标签
本文提出了Conv-VaDE，这是一种用于发现可解释脑电图（EEG）微状态的变分深度嵌入模型，该模型联合学习地形重构和概率软聚类。它包含对静息态EEG数据进行评估的系统架构搜索，以确定最佳模型配置以实现稳定性和可解释性。
本文介绍了STDA-Net，一种利用2D频谱图和对抗学习进行跨数据集睡眠分期的领域适应框架。在公共数据集上，与现有的1D EEG基线方法相比，该方法显示出更高的准确性和稳定性。
EEG-tGAT是一种时间增强的图注意力网络，通过融合时间注意力和dropout机制来改进交互序列的可供性分类。该模型在GATv2基础上进行了增强，适用于时间维度语义不均匀的序列数据。