脑机接口

Simple-STNDT使用Transformer进行Spike信号的表征学习（二）模型结构model.pymodel.py 核心编码层，加入了将空间注意力编码model.pymodel.py下一篇: https://blog.csdn.net/weixin_46866349/article/details/139906391

62、忠北国立大学计算机科学系：FingerNet-专门用于细致MI分类的神经网络模型本文由泡菜国高校于2024年3月6日发表于arXiv，做了一个专门处理运动想象信号的CNN模型，融合了EEGNet和DeepConvNet。

61、内蒙古工业大学、内蒙科学技术研究院：CBAM-CNN用于SSVEP - BCI的分类方法[脑机二区还是好发的]之前写过一篇对CBAM模型改进的博客，在CBAM中引入了ECANet结构，对CBAM中的CAM、SAM模块逐一改进，并提出ECA-CBAM单链双链结构，我的这个小的想法已经被一些同学实现了，并进行了有效的验证，写了毕业论文，我既然把这个idea写成博文，那对于这些行为我也不追究了（其实应该加我名字）。还是关注CBAM这块，注意力这块它还是热点，也好发论文，今天我们看一下一篇2区的文章。

稳态视觉诱发电位 (SSVEP) 分类学习系列 (2) :EEGNet论文地址：https://iopscience.iop.org/article/10.1088/1741-2552/aae5d8 论文题目：Compact convolutional neural networks for classification of asynchronous steady-state visual evoked potentials 论文代码：暂无

稳态视觉诱发电位 (SSVEP) 分类学习系列 (3) :3DCNN论文地址：https://www.sciencedirect.com/science/article/abs/pii/S1746809423013642 论文题目：Deep transfer learning-based SSVEP frequency domain decoding method 论文代码：暂无

【信号处理】基于变分自编码器（VAE）的脑电信号增强典型方法实现（tensorflow)在脑电信号分析处理任务中，数据不均衡是一个常见的问题。针对数据不均衡，传统方法有过采样和欠采样方法来应对，但是效果有限。本项目通过变分自编码器对脑电信号进行生成增强，提高增强样本的多样性，从而提高最终的后端分析性能。

CMC学习系列 (4):β段CMC可以作为一种中风治疗的生物标志物和治疗靶点论文地址：https://www.sciencedirect.com/science/article/pii/S2213158217300657 论文题目：Plasticity of premotor cortico-muscular coherence in severely impaired stroke patients with hand paralysis 论文代码：无

46、Numpy手推共空间模式CSP，用于脑电EEG信号分类一、Numpy实现CSP公式及对应的代码CSP全部流程：1、CSP先将数据按照类别分类，两类数据可分为E1、E2

紫钺-高山仰止

【脑机接口】基于运动想象的康复指导在脑卒中偏瘫患者中的应用【摘要】目的探讨运动想象康复指导对脑卒中偏瘫患者的康复效果及意义。方法将 60例脑卒中偏瘫患者随机分为观察组(n=31)和对照组(n=29)，对照组的康复训练指导采用讲解示范法，观察组采用运动想象法。比较两组患者的运动功能、日常生活活动能力及满意度方面的差异。结果干预4周、8周后，两组患者在运动功能、Et常生活活动能力及满意度的差异均有统计学意义 (P<0．05)。结论应用运动想象为脑卒中偏瘫患者进行康复锻炼指导能够提高健康指导的效果