Diff-E:基于扩散的学习用于解码想象的言语脑电图
运用扩散概率模型 (Denoising diffusion probabilistic models) 和条件自编码器构建的新方法,在分析与言语相关的脑电信号方面取得了令人瞩目的结果,优于传统机器学习算法和基准模型,显示出扩散概率模型在语音相关脑电信号分析中的潜力,这可能推动针对口头交流的脑机接口的重要进展。
Nov, 2023
DreamDiffusion 提出了一种新的方式,可以直接从大脑的脑电信号中生成高质量的图像,同时克服了诸多挑战,并在神经科学和计算机视觉等领域有潜在应用。
Jun, 2023
本文提出了一种混合深度神经网络策略,将卷积神经网络和递归神经网络并行组合,级联自编码器和全连接层,以自动识别 EEG 中的想象语音,并演示了相对于基线方法约 23.45%的准确度改进,展示了混合 DNN 方法在复杂时空分类问题上的潜力。
Apr, 2019
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
通过使用生成模型,特别是扩散模型,可以缓解脑机接口领域中的数据稀缺问题。我们通过引入一种新颖的有条件扩散模型,利用无分类器的指导来直接生成主题、会话和类别特定的脑电图数据。结果表明,该模型能够生成类似于真实数据的脑电图数据。
Mar, 2024
本研究探索使用可扩散概率模型作为自编码器的解码器,让输入图像生成一个可以被意义化和解码的编码向量,该编码向量分为两部分:第一部分是含有语义的线性编码,而第二部分是建模随机变量的编码,提升了图像生成的质量并且在其他应用中可以用来做属性调整和去噪等任务。
Nov, 2021
本文提出了基于去噪扩散概率模型的无线通信方案,旨在解决实际应用中的硬件损伤、信道失真和量化误差等非理想因素,提供低信噪比下的网络韧性、对不同硬件损伤水平和量化误差的近不变重建性能,以及抵抗非高斯噪声的强大分布外表现,并通过余弦相似度和均方误差(MSE)评估与传统深度神经网络(DNN)接收机相比的超过 25 dB 改进的重建性能。
Oct, 2023
本研究侧重于使用扩散模型进行半监督图像分割,特别是针对领域泛化问题,结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性,通过利用信息密集的小步骤和较大步骤的正则化效果生成预测,该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能,突显了 DDPM 在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。
Nov, 2023
介绍了一个两阶段的 fMRI 表示学习框架,通过在预处理阶段使用 Double-contrastive Mask Auto-encoder 降噪,并在第二阶段利用图像自动编码器的指导来调整特征学习者,以关注对于视觉重建最有信息的神经激活模式。使用这种优化后的 fMRI 特征学习者条件下的潜在扩散模型重构图像刺激,实验结果证明该模型在生成高分辨率和语义准确的图像方面的优越性,50 种不同目标的情境下,top-1 语义分类的准确率比先前最先进的方法提高了 39.34%。
May, 2023
通过将个体的条件识别信息纳入神经网络中,将 EEG 信号解码与个人特征相结合,从而提高 EEG 可解释性和相关识别特征的理解,以提高模型表达能力。在 WithMe 数据集上的测试结果表明,这种方式显著提高了训练集和未知个体的准确性,具有改善 EEG 解释性和理解相关识别特征的潜力。
Mar, 2024