Jul, 2023

通过扰动神经网络推断有效连接性：基于合成脑电图数据的证据

PDF
TL;DR通过扰动训练好的神经网络来推断有效连接性（effective connectivity），以揭示人工神经网络预测未来系统动态的潜在因果结构。
effective connectivityneural networkseeg signalsperturbationcausal structure
发现论文，激发创造
  • 深度 Jansen-Rit 参数推断基准：一项基于仿真的研究

    使用深度学习的推理方法，我们可以从脑电图中准确预测神经模型的参数，为评估生物参数和神经机制之间的关系提供支持。

    Jun, 2024

  • 基于连接不确定性的图卷积网络用于基于脑电波的情绪识别

    基于多通道脑电图的自动情绪识别具有推进人机交互的巨大潜力，但现有算法情绪识别研究存在一些显著挑战，本研究通过引入基于图卷积网络体系结构的分布不确定性方法来解决这些挑战，实现了空间依赖性和时频相关性的表示，以及通过一种单向学习方式将不确定性学习方法与深层 GCN 权重相集成，结果表明我们的方法在情绪识别任务上优于之前的方法，取得了积极且显著的改进。

    Oct, 2023

  • 从生物神经动力学中发现因果关系的注意力机制

    该研究探索了使用转换模型学习具有复杂非线性动态的网络中的 Granger 因果关系的潜力，以神经生物学和生物物理学网络为例；研究主要集中于基于模拟神经动力学的概念验证研究，结果表明，用于预测神经群体动力学的转换模型的交叉注意模块有效地捕捉到神经元之间的因果关系，准确性至少与最流行的 Granger 因果分析方法相当。尽管承认真实世界的神经生物学数据将带来进一步的挑战，包括动态连接性和未观察到的变化，但该研究对于转换模型在神经科学中因果表示学习的实用性提供了鼓舞人心的初步展示。

    Nov, 2023

  • 基于 EEG 的脑 - 计算机接口的紧凑卷积网络 EEGNet

    本文主要介绍一种基于深度卷积神经网络的脑 - 计算机接口通信模型 EEGNet，该模型考虑到不同 BCI 范式中 EEG 信号的特点，成功解决了不同信号间的分类问题。

    Nov, 2016

  • 基于多元时间序列的网络推断与置信度

    本文描述了一种从多元时间序列数据中推断功能连接网络的基本和系统化过程，旨在解释不确定性网络度量带来的不确定性，并展示了其在模拟数据和人体神经数据中的可靠性。

    Mar, 2009

  • 基于脑电功能连接性和机器学习方法的经纵向 tDCS 后多任务执行能力预测

    在这项研究中，我们通过使用不同的基于 EEG 的功能连接分析和机器学习算法，来预测复杂多任务任务中认知表现的变化。结果显示，多层感知器和有向传递函数具有较高的预测准确率。

    Jan, 2024

  • Transformer 网络在原始 EEG 数据分类中的有效性

    本篇论文探讨了 Transformer 网络用于分类清洗和预处理后的脑电图（EEG）数据的有效性和性能，结果表明，基于 Transformer 的深度学习模型可以成功地消除对 EEG 数据特征提取的需求，实现了脑电图数据的高效分类。

    Feb, 2022

  • 空间 - 时间 DAG 卷积网络用于端到端关节有效连接学习和静息态 fMRI 分类

    通过建立大脑网络连接图，提出了一种空间 - 时间有向无环图卷积网络（ST-DAGCN），结合基于非线性结构方程模型的大脑表征学习方法，以推断功能连接性和分类脑部功能磁共振成像时间序列，并在两个公共数据库上进行验证，结果表明 ST-DAGCN 在脑部功能磁共振成像分类中明显优于现有模型，同时学习到有意义的功能连接边以帮助理解脑活动模式和疾病机制。

    Dec, 2023

  • 多分辨率时空增强变压器去噪与功能扩散 GAN 构建 MCI 分析脑有效连接

    本论文提出了一种新型的多分辨率时空增强变压器去噪网络，利用一个条件扩散过程将噪声和功能磁共振成像（fMRI）转换为对轻度认知障碍（MCI）进行分析的有效连接，该模型不仅预测性能卓越，而且能够识别与临床研究一致的 MCI 相关因果连接。

    May, 2023

  • 利用大规模神经影像数据集创建连接组约束方法，以实现更加稳健、高效和适应性人工智能

    利用大型神经成像数据集中的连接性图谱等手段，改善边缘端机器学习的效率和鲁棒性，并通过对果蝇和哺乳动物视脑回路连接等领域的分析，展示了多种潜在的应用脑科学领域洞见的方法。

    May, 2023