Mar, 2023

自组织和自监督的自适应 SpikeDeep 分类器：用于在线尖峰排序的机器学习算法

PDF
TL;DR提出了一种自适应和自组织的在线脉冲排序算法，名为 Ada-SpikeDeep 分类器，它使用 SpikeDeeptector 进行通道选择，自适应背景事件拒绝器（Ada-BAR）用于丢弃背景事件，并自适应脉冲分类器（Ada-Spike 分类器）用于对不同神经元的 SA 进行分类。该算法是第一个能够自动学习噪声和 SA 分布突变的脉冲排序算法，适合使用人工神经网络实现的硬件，在可穿戴侵入性 BCIs 上得到应用。
发现论文，激发创造
  • 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

  • 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

  • 基于神经流形的脉冲神经网络用于增强皮层脑机接口数据

    使用脉冲神经网络作为数据生成器，直接合成新的脉冲火车，从而提高脑 - 计算机接口解码器的概括能力，并将脉冲神经网络作为一种更好地与脑 - 计算机接口集成的大脑启发式智能方法。

    Mar, 2022

  • 深度学习在深部脑刺激手术中的脉冲检测

    采用深度学习方法，使用卷积神经网络对深脑刺激神经外科手术期间记录到的神经元活动进行分析，实现了能够不经过数据预处理而进行分类的方法。

    Aug, 2023

  • 作为正则化器的尖峰

    本文提出了一种新的基于信心的单层前馈学习算法 SPIRAL（Spike Regularized Adaptive Learning），该算法采用激活脉冲的编码，通过置信度估计和与先前活动的激活偏移进行权重向量自适应更新。实验结果表明，SPIRAL 学习算法相对于平均感知机和 AROW 方法更加稳健且不易过拟合。

    Nov, 2016

  • 基于粒子群优化算法的自适应空间滤波器改进的运动想象分类

    基于粒子群优化算法的自适应空间滤波器解决方法 (ASP) 提出了一种训练和测试框架，用于运动意象脑机接口 (MI-BCI) 信号分类。在两个公共数据集上进行的比较实验显示了 FBCSP-ASP 方法的卓越平均识别准确率，该方法在 MI-BCI 上取得了显著的性能提升，对两个数据集的分类准确率分别达到了 74.61% 和 81.19%。与基线算法 (FBCSP) 相比，该算法在两个数据集上分别提高了 11.44% 和 7.11%。此外，基于互信息、t-SNE 和 Shapley 值的分析进一步证明了 ASP 特征对 MI-EEG 信号具有出色的解码能力，并解释了引入 ASP 特征后分类性能的改善。

    Oct, 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

  • SuperSpike: 多层脉冲神经网络中的监督学习

    本研究基于神经脉冲网络中的超级脉冲非线性电压三因素学习规则，探究了不同信用分配策略对多层神经网络的表现，可促进神经脉冲网络的学习和计算方式的理解。

    May, 2017

  • 突触深度网络无监督再生式学习层次化特征以进行对象识别

    提出一种基于脉冲的非监督递归学习方案，用于使用生物学上可信的漏积分放电神经元训练 Spiking Deep Networks (SpikeCNN) 进行目标识别问题。训练方法基于自编码器学习模型，其中分层网络使用编码器 - 解码器原理逐层训练。递归学习使用脉冲时序信息和固有延迟以无监督方式更新权重并学习每个卷积层的代表水平。从层次结构中学到的特征然后馈送到一个输出层。所提议的方法在 MNIST/CIFAR10 数据集上产生了与现有技术水平相当的分类错误率，并通过基于事件的编码引入稀疏性来提高计算效率。

    Feb, 2016

  • 提升脑机接口性能：基于正则化 CSP 和 SPEA II 多目标优化的 EEG 信号通道选择优化

    优化多维脑电图信号的性能，我们利用了最先进的 Strength Pareto Evolutionary Algorithm II（SPEA-II），以达到识别最相关通道的最佳选择策略，并借助集成学习模型来优化脑电图信号的分类性能。

    Apr, 2024