睡眠阶段分类在睡眠质量评估和疾病诊断中至关重要。然而，现有的分类方法在处理时间延变的多通道脑信号的空间和时间特征、应对个体生物信号差异以及模型的可解释性方面仍然面临诸多挑战。传统的机器学习方法依赖于复杂的特征工程，而深度学习方法尽管在特征表示学习上表现出色，但在空间-时间特征利用、跨个体泛化能力以及模型可解释性方面仍有待提升。 为了应对上述挑战，北京交通大学的Ziyu Jia等人以及麻省理工学院的Li-Wei H. Lehman提出了一种多视角时空图卷积网络（Multi-View Spatial-Temporal Graph Convolutional Networks, MSTGCN），并结合域泛化用于睡眠阶段分类。 论文来源 这篇论文由北京交通大学计算机与信息技术学院的Ziyu Jia,...

背景介绍 运动意象（Motor Imagery, MI）指的是通过想象的方式进行活动而无需实际肌肉运动。这一范式在脑机接口（Brain-Computer Interface, BCI）中得到了广泛应用，用于将大脑活动解码为外部设备的控制指令。特别是，脑电图（Electroencephalography, EEG）因其相对廉价、移动方便且时间分辨率高于其他神经影像工具而广泛用于BCI。此外，这一范式可以帮助中风患者进行神经康复。据研究，机器人辅助的脑机接口训练可以提升中风患者的运动康复效果（参见论文[5]和[6]）。这是因为在MI期间激活的神经通路与实际运动执行（Motor Execution, ME）的神经通路相似，因此，通过想象这种方式也可能促使感知运动区域的神经通路激活，从而帮助中风后的...

肌骨模型已经广泛用于生物力学分析，因为它们能够估计难以通过活体直接测量的运动变量（如肌肉力量和关节力矩）。传统的物理驱动计算肌骨模型可以解释神经驱动到肌肉、肌肉动力学、以及身体和关节运动学和动力学之间的动态交互。然而，这些模型由于其复杂性，运行速度较慢，难以实现实时应用。近年来，数据驱动方法以其实现速度快和操作简单的优点成为一种有前途的替代方案，但它们不能反映基础的神经机械过程。 本文提出了一种融合物理知识的深度学习框架，用以实现肌骨建模。在该框架中，将物理领域的知识引入数据驱动模型，作为软约束对其进行罚则/正则化处理。本文采用表面肌电图（SEMG）同步预测肌肉力量和关节运动学作为示例，使用卷积神经网络（CNN）实现该框架，并在两个数据集上进行了实验验证，展示了该框架的有效性和鲁棒性。 论文...

脑机接口（Brain-Computer Interface, BCI）是将神经系统与外部环境连接的一种通讯手段。运动想象（Motor Imagery, MI）是BCI研究的基石，它指在运动执行前的内在演练（Internal Rehearsal）。非侵入性技术如脑电图（Electroencephalography, EEG）因其成本效益高与便利性，可以高时间分辨率记录神经活动。当受试者想象移动身体特定部位时，大脑特定区域会发生能量变化（ERD/ERS），这些变化可以通过EEG记录并用于辨别运动意图。MI基础的BCI系统已经取得显著进展，能够控制外骨骼和光标，特别是与虚拟现实技术结合，用于中风康复的潜力更为显著。 目前，MI解码方法的高性能是这种系统成功的关键。然而，相比于依赖外部刺激的其它BC...

电子电气工程师学会 (IEEE)《神经系统与康复工程事务》2021年第29卷刊登了一篇题为《一种基于注意力深度学习的单通道EEG睡眠阶段分类方法》的文章。本文由Emadeldeen Edele、Zhenghua Chen、Chengyu Liu、Min Wu、Chee-Keong Kwoh、Xiaoli Li及Cuntai Guan等学者撰写。文章的主要目的是提出一种新型的基于注意力的深度学习模型，用于通过单通道的脑电图（EEG）信号进行自动睡眠阶段分类。 研究背景 睡眠是人类重要的生理过程，直接影响到每日生活的各个方面。有研究表明，高质量的睡眠能够促进身体健康和脑功能的提升，而睡眠中断则可能导致失眠或睡眠呼吸暂停等睡眠障碍。睡眠阶段（如浅睡和深睡）对免疫系统、记忆和代谢等起着关键作用，因此...