Aug, 2019

深度进化方法以生物启发的分类器优化用于脑 - 机交互

PDF
TL;DR本研究提出一种使用进化计算来选择有用的识别脑电特征并优化人工神经网络拓扑结构的新方法，同时探讨了深度学习和长短时记忆的调整，使用三个分类器对注意状态、情感和数字数据集进行比较，结果表明自适应提升的 LSTM 可以在注意力、情感和数字数据集上分别达到 84.44%、97.06% 和 9.94% 的准确度，进化优化的 MLP 趋近于自适应提升的 LSTM。
发现论文，激发创造
  • 评估神经网络在脑机接口中的快速适应能力

    这篇论文提出了一种简单的评估快速适应性的策略，并就电子脑图谱、脑机接口、模型不可知元学习、卷积神经网络和适应性等方面进行了实证研究。

    Apr, 2024

  • 基于遗传编程的进化深度学习用于数据高效图像分类

    本文提出了一种基于遗传编程的演化深度学习方法，可以自动演化可变长度模型，同时构建有效和多样化的 ensemble 用于图像分类，具有优越的性能和解释性。

    Sep, 2022

  • 基于 EEG 的图像特征提取与深度学习视觉分类

    本研究采用一种有效的编码方式将脑电信号编码为图像，从而实现对深度学习模型中的脑信号进行更细致的理解，并将其与标准图像特征相结合，以提高深度学习模型的可解释性。通过在六个受试者的层数据集上对 39 个图像类别进行编码分类，该方法在 82% 的准确率方面优于现有工作，从而证明了该理论的可行性。

    Sep, 2022

  • 进化与学习的熔炉

    本文调查了我们团队的八项最近研究成果，探讨了进化算法与机器学习以及深度学习的成功结合，包括分类、黑盒算法生成对抗性实例等领域。

    Jun, 2023

  • 基于脑电谱时特征的卷积神经网络心算任务分类

    该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

    Sep, 2022

  • EEGNet 家族神经网络的深度比较

    本篇文章对五种神经网络进行了比较，旨在用各类公开数据库获取统计学显著结果，以排出最佳的神经网络，供未来脑机接口设计借鉴。

    Feb, 2023

  • BENDR：使用变压器和对比自监督学习任务从海量脑电数据中学习

    本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术，建立起一个单一的预训练模型，用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录，从而取得较好的脑机接口和脑电分类性能。

    Jan, 2021

  • EGNN-C+：可解释的演化粒状神经网络及其在弱监督脑电数据流分类中的应用

    我们介绍了一种改进的增量学习算法，用于进化颗粒神经网络分类器（eGNN-C+）。我们使用双边界超立方体来表示颗粒，并自定义适应过程以增强外部边界对数据覆盖和噪声抑制的鲁棒性，同时确保内部边界保持灵活以捕捉漂移。分类器从头开始进化，即时融入新的类别，并进行局部增量特征加权。作为应用，我们专注于对脑电图（EEG）信号中与情绪相关的模式的分类。情绪识别对于增强计算机系统的逼真性和交互性至关重要。我们从 28 个参与玩电脑游戏的个体获得的 EEG 信号的傅立叶频谱中提取特征 - 这是一个公共数据集。每个游戏引发不同的主导情绪：无聊、平静、恐惧或喜悦。我们分析个体电极、时间窗口长度和频带，以评估用户无关的神经模型的准确性和可解释性。研究结果表明，两个大脑半球都有助于分类，尤其是颞叶（T8）和顶叶（P7）区域的电极，并且前额叶和枕叶电极也对分类有贡献。虽然模式可能表现在任何频带上，但阿尔法波（8-13Hz）、δ（1-4Hz）波和 θ（4-8Hz）波以此顺序与情绪类别有更高的相关性。eGNN-C + 在学习 EEG 数据方面表现出有效性。即使在高度随机的时间变化的 4 类分类问题面前，它在 10 秒时间窗口内达到了 81.7% 的准确性和 0.0029 II 的可解释性。

    Feb, 2024

  • 基于进化计算的肌电控制器功耗优化设计

    本研究提出了一种基于多目标优化算法 NSGA-II 的监督学习框架，通过使用核 SVM 分类器对表面肌电信号（sEMG）进行解码以推断潜在肌肉运动，以设计一种节能的 EMG 控制器。实验结果表明，该方法为设计者在选择分类器参数以优化 EMG 控制器的能量效率方面提供了更高的灵活性。

    Apr, 2022

  • 深度学习生成神经进化

    本篇论文探讨神经进化在深度学习中的作用，其中 HyperNeat 通过训练一种间接编码来实现学习大型神经结构，并且结合其他机器学习方法可以有效提取特征。

    Dec, 2013