用于多模式自然语言处理的 EEG 脑电信号解码
通过将神经网络和神经科学的 EEG 数据相结合,使用理论驱动的裁剪和随机森林树分割来降低 EEG 数据的维度,从而改进了 NLP 任务中的注意力机制,表现出比强基准线更佳的表现,有助于进一步研究 EEG 在 NLP 任务中的应用。
Jun, 2020
脑活动转化为文本的研究在近年来取得了显著的进展,许多研究人员致力于开发新模型将脑电信号解码为文本形式,但该领域仍面临许多挑战,需要进一步改进。该综述文章完整总结了脑电信号转化为文本的进展,包括该技术的成长、仍存在的问题、数据收集方法、信号处理步骤以及将这些信号转化为连贯文本的系统开发。通过解决这些方面,该综述旨在为广泛的用户群体开发更易接触和有效的脑机接口(BCI)技术做出贡献。
Apr, 2024
通过使用 EEG2TEXT 方法,借助 EEG 预训练和多视图变压器,能够从脑电图信号中提取更准确的开放词汇解码,并在绝对 BLEU 和 ROUGE 得分上超过现有基线方法高达 5%,显示出高性能开放词汇脑机接口与文本系统用于促进交流的巨大潜力。
May, 2024
本文提出了一种新方法,通过对多人和多类脑活动的原始脑电信号进行分析,利用不同类别的脑电数据差异来捕捉 EEG 信号的特征,并采用自动编码器模型自动地提取 EEG 信号的相关特征,从而提高 EEG 信号的释义能力和准确度, 进而解决智能家居和智能医疗领域中 EEG 信号处理的一些挑战。在公共数据集和本地数据集上,本文通过大量实验验证了该方法的高准确性,表现优于竞争对手最先进的 EEG 信号处理方法,并具有促进未来多人 EEG 识别研究的潜力。
Sep, 2017
本研究使用电脑建立了一个基于神经网络的智能决策模型,通过 EEG 检测来识别人类主观情绪,并采用一些信号处理技术和算法,实验结果表明该模型能够提高情绪检测的准确性。
Mar, 2023
本研究通过使用 SVM,KNN 和 RNN (LSTM) 等算法,对 DEAP 数据集中的 EEG 信号进行分类和测试,以探究如何使用脑信号来改进情绪识别的性能,并进一步研究情绪随时间变化的规律。
Jul, 2023
本研究探讨了语言处理的时间动态,通过研究预训练基于变压器的语言模型和脑电数据之间的单词表示的对准。使用时间响应函数 (TRF) 模型,我们调查了神经活动如何对应于不同层的模型表示,揭示了人工语言模型和大脑在语言理解过程中的相互作用的见解。我们的分析揭示了不同层中 TRF 的模式,突显了对词汇和构成处理的不同贡献。此外,我们使用线性判别分析 (LDA) 来分离词性 (POS) 表示,为神经响应和句法处理的基本机制提供了见解。这些发现强调了脑电图在高时间分辨率下探测语言处理动态方面的实用性。通过连接人工语言模型和神经活动,本研究推进了对它们在精细时间尺度上相互作用的理解。
Jun, 2024
使用预训练语言模型对无创脑机接口(BCI)通过脑电图(EEG)信号进行解码的潜力进行了研究,提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架,并使用新的评估指标验证了该框架在解码效果方面的优越性。
Nov, 2023
通过使用脑电波技术,研究了阅读理解的神经响应变化,发现各种认知活动在阅读理解中发挥作用,并构建了一个基于脑电波的阅读理解建模统一框架,用于提高阅读理解任务的性能。
Aug, 2021