS EEG Signal Quality for Closed-Loop Neuro Stimulation via Source-Domain Denoising

通过源域去噪提升闭环神经刺激的TMS EEG信号质量

Zhen Tang, Ameer Hamoodi, Stevie Foglia, Aimee Nelson, Zhen Gao

机构 * Department of Kinesiology, Faculty of Science, McMaster University（科学学院运动学系，麦基尔大学） ； Faculty of Engineering, McMaster University（工程学院，麦基尔大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(summary_cn,abstract)；cortical(abstract)；分类 eess.SP

AI总结 本文提出改进TMS EEG信号质量的去噪方法，通过建立参考数据集评估两种常用去噪策略，验证其在提升信号质量和保留TMS诱发电位方面的有效性，为闭环神经刺激和BCI框架整合提供支持。

A 2-Block Architecture for Real-Time EEG Gait Decoding: A Pilot Study

用于实时脑电图步态解码的2模块架构：一项试点研究

Shantanu Sarkar, Saurabh Prasad, Jose L. Contreras-Vidal

专题命中 EEG解码 ：EEG(title,summary_cn)；BCI(summary_cn,abstract)；brain-computer interface(abstract)；cortical(abstract)

AI总结 该研究针对EEG下肢外骨骼控制的局限，提出含特征提取与PolyTVL+LSTM解码器的2模块BCI架构，经实验验证其在四态步态分类中表现优异，且具备实时可行性。

Comments Accepted for publication in the 2026 IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2026), September 28-October 1, 2026, Atlanta, GA, USA. Camera-ready version

Deep Sleep Classification via EEG Signal Criticality: A Passive BCI Approach for Sleep-Improvement Neurofeedback

基于EEG信号临界性的深度睡眠分类：一种用于改善睡眠神经反馈的被动BCI方法

Stanisław Narębski, Tomasz Komendziński, Tomasz M. Rutkowski

机构 * Nicolaus Copernicus University（尼古拉·哥白尼大学） ； Araya Inc.（Araya公司） ； The University of Tokyo（东京大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(title,title_cn)；brain-computer interface(abstract,comments)；分类 q-bio.NC、cs.LG

AI总结 本研究利用去趋势波动分析（DFA）提取的临界性特征，通过朴素贝叶斯分类器实现了对深度睡眠（N3）的高精度识别（平衡准确率87.17%），为被动脑机接口中的状态依赖神经反馈提供了高效感知机制。

Comments 7 pages, 3 figures, accepted for publication in the Proceedings of the 10th Graz Brain-Computer Interface Conference 2026, Graz, Austria, September 14-17, 2026

STEAM: A Spatio-TEmporal Alignment Mixture-of-Experts Model with Hierarchical Pre-training for EEG Decoding

STEAM：用于EEG解码的分层预训练时空对齐混合专家模型

Zhu Chen, Dingkun Liu, Yuheng Chen, Dongrui Wu

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)；neural signal(abstract)

AI总结 STEAM是一种分层迁移框架，通过双分支时空编码器与SSMoE模块实现EEG解码的通用表征学习与范式专业化，在7个数据集的14种评估设置中表现优异且推理成本具竞争力。

Quantifying Event-Related (De)Synchronization Variability for Brain-Computer Interface: A Unified and Interpretable Framework

用于脑机接口的事件相关（去）同步变异性量化：一个统一且可解释的框架

Simon Kojima, Fabien Lotte

专题命中 EEG解码 ：BCI(summary_cn,abstract)；EEG(summary_cn,abstract)；brain-computer interface(title,abstract)；motor imagery(abstract)

AI总结 研究针对脑机接口中EEG变异性问题，提出统一可解释框架，通过提取EEG特征量化时间、空间和频率变异性。利用两个数据集进行实验，发现变异性与BCI性能负相关，揭示了不同分类器对变异性的敏感性差异，为理解EEG变异性和改进BCI提供支持。

MPEC: Manifold-Preserved EEG Classification via an Ensemble of Clustering-Based Classifiers

MPEC：通过集成基于聚类的分类器实现流形保持的脑电图分类

Shermin Shahbazi, Mohammad-Reza Nasiri, Majid Ramezani

机构 * Department of Electrical and Computer（电气与计算机系） ； Department of Computer Science and Engineering, Information Technology（计算机科学与工程系，信息科技） 纠错

