Jun, 2023

视觉假体深层刺激编码的人机协同优化

PDF
TL;DR通过深度学习模型优化电刺激编码策略并结合贝叶斯优化，提高视觉前沿技术在神经假肢领域中的个性化感知效果。
neuroprosthesesbayesian optimizationdeep learning modelsstimulus encoding strategiesvisual prostheses
发现论文，激发创造
  • 自动设计面孔刺激的贝叶斯优化

    本研究提出了一种新的框架将生成对抗网络和贝叶斯优化结合，以识别个体响应模式，研究面孔加工的认知和神经机制，通过网络中寻找潜在空间以有效地生成新面孔，给出了一个基于网络的原型实验，揭示了算法如何在不同语义转换的面孔上映射人们的响应，以及如何提供有关个体差异的丰富信息。

    Jul, 2020

  • 使用条件可逆神经网络优化视网膜假体刺激

    利用归一化流条件可逆神经网络来优化视网膜植入刺激，以解决电极阵列低分辨率和对不同神经节细胞类型的缺乏特异性所带来的亚优刺激问题。流式可逆神经网络及其条件扩展相比其他方法（如平凡降采样、线性模型和前馈卷积神经网络），在使用经过生理验证的仿真工具进行各种指标的视觉重建方面，效果更佳。

    Mar, 2024

  • 深度学习用于视觉神经假肢

    视觉途径、视觉感知、视觉编码、神经假肢和计算模型是重要研究领域。该文章介绍了视觉感知的重要性，讨论了视觉信息编码和大脑中信息组织的机制，以及如何使用计算模型来实现神经假肢并提高对于视觉编码和自然视觉的理解。

    Jan, 2024

  • 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

  • 使用深度学习进行动态自然视觉的神经编码和解码

    研究表明，使用卷积神经网络 (CNN) 驱动的图像识别技术不仅能在下流视觉区域说明大脑对静态图片的反应，还能可靠地预测和解码人类观看自然电影时的功能性磁共振成像数据，并通过缺少有关时间动态或反馈处理机制的 CNN-Predicted areas 覆盖了包括腹侧流和背侧流在内的大部分视觉和语义空间。

    Aug, 2016

  • 自然视觉图像重建的脑启发解码器

    本文介绍一种基于深度学习的神经网络结构，通过脑电波等脑活动信号重构视觉图像，将感受野特性结合到损失函数中，有效地提高了视觉重构的精度和效果

    Jul, 2022

  • 人机联合学习框架以提升内生脑机接口训练

    脑机接口（BCIs）提供了从大脑到外部设备的直接路径，具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号，提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验，证明了所提出的联合学习过程在学习效率和效果上的优势。

    Aug, 2023

  • 基于贝叶斯深度卷积编码 - 解码网络的代理建模和不确定性量化

    本文提出了一种使用卷积神经网络实现的关于具有随机偏微分方程的不确定性建模的代理模型，该方法使用变分梯度下降算法对参数进行 “近似贝叶斯推断”，可以在处理不确定性时实现和其他方法相比具有最先进的预测精度和不确定性量化，即使训练数据量相对较小，也能获得非常好的性能。

    Jan, 2018

  • 光神经处理器的设计与开发，用于模拟在图像检测中训练的神经网络，并潜在应用于混合机器人

    本文提出了使用光遗传学和 STDP 基于反向传播算法间接训练的模拟生物神经网络，通过精确激活达到了与传统神经网络训练算法相当的准确度。

    Jan, 2024

  • 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