Feb, 2022

2021 BEETL 竞赛：推进面向自主和异构脑电图数据集的迁移学习

PDF
TL;DR该研究介绍了如何使用转移学习和元学习技术，来处理来自不同来源的生物信号数据，以解决医疗诊断和脑 - 机器接口任务的自动化问题。在这个研究里，以脑电图 (EEG) 为例，设计两项转移学习挑战任务，并通过竞赛验证了这些方法的效果。
发现论文，激发创造
  • NeurIPS 2021：团队 Cogitat 所提供的 EEG 迁移学习竞赛基准测试数据集

    采用统计技术和可训练方法明确地对齐深度学习模型各层的特征分布，以应对跨数据集、受试者和记录会话的强协变量转移，从而构建针对 EEG 解码的主体无关的深度学习模型，该方法在 2021 年的 BEETL 比赛中获得了第一名。

    Feb, 2022

  • 用于脑机接口诱发电位的跨受试者深度转移模型

    本文介绍一种基于深度学习的脑机接口技术，通过使用多组数据进行训练，实现了一定的性能，同时通过迁移学习，使得该技术能够用于不同用户，从而解决了目前脑机接口技术中需要耗费大量数据搜集的问题，该技术有望提高脑机接口技术的临床应用性和可行性。

    Jan, 2023

  • BIOT：野外生物信号跨数据学习

    本文提出了 Biosignal Transformer 模型，通过将不同的生物信号令牌化成一致的 “生物信号句子”，添加通道嵌入和相对位置嵌入等技术，实现跨数据集学习，适用于不同数据格式的多个生物信号学习，并在 EEG、ECG 和人类活动感官信号上进行了综合评估。

    May, 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

  • 深度集合脑电解码器中的潜在对齐

    基于深度学习模型和统计领域适应技术，本研究介绍了获得 EEG 转移学习竞赛冠军的 Latent Alignment 方法，并将其表述为应用于给定受试者试验集的深度集合；实验结果表明，在深度学习模型的较晚阶段进行统计分布对齐有助于分类准确性，同时研究了深度学习模型中可能产生虚假改善结果的类别区分偏差以及类别不平衡对对齐的影响。

    Nov, 2023

  • 基于转移学习图神经网络的异构电极配置数据集的 EEG 信号解码

    通过使用图神经网络和转移学习技术，可以有效地从多个使用不同电极布局的 EEG 数据集中聚合知识，从而在主体独立的 MI EEG 分类中实现更好的泛化。

    Jun, 2023

  • 应用转移欧几里德对人类和小鼠创伤性脑损伤脑电图中的种内和种间协变量漂移进行降低

    本文介绍了一种转移学习技术，Transfer Euclidean Alignment，用于解决在临床应用中部署机器学习模型时由于主体间的高度变异性而面临的挑战。通过在各种基于规则的经典机器学习模型以及基于 EEGNet 的深度学习模型上进行评估，包括人类和小鼠数据在内的不同数据集的二分类任务中，证明了该转移学习技术的稳健性，在种内数据集上平均提高了 14.42％，在种间数据集上提高了 5.53％，强调了在使用多样化数据集进行训练时使用转移学习来改善机器学习和深度学习模型的性能的重要性。

    Oct, 2023

  • 基于主题感知对比学习的生物信号处理

    本文提出了基于对比学习的无监督自适应方法来建模具有噪声标签和少数受试者的生物信号，通过特定于个体的对比损失和对抗性训练来提高模型性能，以及使用时间序列数据增强技术来完善对比损失，实现了对脑电解码和心电异常检测任务的良好分类结果。

    Jun, 2020

  • 端到端深度迁移学习用于无校准运动想象脑机接口

    该研究使用深度迁移学习开发了一种无需校准、面向不同个体的 MI-BCI 分类器，通过对原始 EEG 信号采用端到端的深度学习方法进行处理，并使用开放数据集进行训练和比较了三种深度学习模型，结果显示不同模型的性能有显著差异。

    Jul, 2023

  • 基于联邦迁移学习的脑电信号分类

    本文提出了一种基于联邦学习的隐私保护深度学习架构，名称为 FTL，用于 EEG 分类，通过领域自适应技术从多个受试者的 EEG 数据中提取共同的区分信息。在实验中，FTL 方法在保护隐私的前提下，相对于其他最先进的 DL 架构，在 2 类动作想象分类任务中进行了性能评估，表现出更好的性能。

    Apr, 2020