Jan, 2023

BCI 中的信息传输速率：走向紧密的融合共生

PDF
TL;DR本文提出改进的信息传输速率定义，使用图论建立无记忆通道的不对称性和信息传输速率增益之间的关系。使用两个著名的 SSVEP 数据集对比两种目标识别方法的表现，结果表明，感知到的信息传输速率受通道的不对称性影响，不受输入分布变化的影响。文章进一步提出一种二元分类容量的算法，并探讨将该算法推广到集合技术的可能性，旨在提高人脑与计算机系统的密切协作，增强底层通信资源的效率。
information transfer ratessvep-based brain-computer interfacesmodified capacity expressionasymmetry of the transition statisticsensemble techniques
发现论文，激发创造
  • 信息传输的测量

    本研究提出一种信息论度量方法对时间演化系统间的统计相关性进行量化，通过迁移概率的适当条件化排除共同历史和输入信号对信息交换的影响，从而得到的传输熵可以区分驱动和响应元件，并检测子系统间的不对称性。

    Jan, 2000

  • 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

  • 视觉追踪脑机接口

    该研究提出了一种基于视觉的脑机接口控制方法，超越了离散指令，允许基于神经活动进行自然连续控制。

    Nov, 2023

  • 用先验引导随机搜索算法优化综合信息

    本文介绍了一个随机搜索算法来优化意识的一个定量测量标准 phi，并给出了一些增强搜索算法的特定研究线路。

    Dec, 2022

  • 基于 SSVEP 的脑机接口的免源域自适应 DNN

    本研究提出了一种基于深度神经网络的领域自适应方法，用于实现没有源数据的 SSVEP 脑机接口拼写器，该方法显著提高了信息传输速率并优于现有技术。

    May, 2023

  • 图像文本检索：近期研究与发展综述

    本文全面介绍了跨模态图像 - 文本检索的研究进展，包括特征提取、特征对齐、效率优化以及预训练，讨论了一些关键但较少被研究的问题，并对代表性方法进行了精度比较。

    Mar, 2022

  • 一种用于在卫星图像流中检测任务单次试验事件相关电位的分布式推理系统

    该研究介绍了一种适用于在卫星图像流中检测任务式单次事件相关电位的分布式推理系统，通过利用多个优化于特定任务的模型，确保在各种图像转换时间和目标出现时间下实现卓越性能，在两个范式中试验结果表明，该系统在目标检测中优于传统方法，并且在 AI 范式中引入边界框显著提高了目标识别效果。

    Nov, 2023

  • 神经启发的信息理论层次感知多模态学习

    通过神经科学的启发，我们开发了信息论层次感知（ITHP）模型，它利用了信息瓶颈的概念。与大多数在神经网络中相同并一致地纳入所有模态的传统融合模型不同，我们的模型将一个主要模态设计为信息路径中的侦测器，以蒸馏信息流。我们提出的感知模型专注于通过在潜在状态与输入模态状态之间最小化互信息，以及在潜在状态与其余模态状态之间最大化互信息来构建一种有效且紧凑的信息流。该方法导致紧凑的潜在状态表示，保留相关信息并最小化冗余，从而大大提高了多模态表示学习的性能。在 MUStARD、CMU-MOSI 和 CMU-MOSEI 数据集上的实验评估表明，我们的模型在多模态学习场景中一贯蒸馏关键信息，优于最先进的基准模型。在 CMU-MOSI 数据集上，ITHP 在多模态情感二分类任务的所有评估指标（二元准确率、F1 分数、平均绝对误差和皮尔逊相关性）上均超过了人类水平的性能。

    Apr, 2024

  • 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

  • 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