Apr, 2023

ScatterFormer：局部不变散射变换器用于患者无关的多光谱癫痫放电检测

PDF
TL;DR本研究提出用于诊断癫痫的新方法 Scattering Transformer，该方法可以利用高频信息捕获 EEG 信号的细节特征，并在两项癫痫电图检测任务中表现良好，特别是在新生儿癫痫检测中表现优异。
epileptic activitieseeg patternsscattering transformerdisentangled frequency-aware attentionneonatal seizure detection
发现论文，激发创造
  • ScatterFormer：具有分散线性关注的高效体素变换器

    本文介绍了一种名为 ScatterFormer 的新方法，该方法能够直接对具有不同长度的体素集进行注意力计算，并通过 Cross-Window 交互模块实现窗口间信息流动，大幅提升了点云理解任务的性能。

    Jan, 2024

  • 基于轻量级卷积变换器的跨患者多通道 EEG 信号癫痫检测

    本研究旨在提出一种基于轻量级卷积变换器（LCT）的深度学习框架，该框架可从多通道脑电图信号中同时学习空间和时间相关信息以便更准确地检测癫痫，经过实验证明，该模型的效果非常好，准确率和 F1 得分可达 96.31% 和 96.32%，这一研究为多通道自动癫痫检测提供了一种新方法。

    May, 2023

  • EEGFormer：面向可迁移和可解释的大规模 EEG 基础模型

    通过自监督学习方法，本文介绍了一个新颖的脑电图基础模型 EEGFormer，能够在各种下游任务中学习出可适应的通用表示，并通过自监督学习展示了可转移的异常检测性能和有价值的模式解释。

    Jan, 2024

  • SaaFormer: 光谱 - 空间轴向聚合变压器用于高光谱图像分类

    提出了一种名为 SaaFormer 的新型用于处理高光谱图像分类的深度学习模型，采用块状采样方法来减少数据泄露，该模型包含两个主要组成部分：轴向聚合注意力和多级光谱 - 空间提取结构。在六个公开数据集上的结果表明，在块状采样分区时，该模型的性能明显优于其他方法。

    Jun, 2023

  • 无监督多元时间序列变换器用于脑电信号癫痫识别

    本研究提出了一种基于 Transformer 模型和无监督学习的方法，在没有专家标注和带有癫痫发作的 EEG 记录的情况下对癫痫发作进行检测和识别，实验结果表明该方法在识别癫痫发作方面的性能优于传统监督学习方法。

    Jan, 2023

  • 超图引导的去耦频谱变换网络用于近红外面部表情识别

    本文首次尝试深度近红外 (NIR) 面部表情识别，提出了一种名为近红外面部表情转换器 (NFER-Former) 的新方法。通过引入自注意力正交分解机制和超图引导特征嵌入方法，可以在缺失可见光信息的情况下提取表情特征，并构建大型 NIR-VIS 面部表情数据集来验证 NFER-Former 的效率。通过广泛的实验和剔除研究，证明 NFER-Former 明显改善了 NIR 面部表情识别性能，并在 Oulu-CASIA 和 Large-HFE 这两个唯一可用的 NIR 面部表情识别数据集上取得了最新的成果。

    Dec, 2023

  • SpectralFormer：基于 Transformer 的高光谱图像分类的重新思考

    本研究提出了一种名为 SpectralFormer 的新型网络，它采用了变形金刚模型，从时序的角度重新构思了超光谱图像分类问题，并在三个数据集上证明了其优越性。

    Jul, 2021

  • 基于时间多通道 Transformer 的脑电癫痫发作预测

    本文介绍了两种基于 Transformer 架构的深度学习模型（TMC-T 和 TMC-ViT）用于癫痫发作预测，探讨了选取不同持续时间的 preictal 状态和样本数量对模型的影响，并通过使用 CHB-MIT 数据库中的原始 EEG 信号进行实验和统计验证，证明 TMC-ViT 模型优于卷积神经网络 (CNN) 等其他网络。

    Sep, 2022

  • ESTformer: EEG 超分辨率利用时空依赖的 Transformer

    基于 Transformer 的 ESTformer 框架应用于脑电超分辨率（SR）任务，利用时空依赖关系学习空间结构信息和时间功能变化，并通过 Spatial Interpolation Module（SIM）和 Temporal Reconstruction Module（TRM）捕捉建模脑电 SR 的时空依赖性。实验证明 ESTformer 在两个脑电数据集上的有效性，并证明了 SR 数据相对于 LR 数据在脑电相关的个人识别和情绪识别任务中的优越性，展示了 Transformer 在脑电超分辨率任务中的多功能性。

    Dec, 2023

  • 基于脑电信号的癫痫发作检测中特征提取与性能评估综述

    这篇论文综述了使用机器学习方法和不同特征对于 EEG 信号中癫痫发作进行检测的研究现状，通过实验选取了数个有显著预测能力的特征以提高检测效果。

    Aug, 2019