Oct, 2022

探索将 XAI 方法应用于基于 EEG 的系统

PDF
TL;DR本文探讨了基于可解释 AI 方法对 EEG 信号进行特征提取，以解决数据集漂移问题，对情感识别表现进行实验分析，结果表明该方法使得模型可更好地泛化。
dataset shift problemelectroencephalogram signalsbrain-computer interfaceexplainable artificial intelligenceemotion recognition
发现论文，激发创造
  • 临床数据可解释人工智能方法的实证比较：以创伤性脑损伤为例的案例研究

    利用结构化表格和时间序列生理数据实现了创伤性脑损伤 (TBI) 的短期和长期预测模型，使用六种不同的解释技术分析了局部和全局的预测模型，并对每种方法的优缺点进行了比较，发现 SHAP 是最稳定的，且保真度最高，但理解度低。

    Aug, 2022

  • 基于运动意向脑电的脑机接口的人工智能方法的演变

    本文研究了应用于不同年份和不同设备采集的数据集的人工智能方法在运动想象电生理信号脑机接口数据上的演变和影响，提供了简洁而全面的调查。

    Oct, 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

  • 基于脑 - 机接口的 EEG 对抗性伪影检测

    本文首次研究了基于 EEG 的脑机接口中的对抗检测问题，并使用三个卷积神经网络对两个 EEG 数据集进行了实验，结果表明，白盒攻击和黑盒攻击都可以被检测到，但前者更容易被检测。

    Nov, 2022

  • 可解释和鲁棒的 EEG 系统人工智能调查

    本文第一次全面介绍了解释性与鲁棒性人工智能技术在脑电图系统中的应用及其未解决问题与发展方向。具体而言，我们首先提出了三种类别的可解释性分类方法：反向传播，扰动和内在可解释性方法，并将鲁棒性机制分类为噪声和伪迹、人类变异、数据获取不稳定性和对抗攻击四类.

    Apr, 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

  • 物理相容和无监督的黎曼领域适应，用于异构脑电数据的机器学习

    应用电脑脑电波信号物理学的方法，通过字段插值将脑电通道映射到固定位置，实现源域适应，提高了脑机接口和潜在生物标志应用的分类性能。

    Mar, 2024

  • 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

  • 2021 BEETL 竞赛：推进面向自主和异构脑电图数据集的迁移学习

    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。

    Feb, 2022

  • 不同算法可能发现不同模式：一个脑龄预测案例研究

    通过在脑电图研究中使用不同的机器学习算法，并结合 SHAP 值的解释能力，我们发现算法的变异性对于脑龄预测的研究结果的一致性有重要影响。

    Feb, 2024