文献[30]
| 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $波段 | 将每个波段对应的特征向量直接连接 |
文献[31]
| 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $波段 | 将多个子波段堆叠输入网络 |
文献[32]
| 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $波段，将相邻的波段结合形成不同尺度 | 采用自适应的权重学习方法，对不同尺度的分类结果进行融合 |
文献[33]
| 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $波段，为每个受试者自适应地挑选最优波段 | 将多个波段的输出直接连接 |
文献[34]
| 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $波段 | 将每个波段视为RGB中的一个通道，使用基于CNN的自编码器进行特征提取 |
文献[35]
| 将8~30 Hz分解至10个子波段，每个子波段宽为4 Hz，且相邻子波段之间的重叠频带为2 Hz | 将输入视为图像格式，沿着频率轴滑动卷积核 |
文献[36]
| 捕获频率≥2 Hz的信息 | 为每个特定频率学习多个空间滤波器 |
文献[37]
| — | 使用由小波核启发的时频滤波器 |
文献[38]
| — | 将复杂网络表示扩展至频域，使用序列卷积从连续频率中学
习特征 |