Jun, 2022

稀疏时空脑机接口的分解方法

PDF
TL;DR本研究提出了一种稀疏情况下基于因子分解的脑机接口信号处理方法，通过采用不同的特征提取器从潜空间获取不同表示并最小化潜空间共享情况，成功地提取到了稀疏条件下的脑电信号的决定性特征。
brain-computer interfacessparse conditionfactorization approacheeg signalsfeature extractors
发现论文，激发创造
  • 矩阵分解在 fMRI 数据中的性能评估

    本研究通过应用不同的矩阵分解方法于全脑功能磁共振成像数据的神经活动，研究了整个人脑中稀疏编码的有效性，结果表明稀疏编码假设在整个人脑信息表示中是成立的。

    Dec, 2023

  • 基于相空间的几何神经网络用于 BCI 解码

    我们的研究旨在开发一个深度学习算法，它能在较少数量的电极上提供有效的结果，并通过使用 SPDNet 的增强协方差方法来分析其性能和计算影响以及结果的解释性。通过使用 Mother Of All BCI Benchmark（MOABB）框架在 5 折交叉验证上对方法进行评估，使用仅位于运动皮层上方的三个电极进行实验验证。结果表明，我们的 SPDNet 在 MI 解码方面明显优于所有当前最先进的深度学习架构。

    Mar, 2024

  • 基于 Transformer 架构的 EEG 注意力估计的时空分析

    本文提出了一种基于 transformer-based 网络的新型框架，用于从 EEG 信号中获取注意状态，进一步优化了特征提取方法和频带。该网络已在两个公共数据集上进行了训练和验证，并取得了比现有模型更高的效果，可应用于实际情况下，如评估注意力缺陷多动障碍 (ADHD) 症状或驾驶评估中的警觉度。

    Apr, 2022

  • 一种自适应对比学习模型用于脉冲排序

    本文提出了一种自适应对比学习模型，通过最大化互信息损失函数进行对比学习，将多分类问题简化为多个二分类问题，同时引入一系列增强措施解决重叠尖峰影响分类效果的问题，提高了运行时效率和准确性。

    May, 2022

  • 增强 RSVP-BCI 解码的具体主题适配器暂态 - 光谱融合变压器

    通过提出一种时间 - 频谱融合变换器与个体适配器相结合的快速连续视觉呈现 (RSVP)- 基于脑机接口 (BCI) 技术，以减少依赖新被试数据的训练时间，提高解码性能。

    Jan, 2024

  • 人机联合学习框架以提升内生脑机接口训练

    脑机接口（BCIs）提供了从大脑到外部设备的直接路径，具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号，提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验，证明了所提出的联合学习过程在学习效率和效果上的优势。

    Aug, 2023

  • 基于序列的最优臂识别及其在脑机接口中的应用

    采用先前任务学习得到的先验知识，我们提出了一种串联的前两名 Thompson 抽样算法 (Sequential Top-two Thompson Sampling, STTS)，将广义多臂老虎机中的最佳臂序列问题视为一系列任务。这种算法取得了实质性的实验性改进。

    May, 2023

  • LGL-BCI: 一种轻量级几何学学习框架，适用于基于运动想象的脑机接口

    这项研究介绍了 LGL-BCI 框架，采用几何深度学习方法处理脑电图并捕捉空间相关性，通过特征分解算法提出了一种减小 SPD 矩阵维度的解决方案，进而提高推理速度，该方法在实验中表现出优越的准确性和效率，显示了几何深度学习在 MI-BCI 应用中的潜力。

    Oct, 2023

  • 基于 Transformer 的脑电解码空时特征学习

    研究提出了一种新的基于注意力机制的 EEG 解码方法，通过注意力变换增强空间特征，采用时间维度的切片进行注意力变换，使用全局平均池化和简单的全连接层对各类 EEG 数据进行分类。该方法在 EEG 的多分类方面达到了最先进水平，并有促进脑机接口的实际应用潜力。

    Jun, 2021

  • 稀疏多任务学习用于高效的运动意向和执行的神经表示

    为了提高大脑计算机接口（BCI）中神经数据解释和用户意图分类的效率，本研究引入了稀疏多任务学习框架，用于运动想象和运动执行任务，通过采用基于显著性的稀疏化方法来剪枝多余的连接并增强两个任务中具有高重要性的连接，以揭示与每个任务相关的不同和共同的神经组合，并使用原则性稀疏化技术消除多余连接并提高神经信号解码的准确性，结果表明这种定制稀疏性可以减轻过拟合问题，改善少量数据的测试性能，为计算效率高且稳健的 BCI 系统提供了可行的发展方向。

    Dec, 2023