Dec, 2023

稀疏多任务学习用于高效的运动意向和执行的神经表示

PDF
TL;DR为了提高大脑计算机接口（BCI）中神经数据解释和用户意图分类的效率，本研究引入了稀疏多任务学习框架，用于运动想象和运动执行任务，通过采用基于显著性的稀疏化方法来剪枝多余的连接并增强两个任务中具有高重要性的连接，以揭示与每个任务相关的不同和共同的神经组合，并使用原则性稀疏化技术消除多余连接并提高神经信号解码的准确性，结果表明这种定制稀疏性可以减轻过拟合问题，改善少量数据的测试性能，为计算效率高且稳健的 BCI 系统提供了可行的发展方向。
发现论文，激发创造
  • 基于关注力的脑电运动想象分类任务中的小样本关系学习

    通过深度学习的 FEW-SHOT 架构，提高结合关系得分分类 MI EEG 信号的准确度。

    Mar, 2020

  • 使用通用深度域适应框架预热跨会话运动想象分类

    提出了一种用于跨会话 MI 分类的全新的深度域自适应 (SDDA) 框架，并应用于既有的人工神经网络中，以提高模型的泛化能力与分类准确率。通过两项 MI-EEG 公共数据集上的实验证明，所提出的 SDDA 框架能够显著提高 EEGNet 和 ConvNet 的 MI 分类准确率，在文献中优于现有的其他方法。

    Feb, 2022

  • 使用多种机器学习技术解码大脑运动想象

    本文研究了运动想象技术在 BCI 实验中的应用，使用不同种类的电极记录数据，运用机器学习方法建立解码器以实时预测意图。

    Jun, 2023

  • 基于集成课程学习和协同训练的运动想象解码

    本研究提出了一种用于电极脑电图（EEG）数据的跨受试研究的两阶段模型合奏架构，该架构由多个特征提取器（第一阶段）和共享分类器（第二阶段）构建，并在两个损失项中端到端训练，证明了我们的方法实现了目标并在两个大型 MI 数据集中优于所有方法，同时使用了更少的可训练参数，解决了多受试 EEG 数据集中的领域漂移问题，为无标定 BCI 系统铺平了道路。

    Nov, 2022

  • 基于脑电心智模拟的独立主体深度架构 EEG 分类

    提出了一种新颖的主体无关的半监督深度架构（SSDA），它包括两个部分：无监督部分（CST-AE）从训练样本中提取潜在特征，并降低表示的维度，保证其可辨识性；监督部分利用无监督部分获取的特征，学习基于标记训练样本的分类器，并通过中心损失减小类中每个点到其中心的嵌入空间距离。SSDA 在测试阶段表现出优越性能，仅使用少量标记训练样本即可获得强大的分类性能。

    Jan, 2024

  • 以二维图像为表示的适当拓扑地图上的时空汇聚用于脑电图分类

    基于脑电信号的运动想象分类的研究提出了一种新的方法，利用坐标转换的 t-SNE 生成二维图像来表示拓扑地图，利用 InternImage 提取空间特征，利用 PoolFormer 启发的时空汇聚来利用序列的脑电图像中隐藏的时空信息，通过实验表明该方法在跨个体验证中二、三、四类运动想象任务中均取得了最佳的分类精度，分别达到了 88.57%、80.65% 和 70.17%。

    Mar, 2024

  • 3D-CLMI：基于 3D-CNN、LSTM 和注意力机制的运动想象 EEG 分类模型

    本研究提出了一种结合三维卷积神经网络与长短期记忆网络并具有注意力机制的模型来对运动想象 - 电子脑接口信号进行分类，实验结果表明该模型在运动想象任务领域取得了更高的分类准确度和 F1 值，对于用户的运动想象意图的分类准确度有较大的提升。

    Dec, 2023

  • 时频分析下基于 SPD 流形的图神经网络在运动想象分类中的应用

    介绍了一种名为 Graph-CSPNet 的基于图的技术，结合时频分析的基本视角，用于 MI-EEG 分类。与 Tensor-CSPNet 不同，该方法在 MI-EEG 分类方面实现了更好的结果。

    Oct, 2022

  • 稀疏时空脑机接口的分解方法

    本研究提出了一种稀疏情况下基于因子分解的脑机接口信号处理方法，通过采用不同的特征提取器从潜空间获取不同表示并最小化潜空间共享情况，成功地提取到了稀疏条件下的脑电信号的决定性特征。

    Jun, 2022

  • 端到端深度迁移学习用于无校准运动想象脑机接口

    该研究使用深度迁移学习开发了一种无需校准、面向不同个体的 MI-BCI 分类器，通过对原始 EEG 信号采用端到端的深度学习方法进行处理，并使用开放数据集进行训练和比较了三种深度学习模型，结果显示不同模型的性能有显著差异。

    Jul, 2023