Nov, 2023

Hopfield - 增强的深度神经网络用于抗干扰的脑状态解码

PDF
TL;DR通过提出一个组合了 Hopfield 网络（用于处理噪音数据）和卷积神经网络（用于分类不同麻醉水平下大鼠神经记录中的脑状态）的双阶段计算框架，本研究评估了我们的框架在处理神经记录中的噪音干扰方面的鲁棒性，结果显示我们的框架可以有效减轻噪音对模型的影响，在较低噪音水平上与完全无噪音数据的卷积神经网络模型达到相似的性能水平。
brain statesneuronal patternscomputational frameworkhopfield networksconvolutional neural networks
发现论文，激发创造
  • Hopfield 网络是您所需的全部

    引入了一种新型的 Hopfield 神经网络，具有连续状态和相应的更新规则，可存储指数数量的模式，具有很小的检索误差。该网络可用作深度学习架构的一层，以允许存储和访问原始输入数据、中间结果或学习原型，并提供池化、记忆、关联和注意机制。

    Jul, 2020

  • DTP-Net：多尺度特征复用学习时频域中的 EEG 信号重建

    本研究提出了一种名为 DTP-Net 的全卷积神经架构，用于端到端脑电图信号去噪，通过深入分析 DTP-Net 中各模块的表示学习行为来验证其鲁棒性和可靠性，并通过实验验证表明 DTP-Net 在去除噪音方面具有有效性，优于现有方法，进一步将 DTP-Net 应用到特定的脑机接口任务中，相对于原始信号，分类准确率提高了 5.55%，证明其在基于脑电图的神经科学和神经工程领域中具有潜在应用价值。

    Nov, 2023

  • 基于深度学习与可解释人工智能的脑部 MR 图像动态伪影自动检测

    MRI 数据获取中的质量评估是确保数据质量和下游分析或解释成功的关键步骤。本研究演示了一种深度学习模型，用于检测 T1 加权脑图像中的刚体运动。该模型是 ArtifactID 工具的一部分，旨在在线自动检测 Gibbs 环绕、穿越和运动伪影。该工具自动化了耗时的质量评估过程，并增强了现场的专业知识，尤其适用于本地磁共振知识匮乏的资源匮乏环境。

    Feb, 2024

  • 基于频率的深度学习的多种神经电活动去噪

    通过在频域操作，并针对噪声进行卷积滤波来实现脑电信号的去噪，可以有效地去除神经活动中的噪声源和生理性伪迹。

    Oct, 2023

  • 功能性大脑网络自动识别的更节约模型：以静息态功能磁共振为例

    通过采用监督超像素编码技术和图形技术，可以优化模型，在不影响 CNN 模型性能的情况下将优化参数提高 26 倍，并能够在脑肿瘤患者的大脑图像中识别特征连接

    Jul, 2023

  • 利用大规模神经影像数据集创建连接组约束方法，以实现更加稳健、高效和适应性人工智能

    利用大型神经成像数据集中的连接性图谱等手段，改善边缘端机器学习的效率和鲁棒性，并通过对果蝇和哺乳动物视脑回路连接等领域的分析，展示了多种潜在的应用脑科学领域洞见的方法。

    May, 2023

  • 头皮脑电图自动癫痫检测的深度架构

    本研究通过使用 TUH EEG Seizure Corpus 数据集，评估了一种新型的循环卷积神经网络，该网络在每 24 小时内的假警报率为 7 次，灵敏度达到 30%。研究表明，深度学习结构集成空间和时间信息对于达到最先进的表现至关重要，并将推动出一代临床可接受的技术。

    Dec, 2017

  • 使用人工神经网络探究依赖于海马的任务中场景感知的神经表示

    该研究通过使用三元组损失训练深度神经网络，使其学习场景感知任务和无监督的目标分割，在编码和解码中使用分解的潜在空间，实现在视角变换时实现场景的转换和重建。

    Mar, 2023

  • 基于层次深度特征学习的 EEG 想象语音解码

    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

  • 使用深度学习进行动态自然视觉的神经编码和解码

    研究表明，使用卷积神经网络 (CNN) 驱动的图像识别技术不仅能在下流视觉区域说明大脑对静态图片的反应，还能可靠地预测和解码人类观看自然电影时的功能性磁共振成像数据，并通过缺少有关时间动态或反馈处理机制的 CNN-Predicted areas 覆盖了包括腹侧流和背侧流在内的大部分视觉和语义空间。

    Aug, 2016