Jul, 2023

从颅内神经活动解码简单视觉刺激的贝叶斯时间序列分类器

PDF
TL;DR提出一种基于贝叶斯时间序列分类器（BTsC）模型的方法，用于处理分布式神经活动中的外部刺激，同时保持较高的解释性，该模型在解码视觉任务中的颜色方面表现出一致和可靠的平均性能，对于研究各种任务和类别的神经活动具有价值。
发现论文，激发创造
  • 基于时间逻辑描述的可解释时间序列分类的神经符号模型

    本研究提出了 Neuro-Symbolic Time Series Classification（NSTSC），一种神经符号模型，借助信号时间逻辑（STL）和神经网络（NN）来完成多视图数据表示的时间序列分类任务，并将模型表达为可读性强的可解释式公式。NSTSC 采用决策树方法学习公式结构并实现多类别 TSC 任务，可以生成与领域知识相符的可解释公式。

    Sep, 2022

  • 一种自适应对比学习模型用于脉冲排序

    本文提出了一种自适应对比学习模型，通过最大化互信息损失函数进行对比学习，将多分类问题简化为多个二分类问题，同时引入一系列增强措施解决重叠尖峰影响分类效果的问题，提高了运行时效率和准确性。

    May, 2022

  • 基于贝叶斯的时间双聚类在多个受试者的神经科学研究中的应用

    我们提出了一种贝叶斯模型，用于时间双聚类问题的分析，其中包含嵌套分区，通过这种方法可以发现多个主体之间在时间上记录的测量数据存在相似趋势以及相关测量数据的时间变化群组，并可根据数据来确定主体和测量群组的数量以及测量分区中变化点的数量和位置。

    Jun, 2024

  • NeuroCine: 从人脑活动解码生动视频序列

    在理解人类大脑视觉处理的复杂性中，从大脑活动中重建动态视觉体验成为一项具有挑战性且引人入胜的努力。本研究引入了 NeuroCine，一种新颖的双相框架，针对解码 fMRI 数据中固有的挑战，如噪声、空间冗余和时间滞后。该框架通过对比学习 fMRI 表示进行空间遮蔽和时间插值增强，以及依赖性先验噪声增强的扩散模型用于视频生成。在一个公开可用的 fMRI 数据集上进行了测试，我们的方法显示出有希望的结果，通过 SSIM 测量，在解码三个主题的 fMRI 数据集中，与先前最先进的模型相比，分别提高了 20.97％，31.00％和 12.30％。此外，我们的注意力分析表明该模型与现有的大脑结构和功能相吻合，表明其具有生物学合理性和可解释性。

    Feb, 2024

  • STN：一种新的张量网络方法，用于从大脑活动模式中识别刺激类别

    提出了一种刺激约束的张量脑模型，将张量分解模型与刺激类别约束信息相结合，用于解码带有语义信息的目标刺激，实验结果表明该模型相对于其他方法提高了 11.06％到 18.46％的准确性。

    Oct, 2022

  • 使用机器学习从人脑活动中解码通用视觉表示

    本研究评估了多种机器学习模型和相似度度量方法对于神经解码的视觉表征解码任务的影响，结果表明提出了更为先进和精确的方法，并为该解码任务提供了易于再现的基准。

    Nov, 2018

  • 无需校准的在线测试时间适应于脑电图运动意向解码

    通过在线测试时间自适应等技术探索脑机接口的转移学习，提高脑机接口在现实场景中的准确性与适应性。

    Nov, 2023

  • 时间调节的脉冲潜变量模型对自然视觉场景神经响应的建模

    该研究提出了一种名为 TeCoS-LVM 的模型，用于模拟神经对自然视觉刺激的反应；该模型使用尖峰神经元产生直接匹配记录列车的尖峰输出，从而避免丢失嵌入原始尖峰列车中的信息。同时，该研究的模型可以更准确地捕捉神经编码系统的关键特征，并提供了构建各种感知回路的准确预测计算模型的有用工具。

    Jun, 2023

  • 运用规则和贝叶斯分析的可解释分类器：构建更好的中风预测模型

    使用决策列表的生成模型 Bayesian Rule Lists，其预测准确度与机器学习中当前最好的算法相当，可用于生成高度准确和易于解释的医学评分系统，并且在可解释性方面不亚于现有的 CHADS$_2$，但更加准确。

    Nov, 2015

  • 增强 RSVP-BCI 解码的具体主题适配器暂态 - 光谱融合变压器

    通过提出一种时间 - 频谱融合变换器与个体适配器相结合的快速连续视觉呈现 (RSVP)- 基于脑机接口 (BCI) 技术，以减少依赖新被试数据的训练时间，提高解码性能。

    Jan, 2024