跳到正文
只看一手#Wavelet
9月30日周三
  1. OpenReview · EEG66

    使用 EEGNet 与 EEG Conformer 进行视觉解码的 EEG 特征表示比较研究

    基于摘要分析。本研究针对持续视觉范式中 EEG 特征提取方法的相对有效性尚不明确的问题，比较八种特征表示，并结合 EEGNet、EEG Conformer 及两种预处理流程评估视觉解码表现，旨在识别有效的特征基线与泛化瓶颈。 比较方法包括 coherence、Granger causality、directed transfer function、partially directed coherence、transfer entropy、discrete wavelet transform、empirical wavelet transform（EWT）和 wavelet scattering transform。研究使用 MindBigData MNIST、MindBigData MNIST-8B 与 MSS 三个公开 EEG 数据集，分别采用去除伪迹和不去除伪迹的预处理流程。摘要未交代特征如何输入两种架构、训练配置及各数据集对应的任务划分。 作者报告，EWT 获得最高 Accuracy：数字与空白二分类达到 97.83%，会话内自然图像分类达到 77.10%；连接性方法整体表现较低，其最佳 Accuracy 为 91.67%。摘要未明确这些数值各自对应的数据集、架构、预处理流程和训练测试划分，因此不能将不同任务的数值直接比较。作者据此认为，频谱功率信息比通道间关系更具判别力，并将小波类自适应频谱分解视为较强基线；这一解释的适用范围仍需结合完整实验核对。 作者报告，Cross-subject 泛化的最佳表现约为 68%，但摘要未明确该数值的具体指标及任务设置，作者据此强调域适应的研究需求。复现时值得核对被试与会话隔离方式、伪迹去除对不同表示的影响，以及特征提取参数和模型训练条件。被试数、实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未验证。现有摘要支持将 EWT 作为候选对照基线，尚不足以判断其优势能否跨任务或跨被试稳定保持。

1月1日周三
  1. OpenReview · EEG53

    结合过完备有理伸缩小波变换与自回归模型的 EEG 运动想象分类

    基于摘要分析。本文针对 EEG 运动想象（MI）分类问题，提出 ORDWT_AR，将过完备有理伸缩小波变换（ORDWT）与自回归（AR）模型结合，用于提取 EEG 特征，再由传统分类器完成分类。 方法流程是先通过滑动窗口将 EEG 记录分段，再对各片段进行 ORDWT 分析。摘要称该步骤产生一系列 stop bands，随后结合 AR 提取代表性特征，并将选定特征输入 Weighted k-nearest Neighbour（WKNN）、Decision Tree（DTree）和 Boosted Trees（BST）。其可核对的技术重点是小波分析与 AR 特征的组合；ORDWT 的具体配置、AR 阶数、窗口长度与步长、特征选择方式及分类器参数尚未验证。 作者报告，在三个来自 BCI Competition III 的 EEG 数据集上，ORDWT_AR 配合 WKNN 的平均 Accuracy 为 99.8%；在 CHB-MIT 数据集上的 Accuracy 为 99.7%。摘要未提供三个竞赛数据集的具体名称、类别设置、被试数，以及被试内、跨被试或跨会话评估协议，因此这些数值只能作为作者在未明确划分条件下报告的结果，不能直接与其他 MI 方法比较。 复现时应优先核对训练与测试划分的单位、滑动窗口分段与划分的先后顺序、重叠片段的处理，以及特征选择是否限定在训练数据内；摘要不足以判断这些环节是否存在问题。CHB-MIT 的具体分类任务及其与 MI 的对应关系也需从全文确认，不能将该数据集上的结果直接视为 MI 分类证据。实验协议、对照基线、消融及统计信息尚未验证。作者提出该方案可能支持残障人士与环境交互，但摘要所述离线分类结果尚不足以验证在线 BCI 性能或实际使用效益。

1月1日周五
  1. OpenReview · EEG48

    基于小波变换与 SVM 方法的 EEG 检测

    基于摘要分析。该研究面向癫痫相关 EEG 异常波形难以通过目视识别的问题，提出结合小波变换与支持向量机（SVM）的信号分析及预测方法，核心是将异常 EEG 数据纳入后续训练的动态循环流程。 方法先在给定数据集上训练并获得参数，再对新个体的 EEG 信号进行多次小波分解，预测其是否具有癫痫特征波。按照摘要描述，若发现癫痫异常信号，则将该个体的 EEG 数据加入 SVM 训练模型，与此前异常数据合并后重新训练。小波变换承担信号分解，SVM 承担分类，但具体小波类型、分解层级、特征构造、核函数及参数选择尚未验证。 摘要将方法称为分析与预测技术，但所描述的目标是识别癫痫特征波，不能据此认定其实现了发作前预测。动态更新是值得核对的机制：新增样本的异常标签由谁确认、更新是否依赖模型自身预测，以及重训练后的性能如何在独立数据上评估，均需查阅全文。 作者提出该方法可能用于患者初步诊断并提高医生效率，但摘要未提供可核对的定量结果，不能视为已验证的临床收益。数据集、被试数量、被试内或跨被试划分、对照基线、实验协议、消融及统计信息尚未验证。复现需要确认数据来源、预处理与特征提取细节，以及动态更新的触发条件和训练／测试隔离方式。该工作属于癫痫 EEG 检测研究，材料不足以支持其对 BCI 解码任务的有效性。

1月1日周日
  1. OpenReview · EEG69

    基于 super-Dirichlet 混合模型的 EEG 信号分类

    基于摘要分析。该研究针对 BCI 中的 EEG 信号分类，提出利用边缘化离散小波变换（mDWT）系数的非负性与和为一性质进行概率建模，并以 super-Dirichlet mixture model（SDMM）描述多通道特征，用于分类。 核心机制是将特征的取值约束纳入分布假设：mDWT 系数用于表征 EEG 的瞬态特性，作者采用 Dirichlet 分布建模这些系数，再通过 SDMM 描述来自多个通道的系数分布。相较于直接使用 SVM 分类，方法的主要区别在于显式利用这类特征的概率结构。摘要未说明 mDWT 的具体计算与归一化方式、SDMM 的多通道组织方式、参数估计及分类决策规则，相关实现细节尚未验证。 研究分别使用 Fisher ratio 和泛化误差估计选择相关通道。作者报告，在这两种通道选择策略下，SDMM 分类器相较于文中作为先进方法对照的 SVM 分类器表现更稳定，并显示出改善潜力；摘要没有给出具体指标、数值或稳定性的定义，不能据此判断提升幅度。 数据集、BCI 任务类型、被试数量、被试内或跨被试协议、训练测试划分，以及 SVM 配置、消融与统计信息尚未验证。复现时需重点核对特征是否满足所用分布的支持条件、通道选择与参数估计如何嵌入评估流程，以及稳定性结论对应何种重复实验或数据条件。上述事项属于待核对信息，不代表作者未开展相关实验。