专题命中 EEG解码 ：EEG(title,summary_cn)；BCI(summary_cn,abstract)；brain-computer interface(abstract)；neuroprosthetic(abstract)

AI总结 提出MPEC方法，通过协方差矩阵和RBF核的特征工程以及黎曼流形上的改进K-means聚类集成，解决EEG信号的非欧几里得流形结构问题，在BCI Competition IV数据集2a上取得显著提升。

Comments 7 pages ,3 figures

Structure-Guided Diffusion Model for EEG-Based Visual Cognition Reconstruction

基于结构引导的扩散模型用于EEG视觉认知重建

Yongxiang Lian, Yueyang Cang, Pingge Hu, Yuchen He, Li Shi

机构 * China Academy of Information and Communications Technology（信息与通信技术研究院） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)；neural decoding(abstract)

AI总结 本文提出结构引导扩散模型(SGDM)，通过整合结构信息提升EEG视觉重建的精度与泛化能力，实现更高质量的视觉内容解码。

NeuroAtlas: Benchmarking Foundation Models for Clinical EEG and Brain-Computer Interfaces

NeuroAtlas：用于临床EEG和脑机接口的基础模型基准测试

Konstantinos Kontras, Trui Osselaer, Stylianos G. Mouslech, Angeliki-Ilektra Karaiskou, Guido Gagliardi, Thomas Strypsteen, Mohammad Hossein Badiei, Anku Rani, Maarten Vanmarcke, Miguel Bhagubai, Chanakya Ekbote, Jaedong Hwang, Christos Chatzichristos, Paul Pu Liang, Maarten De Vos

机构 * KU Leuven（鲁文大学） ； MIT（麻省理工学院） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；brain-computer interface(title,abstract)；分类 cs.LG

AI总结 NeuroAtlas是首个大规模EEG基准测试，包含42个数据集和260万小时的数据，涵盖癫痫、睡眠医学和脑年龄估计等领域，评估了EEG基础模型与通用时间序列模型的性能，揭示了现有模型在统一EEG模型上的不足。

I see artifacts: ICA-based EEG artifact removal does not improve deep network decoding across three BCI tasks

我看到了伪影：基于ICA的EEG伪影去除在三个BCI任务中并未提高深度网络解码

Taeho Kang, Yiyu Chen, Christian Wallraven

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(title,title_cn)；motor imagery(abstract)；分类 cs.HC

AI总结 本文研究了基于独立成分（IC）的噪声去除方法在不同任务数据集中的神经网络分类器解码效果，发现IC基噪声去除对解码性能提升有限，尤其在计算资源消耗方面显著。

Comments Article already accepted in journal (Journal of Neural Engineering); uploading to public repository after accepted manuscript embargo (12 months) has been lifted in order to meet funder requirements for open access

Journal ref Journal of Neural Engineering, 21(6), p.066036 (2024)

DANCE: Detect and Classify Events in EEG

DANCE：检测和分类EEG中的事件

Jarod Lévy, Hubert Banville, Jérémy Rapin, Jean-Remi King, Thomas Moreau, Stéphane d'Ascoli

机构 * Meta AI ； Inria, Université Paris-Saclay, Palaiseau, France（Inria，巴黎萨克雷大学，Palaiseau，法国） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(summary_cn,abstract)；neural decoding(abstract)；分类 eess.SP、cs.LG

AI总结 本文提出DANCE模型，通过将神经解码视为集合预测问题，直接从原始未对齐信号中检测和分类事件，优于现有方法，在癫痫监测和BCI任务中取得新进展。

Comments 29 pages

Brain Computer Interface (BCI) based on Electroencephalographic (EEG) patterns due to new cognitive tasks

Zahmeeth Sayed Sakkaff

专题命中 EEG解码 ：BCI(title,abstract)；EEG(title,abstract)；brain computer interface(title)；brain-computer interface(abstract)

Comments arXiv admin note: text overlap with arXiv:1404.1100 by other authors

Divergence Framework for EEG based Multiclass Motor Imagery Brain Computer Interface

