Apr, 2023

在生态有效环境中解码神经活动以评估个体潜在状态

PDF
TL;DR本文提出使用脑机接口的域泛化方法，以解决在更生态有效的情景下观察到的神经活动模式是否可以用于准确推断潜在状态、相关认知过程或个体近端行为等问题，并将其应用于驾驶相关任务中，从而表现出实验设计的生态效度，并为了解复杂任务期间观察到的神经活动和行为之间关系提供了一个方法。
neural activityecologically valid scenarioslatent statebrain-computer interfacecomplex tasks
发现论文，激发创造
  • 神经种群几何和任务共享潜在结构的最优编码

    人和动物可以认识到环境中的潜在结构，并将这些信息应用于有效地导航世界。本论文开发了一个分析理论，将神经群体活动的中等统计特性与多任务学习问题上的泛化性能相联系。利用这个理论，我们发现实验观察到的因素化（或解缠）表示自然地成为多任务学习问题的最优解，同时验证了来自生物和人工神经网络数据的理论预测。这些结果将神经群体几何学与多任务学习问题联系起来，并对这些场景中的群体活动结构进行正式预测。

    Feb, 2024

  • 具有隐含因果效应分离的神经状态空间建模

    本文介绍了一种用于重建生理系统中微弱信号的新技术，通过显式建模和分离潜在内部干预对系统的潜在状态产生的影响，并通过推断隐藏的内部干预来实现对本机干预的动态的建模，从而重建招发生在心脏电学传导中的异常事件，并演示了其在电学传导中的应用（使用深度学习，时间序列和状态空间模型）。

    Sep, 2022

  • 通过知识蒸馏和潜在扩散模型从脑电图解码视觉大脑表示

    本研究通过采用电脑脑波数据对 ImageNet 数据集中的图像进行分类和重建，提出了一种创新的方法。该研究不仅可以从神经活动中解码图像，还能仅利用脑电波数据生成图像的可靠重建，为个性化迅速反馈实验铺平了道路。

    Sep, 2023

  • 潜在整合的最优运输及其在异质神经活动数据中的应用

    提出了一种基于最优输运的异质数据整合框架，能够在复杂生物过程中提取共享模式，增强辨别力并降低信号无关的杂质，有效地对齐纵向数据并捕捉共享模式的动态，适用于少数受试者的实验。

    Jun, 2024

  • 生理信号的深层潜变量建模

    本文探索运用深层潜变量模型解决与生理监测相关的高维问题，包括利用心电波形生成模型进行心脏疾病诊断、结合概率图模型和深度对抗学习的大脑信号建模方案以及生理测量和行为联合建模的框架。这些创新性计算方法的成功应用能够在生物学研究、临床诊断和新兴消费应用中实现生物标记发现的跨物种翻译，并为神经认知分析提供洞察力。

    May, 2024

  • 学习可学习的潜在嵌入用于行为和神经联合分析

    CEBRA 使用行为和神经数据生成一致高性能的潜在空间，并发现了关于其空间映射、解释复杂的影像特征和自然影片的高精度解码。

    Apr, 2022

  • 评估认知任务结构的迁移学习

    通过在不同的 EEG 解码任务上进行深度学习网络的预训练和评估，研究了深度学习表达在任务之间的可迁移性，并发现在解码性能上有显著的提升，同时揭示了特定解码范式引发特定脑活动的证据，从神经科学的角度加强了我们对认知任务之间层次关系的理解。

    Jul, 2023

  • 利用多个解码输入通过潜在扩散模型改进从人脑活动中重建视觉图像

    通过深度学习和神经科学的整合，本研究使用多种不同的解码技术对视觉体验的再建进行了实验，证明了这些技术能够大大提高基线准确率。

    Jun, 2023

  • 使用 pi-VAE 学习高维神经活动的可识别和可解释潜变量模型

    论文提出了 pi-VAE 这一将潜在变量模型和神经编码模型相结合的新方法，用于分析神经元群体响应数据，并通过合成和实验数据在大鼠海马和恒河猴运动皮层数据集中进行了验证，证明了该方法具有更好的拟合功效和可解释性，可以为神经编码结构提供新的见解。

    Nov, 2020

  • 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