Aug, 2023

分布鲁棒性的跨主体脑电解码

PDF
TL;DR本研究提出了一种基于分布鲁棒优化的动态演化数据方法，通过对一系列演化数据分布进行优化，改进了脑电图解码的鲁棒性，在不同类型的损坏脑电信号上明显优于竞争性基准模型。
deep learningelectroencephalography (eeg)data augmentationdecoding robustnesscorrupted eeg signals
发现论文，激发创造
  • 评估认知任务结构的迁移学习

    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。

    Jul, 2023

  • 深度集合脑电解码器中的潜在对齐

    基于深度学习模型和统计领域适应技术，本研究介绍了获得 EEG 转移学习竞赛冠军的 Latent Alignment 方法，并将其表述为应用于给定受试者试验集的深度集合；实验结果表明，在深度学习模型的较晚阶段进行统计分布对齐有助于分类准确性，同时研究了深度学习模型中可能产生虚假改善结果的类别区分偏差以及类别不平衡对对齐的影响。

    Nov, 2023

  • 带条件识别信息的脑电解码

    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

  • 利用发散估计稳定 EEG 分类中的主体转移

    我们提出了一种使用正则化技术来减少分类模型在未见过测试主题上性能下降的方法，并利用图形模型和神经网络模型来描述脑电图分类任务，并在大型基准脑电图数据集上进行了广泛的计算实验，发现我们的方法显著提高了测试主题的平衡准确性，并降低了过拟合。

    Oct, 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

  • Diff-E：基于扩散的学习用于解码想象的言语脑电图

    通过使用 DDPMs 和条件自编码器 Diff-E 对 EEG 信号进行解码来实现想象语言，结果表明 Diff-E 相较于传统机器学习技术和基准模型，显著提高了解码 EEG 信号想象语言的准确性，这一发现表明 DDPMs 可以成为 EEG 信号解码的有效工具，具有潜在的用于通过想象语言进行交流的脑机接口的意义。

    Jul, 2023

  • 脑电信号神经解码中的不确定性检测与降低

    本研究提出了一种基于无序神经网络和贝叶斯神经网络的不确定性估计和减少模型（UNCER），用于减少脑电图解码中的不确定性，包括把模型参数的不确定性和输入信号的不确定性结合起来，进一步提出了基于数据增强的方法进行不确定性减少。

    Dec, 2021

  • 利用 Wasserstein 生成对抗网络提高 EEG 信号分类准确性

    提出了一种基于深度学习和 Wasserstein 生成对抗网络的实用解决方案，通过增强小数据集来提高分类器的泛化能力，从而解决脑 - 计算机接口开发中有限的脑电图数据问题。

    Feb, 2024

  • hvEEGNet: 基于层次变分自编码器对脑电数据进行的神经科学应用

    该研究提出了两种变分自编码器模型（vEEGNet-ver3 和 hvEEGNet），用于解决脑电重建中的问题。hvEEGNet 能够以非常高的准确度重建脑电数据，并发现了之前研究结果可能受到的腐败脑电记录的影响，同时提供了潜在的表征，用于其他分类问题和脑电数据生成。

    Nov, 2023

  • 基于流形的动态分布方法改进的跨主体和跨会话基于脑电情感识别的非深度迁移学习

    提出一种名为 Manifold-based Domain adaptation with Dynamic Distribution（MDDD）的新型非深度转移学习方法，通过优化 Grassmann 流形空间，动态对齐源域和目标域，结合分类器学习和集成学习模块提高情感解码的应用效果和实用性。

    Apr, 2024