Jul, 2023

评估认知任务结构的迁移学习

PDF
TL;DR通过在不同的 EEG 解码任务上进行深度学习网络的预训练和评估，研究了深度学习表达在任务之间的可迁移性，并发现在解码性能上有显著的提升，同时揭示了特定解码范式引发特定脑活动的证据，从神经科学的角度加强了我们对认知任务之间层次关系的理解。
electroencephalographytransfer learningdeep learningdecoding performancedata scarcity
发现论文，激发创造
  • 通过知识蒸馏和潜在扩散模型从脑电图解码视觉大脑表示

    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

  • 深度表示学习用于开放词汇的脑电图到文本解码

    使用预训练语言模型对无创脑机接口（BCI）通过脑电图（EEG）信号进行解码的潜力进行了研究，提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架，并使用新的评估指标验证了该框架在解码效果方面的优越性。

    Nov, 2023

  • 神经记忆解码：基于 EEG 数据和表示学习

    使用神经解码的方法从 EEG 数据中提取记忆，通过深度表征学习和监督对比损失将脑电图映射到低维空间，可在训练数据集中没有出现的概念中识别，可应用于信息检索问题。

    Jul, 2023

  • NeurIPS 2021：团队 Cogitat 所提供的 EEG 迁移学习竞赛基准测试数据集

    采用统计技术和可训练方法明确地对齐深度学习模型各层的特征分布，以应对跨数据集、受试者和记录会话的强协变量转移，从而构建针对 EEG 解码的主体无关的深度学习模型，该方法在 2021 年的 BEETL 比赛中获得了第一名。

    Feb, 2022

  • 利用迁移学习解码反映认知任务间关系的脑状态

    本研究提出了一种转移学习框架来反映认知任务之间的关系，并比较了转移学习和脑区重叠（例如 neurosynth）反映的任务关系。研究结果表明，如果源任务和目标认知任务激活相似的脑区，则转移学习在 fMRI 数据的任务解码方面表现更好。此研究揭示了多个认知任务之间的关系，并为基于小样本数据的神经解码中的源任务选择提供了指导。

    Jun, 2022

  • 基于脑电图的认知负荷分类：特征屏蔽自编码和情感迁移学习

    本文介绍了一种使用脑电图的认知负荷分类的新方法，采用变压器架构与迁移学习，利用自监督预训练和冻结权重与微调的迁移学习来进行认知负荷分类，实验证明该方法表现优秀且胜过传统的单阶段全监督学习，研究为情感计算中的认知负荷领域增加了新的文献，为未来的跨领域迁移学习与自监督预训练的研究提供了新的方向。

    Aug, 2023

  • 脑机接口深度表示学习技术评述及建议

    综述了 81 篇应用深度表示学习技术进行 BCI 解码的文章，发现自编码器是最常用的深度表示学习技术，同时呼吁为 EEG 信号解码专门设计基础模型，并建立专门的基准和数据集来促进其发展和持续改进。

    May, 2024

  • 使用深度循环卷积神经网络从脑电图中学习表征

    该研究中提出了一种新方法，可以从多通道 EEG 时间序列中学习稳健的特征，以提高认知负荷分类任务的分类准确率。

    Nov, 2015

  • 从脑电图记录学习稳健的深度视觉表征

    该研究使用脑电图 (EEG) 信号进行图像重建和分类，通过深度学习的特征提取方法在多个数据集上展示了其在大脑与计算机交互中的可广泛应用性，并提出了一种在 EEG 空间中转换未见图像并进行近似重建的新框架，显示出优于生成对抗网络现有性能的潜力。

    Oct, 2023

  • 通过预训练对比度 EEG-Text 掩蔽自编码器的可转移表示增强 EEG 到文本解码

    提出了一种新颖的 Contrastive EEG-Text Masked Autoencoder 模型，并借助预训练模块以及 EEG 流实现了 EEG 到文本的解码，实验结果表明在文本激发的 EEG 数据库上，该模型在 ROUGE-1 F1 和 BLEU-4 得分上分别超过现有技术 8.34％和 32.21％，这显示了该框架在大脑计算界面应用领域的潜力。

    Feb, 2024