本次讲解的模型由重庆邮电大学计算机、自动化学院于2022年7月在（不是，这个三区的期刊影响因子好高啊）发表。本模型在基于EEGNet结构的基础上，在模型最前面加入了FBCSP（空间滤波器组），对原始EEG信号进行不同频带的滤波，再输入到完整的EEGNet中提取时域频域的特征用于分类，在2个SSVEP数据上均达到SOTA水准，优于EEGNet、CCNN、CCA、FBCCA。

之前在第18篇博客中对于EEG-TCNet这个处理EEG信号的sota模型进行了介绍，也给出了模型，目前也是全网对于EEG-TCNet浏览度最高的文章了，我觉得讲的已经很细致了，没想到还是有不少同学疑问，这也是全网缺少该模型pytorch代码的原因，因为pytorch中没有封装TCN模块，无法直接调用，而在Tensorflow中可直接调用，废话不多少，上菜：

总结了10种基础的CNN模型，用于DL小白的学习。此外，会建模的同学上手BCI还是比较容易的，只需要学习分析处理各种EEG数据，学会预处理和特征提取（机器学习）就可以了，后续再大量的阅读相关的DL+EEG的论文，丰富自己的建模和数据处理经验即可，希望大家一步一个脚印，持之以恒的学习下去。

本文已被接受发表在2024年IEEE MLISE会议上（c）2024 IEEE。准确地将脑肿瘤从MRI扫描中分割出来对于制定有效的治疗方案和改善患者预后至关重要。本研究引入了一种新的哥伦比亚大学网络（CU-Net）架构实现，用于使用BraTS 2019数据集进行脑肿瘤分割。CU-Net模型具有对称的U形结构，并使用卷积层、最大池化和上采样操作以实现高分辨率分割。作者的CU-Net模型达到了82.4

神经网络通常由三部分组成：线性层、非线性层（激活函数）和标准化层。线性层是网络参数的主要存在位置，非线性层提升神经网络的表达能力，而标准化层（Normalization）主要用于稳定和加速神经网络训练，很少有工作研究它们的表达能力，例如，以 Batch Normalization 为例，它在预测阶段可以认为是线性变换，从表达上并未引入非线性。因此研究人员普遍认为 Normalization 并不能

该数据集由48名受试者的原始EEG数据组成，他们参加了利用SIMKAP多任务测试进行的多任务工作负荷实验。受试者在休息时的大脑活动也在测试前被记录下来，也包括在其中。Emotiv EPOC设备，采样频率为128Hz，有14个通道，用于获取数据，每个案例都有2.5分钟的EEG记录。受试者还被要求在每个阶段后以1到9的评分标准对其感知的心理工作量进行评分，评分结果在单独的文件中提供。说明：每个受试者的

说到这些指标，可能大家还不知道他到底有多nb：我们一般国内做BCI项目，验收时，指标中，延迟<500ms即可，有的指标严格些（项目花的钱多，一般几百万了），延迟需要<200ms，而且每分钟打字20以内，虽然打的是汉字，但也是英文字母打出来的。他们想做的是脑机接口闭环系统，是一整套完善二健全的设备，通过算法能够使得系统稳健而准确的运行，使得各种医学疑难杂症得到妥善的辅助治疗，使得脑控变的真正实现，使

近年来，深度学习模型因其优异的性能和从原始数据中提取复杂特征的能力而受到脑电图(EEG)分类任务的关注。特别是卷积神经网络(CNN)在基于事件相关电位(ERP)等不同控制信号的脑机接口(BCI)中表现出了良好的结果。在这项研究中，我们提出了一种新的CNN，称为EEG-Inception，它提高了基于erp的辅助脑机接口的准确性和校准时间。据我们所知，EEGInception是第一个集成了用于ERP

深度学习建模处理脑机接口BCI的生理数据

在本节中，我们将通过一个实验室练习来训练一个基本的生成对抗网络（GAN）模型。这个实验将以PyTorch为框架，目标是构建并训练一个GAN模型来生成类似于MNIST手写数字的图像。