Satyam Kumar, Tharun Kumar Reddy, Laxmidhar Behera

专题命中 EEG解码 ：brain computer interface(title,abstract)；EEG(title,abstract)；motor imagery(title,abstract)；BCI(abstract)

SwitchBraidNet: Quantisation-Aware Lightweight Architecture for Hybrid Brain-Computer Interface

SwitchBraidNet: 面向混合脑机接口的量化感知轻量级架构

Gourav Siddhad, Yogesh Kumar Meena

机构 * Human-AI Interaction (HAIx) Lab, Indian Institute of Technology Gandhinagar（人类-人工智能交互实验室，印度理工学院甘地纳格尔） 纠错

专题命中 EEG解码 ：EEG(summary_cn,abstract)；brain-computer interface(title,abstract)；BCI(abstract,abstract_cn)；neural decoding(abstract)

AI总结 提出SwitchBraidNet紧凑型EEG分类架构，采用双路径时间辫、自适应挤压激励空间开关和对数方差读出层，通过量化感知训练在OpenBMI数据集上实现高精度低功耗混合脑机接口解码，INT8模型仅3.03 KB。

Comments 6 pages, 6 figures, 2 tables, Preprint accepted at IEEE SMC 2026

Making Brain-Computer Interfaces More Secure

使脑机接口更安全

Md Fahimul Kabir Chowdhury, Gahangir Hossain

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

专题命中 EEG解码 ：BCI(summary_cn,abstract)；EEG(summary_cn,abstract)；brain-computer interface(title,abstract)；分类 cs.LG

AI总结 针对脑电图（EEG）脑机接口（BCI）易受对抗攻击的问题，提出轻量级卷积神经网络（CNN）架构，在梯度攻击下比EEGNet、DeepConvNet和SleepEEGNet等模型具有更好的分类鲁棒性。

Comments Accepted and presented at IEEE World AI IoT Congress 2026

Journal ref 2026 IEEE World AI IoT Congress (AIIoT)

RAG-based EEG-to-Text Translation Using Deep Learning and LLMs

基于深度学习和大语言模型的RAG EEG到文本翻译

Enrico Collautti, Xiaopeng Mao, Luca Tonin, Stefano Tortora, Sadasivan Puthusserypady

机构 * IAS-LAB, Department of Information Engineering, University of Padova（帕多瓦大学信息工程系IAS实验室） ； Padova Neuroscience Center（帕多瓦神经科学中心） ； Department of Health Technology, Technical University of Denmark（丹麦技术大学健康技术系） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)；分类 cs.HC

AI总结 本文提出了一种基于检索增强生成（RAG）的EEG到文本解码方法，结合EEG编码器、向量检索阶段和大语言模型，以提高句子级解码的准确性，并在ZuCo数据集上验证了其有效性。

Comments 6 pages, 2 figures. Submitted to the 2026 IEEE International Conference on Systems, Man, and Cybernetics

Handwriting decoding as a challenging motor task for EEG Foundation Models

手写解码作为EEG基础模型中的一个具有挑战性的运动任务

Srinivas Ravishankar, Ishayu Ghosh, Nora Zajzon, Teng Fei, Virginia de Sa

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(abstract,abstract_cn)；motor imagery(abstract)；分类 cs.HC

AI总结 本文提出将手写解码作为EEG基础模型的挑战性运动任务，发现现有数据集可能存在问题，并引入更严谨的评估数据集，显示基础模型在手写解码任务中不如专门模型表现优异。

Sinc-based convolutional neural networks for EEG-BCI-based motor imagery classification

Alessandro Bria, Claudio Marrocco, Francesco Tortorella

专题命中 EEG解码 ：BCI(title,abstract)；EEG(title,abstract)；motor imagery(title,abstract)；brain-computer interface(abstract)

A Low Cost Eeg Based Bci Prosthetic Using Motor Imagery

Daniel Elstob, Emanuele Lindo Secco

专题命中 EEG解码 ：BCI(title,abstract)；EEG(title,abstract)；motor imagery(title,abstract)；brain computer interface(abstract)

Comments International Journal of Information Technology Convergence and Services (IJITCS) Vol.6, No.1,February 2016