Jun, 2016

基于 EEG 的静息态脑网络：隐马尔可夫状态与经典微状态

PDF
TL;DR研究了脑网络和脑功能的生理基质，通过 EEG 和隐马尔可夫模型分析了脑网络的时空动态和状态的拓扑结构，与经典的 EEG 微状态分析相比，发现两种方法的主导状态寿命均为 100-150ms，HMM 方法有独特的时空特性，可能从数据模式中获取生理学的信息，然而必须进一步研究以确定电脑 HMM 状态与微状态在脑功能和临床研究中的可靠性和重要性。
brain networkseeghidden markov modelmicrostate analysisphysiological substrate
发现论文，激发创造
  • 脑动力学多重空间时间模型中社区的排名

    该研究使用隐藏马尔科夫模型（HMM）来构建多层的带有时空结构的网络模型，探索动态脑活动和区域之间的交互。结果显示出支持神经熵理论的新证据，同时也支持原有的模块化处理假设。

    Mar, 2022

  • 脑龄再探：用深度学习研究脑电图衍生的脑龄动态的状态对个体假设与特质对个体假设

    通过对临床脑电图进行全面研究，利用时序卷积网络 (TCN) 进行年龄回归任务，结果表明模型对非病理和病理样本的年龄均有明显低估，而大脑生物年龄差生物标记不表示脑电图病理。

    Sep, 2023

  • 利用情绪处理的有限状态研究晚年心理健康

    传统的心理健康研究方法包括广义线性模型（GLM）来描述观察到的心理行为测量（问卷摘要得分）的纵向动态。而隐藏马尔可夫模型（HMM）通过有限状态自动机（FSA）的视角应用于行为和神经活动与抑郁之间的关系，以提供更综合和直观的建模和理解框架。

    Mar, 2024

  • 多状态脑网络发现

    该研究论文介绍了一种新的模型 MNGL（Multi-state Network Graphical Lasso），通过将 CGL（coherent graphical lasso）与 GMM（Gaussian Mixture Model）相结合，成功地建模了多状态脑网络，通过使用合成和真实的 ADHD 200 fMRI 数据集，证明 MNGL 比最新的最先进替代方案发现更多解释性和逼真的结果。

    Nov, 2023

  • 一种用于切换脑状态发现的一位通用线性模型

    提出了一种基于先验信息的状态切换广义线性模型，通过引入高斯先验和独热先验来捕捉状态恒定的相互作用，从而揭示了潜在的解剖连接和更可能的物理神经元相互作用，同时在多种脑状态下可以捕捉到功能变化。

    Oct, 2023

  • SeDMiD 用于困惑检测：从时间序列脑波数据中揭示心理状态

    通过扩展状态空间模型以处理多源信息，文章提出了一种基于脑波数据解码学生心智状态的新方法，具有比传统方法更好的效果。

    Nov, 2016

  • 任务状态下的脑网络适应性

    利用网络科学的方法，探究大脑在不同的认知状态下的功能交互与重构，采用超图形式的分析方法证明大脑的适应性可以由驱动认知系统动态整合的共同过程来描述，这一分析方法也可以用于研究跨任务、跨年龄和跨群体的功能变化。

    Jul, 2014

  • 理解通过脑电数据学习：基于隐马尔可夫模型和混合模型的机器学习与特征工程结合

    通过使用隐马尔可夫模型和线性混合效应模型从 EEG 数据中提取特征，本研究分析了使用六种机器学习方法对学习者和非学习者进行分类的性能，并比较了不同标准化方法对分类性能的贡献。结果显示，只有使用 theta EEG 数据和深度神经网络时，才能达到超过 80% 的 ROC 曲线下面积，增强了空间学习任务中学习者和非学习者的分类能力。

    Nov, 2023

  • 结合多空间深度模型利用脑电信号估计心理负荷

    本文旨在将心理负荷分类为三种状态并估计连续水平，使用时间域方法中的时序卷积网络和频域方法中的多维残差块结构，以提高对大脑的心理估计的精确度。

    Jul, 2023

  • 贝叶斯功能连接和图卷积网络用于工作记忆负荷分类

    通过应用贝叶斯结构学习算法，该研究在传感器空间中学习了脑电图（EEG）的功能连接性，并将得到的功能连接图输入图卷积网络进行工作记忆负荷的分类，其在 154 名受试者的 6 种不同工作记忆负荷下表现出 95% 的最高分类准确性和 89% 的平均分类准确性，优于现有文献中提出的最先进的分类模型。此外，与最先进的功能连接估计方法进行跨受试者和同受试者的统计分析比较后，结果显示 alpha 波和 theta 波的分类准确性优于 beta 波。

    Apr, 2024