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
该论文提出了 vEEGNet 模型,结合了变分自编码器和前馈神经网络,用于对复杂的多维时间序列电脑脑电图(EEG)数据进行分类和重构,取得了最先进的分类性能,并能够重构低频和中频范围的原始 EEG 信号。
Nov, 2023
本文提出了一种基于深度学习的框架来从放松状态脑电图信号中提取肥胖和健康人群的特征,并使用时空变分自动编码器和一维卷积神经网络分类。结果显示,该方法在分类精度、特征可视化和特征表示的杂质度方面具有优势。未来的方向包括在从神经学的角度深入了解模型所学习的空间模式以及允许发掘任何时间相关信息来提高模型的可解释性。
Feb, 2023
本文介绍了使用深度学习技术从脑电图(EEG)记录中学习区分特征的几种策略,并比较了其效果。这些策略包括跨试验编码,相似性约束编码和 Hydra-nets。通过使用公开可用的 OpenMIIR EEG 数据集对这些策略进行了评估。
Nov, 2015
利用半监督的方法,使用一种名为 SincVAE 的新型深度学习方法,该方法通过训练特定的带通滤波器阵列作为变分自编码器的第一层,从而改进了脑电图数据中的癫痫发作检测,并能够在前癫痫期早期发现癫痫发作,并在后癫痫期对患者进行监测。
Jun, 2024
本文提出了一种基于条件变分自编码器的 EEG2Vec 框架,可以在具有限计算内存资源的情景下预测情绪状态,并生成特定参与者和 / 或情感的合成 EEG 数据;实验结果表明,该模型能够适用于无监督 EEG 建模,并实现对正面、中性、负面三个情感类别的分类。
Jul, 2022
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
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
本研究展示了在脑电图(EEG)回归任务上,以 ImageNet 为预训练数据的混合 Vision Transformer(ViT)模型的应用。通过与其他模型进行比较,包括没有 ImageNet 权重的相同结构 ViT 模型,在 EEG 数据上微调后,该模型表现出显著的性能提升。这一发现挑战了对模型泛化的传统理解,表明在合适的微调流程下,预先训练在看似无关的图像数据上的 Transformer 模型可以为 EEG 回归任务提供有价值的先验知识。这种方法的成功暗示了 ViT 模型在视觉任务环境中提取的特征可以轻松地转化为 EEG 预测建模的目的。我们建议不仅在神经科学和相关领域,而且在任何由实际、财务或伦理限制所限制的任务中采用这种方法。我们的结果揭示了预训练模型在与其原始目的明显不同的任务上的潜力。
Aug, 2023
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
本研究通过使用图变分自编码器和有监督对比学习的方法,对神经系统疾病背景下弥漫张量成像数据集中的海马形态变异进行了细致研究,以提高其可解释性和分离出与年龄和疾病存在相关的两个独立潜变量。通过对合成的 3D 环面网格数据和真实的 DTI 海马数据集进行评估,我们的有监督分离模型在离散度分数方面优于其他先进方法,对多发性硬化症(MS)患者的年龄组和疾病状态进行了区分,并显示了不同年龄下 MS 人群海马体积变化的结果,与当前神经成像学文献一致。这项研究对于了解不同年龄组 MS 人群的神经系统疾病与海马形态变化之间的关系提供了有价值的洞察。
Mar, 2024