Sep, 2023

基于知识驱动的 EEG 表示的跨视图对比学习

PDF
TL;DR本文提出了一种基于神经知识支持的 EEG 表示的知识驱动的跨视角对比学习框架 (KDC2)，该方法通过模拟头皮和神经视图来提取有效表示，应用不同视角的对比学习和增强方法来捕捉神经特征，并通过建模同源神经信息一致性理论来提取不变和互补的神经知识生成联合表示，实验结果表明该方法在不同的下游任务上优于现有方法，突出了神经知识支持的 EEG 表示在各种脑任务中的优越泛化能力。
eeg signalsdeep learningself-supervised frameworkscontrastive learningneural knowledge
发现论文，激发创造
  • 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

  • 半监督双流自注意对抗图对比学习用于跨主体基于脑电的情绪识别

    本文提出了一种半监督的双流自我注意对抗性图对比学习框架 (DS-AGC)，用于解决跨受试者基于脑电图的情绪识别中标记数据不足的挑战，并通过多个实验表明该模型在不完整标签条件下优于现有方法，具有有效解决跨受试者基于脑电图的情绪识别中标签稀缺问题的效果。

    Aug, 2023

  • BENDR：使用变压器和对比自监督学习任务从海量脑电数据中学习

    本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术，建立起一个单一的预训练模型，用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录，从而取得较好的脑机接口和脑电分类性能。

    Jan, 2021

  • 基于 Inter-subject Contrastive Learning 的面向主体自适应的基于 EEG 的视觉认知

    文章使用一种新方法，通过提高来自不同参与者但属于相同类的特征的相似性，从而实现学习主体无关的表示，进而在训练中仅使用少数样本即可准确预测基于 EEG 信号的视觉刺激类别。在有限数据情况下，即使采用了严格的问题设置，该方法在 EEG-ImageNet40 基准上实现了令人满意的表现，即面向目标主体每类只使用 5 个 EEG 样本时：72.6％ / 91.6％的 top-1 /top-3 测试精度。

    Feb, 2022

  • 知识引导的脑电图表示学习

    提出了一种自监督模型用于 EEG 信号分析，采用基于状态空间的深度学习架构，提供了稳健性能和显著参数效率，同时提出了一种新颖的知识引导的预训练目标，改善了嵌入式表示学习和下游任务的性能。

    Feb, 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

  • 跨语料 EEG 情感识别的特征对齐联合对比学习

    本研究提出了一种新颖的联合对比学习框架与特征对齐模型（JCFA Model），用于解决跨语料库的基于脑电图（EEG）的情感识别问题。在两个主要阶段中，JCFA Model 通过联合领域对比学习策略，在无需标记数据的情况下，提取每个 EEG 样本的稳健的基于时间和频率的嵌入，并将其在共享的潜在时间 - 频率空间中进行对齐。随后，在与下游任务结合时，通过考虑脑电图电极之间的结构连接，进一步提高了模型的能力，适用于情感的检测和解读。大量的实验结果表明，所提出的 JCFA Model 在两个公认的情感数据集上实现了最先进的性能，其在跨语料库的 EEG 情感识别任务中的平均准确率提高了 4.09%。

    Apr, 2024

  • 自监督 EEG 表征学习用于自动睡眠分期

    本文介绍了一种名为 ContraWR 的自监督学习算法，可以用于从大量未标记的 EEG 数据中学习鲁棒的向量表示，用于睡眠分期任务，并且相比监督学习方法在数据标记少和噪声干扰情况下表现更好。

    Oct, 2021

  • 基于语义感知的课程学习在脑电图到文本生成中的对比学习

    本文介绍了使用课程多义对比学习策略来降低脑电信号与自然语言文本之间差异的挑战，其在多种模型和架构上均表现出优秀的实验结果并取得最新的最优结果，可广泛应用于单一对象和资源匮乏的情况，并且其在零样本学习方面具有鲁棒性。

    Jan, 2023