Dec, 2023

人脑 EEG 与 TD3 深度强化学习间的多智能共驾辅助方法

PDF
TL;DR结合深度强化学习和脑机接口技术的研究，提出了一种协同操作系统来改善自主系统的干预以及通过考虑环境因素来提高脑电图活动解码的性能。
deep reinforcement learningbrain-computer interfaceautonomous systemscopilot control schemeenvironmental factors
发现论文，激发创造
  • 具有自主性的远程操作，应用于脑机接口操纵

    使用视觉、用户意图推断和人机共同控制的框架，旨在解决机器人远程操作系统中的挑战，同时缓解大脑 - 计算机接口下的噪音和错误低维度运动指令问题。我们使用共同控制辅助框架对两个使用了颅内脑机接口的受试者进行实验，并取得了显着的性能提升，在门的开启、从容器中倒液体和在密集且杂乱的环境中使用新型物品等任务中进一步展示了我们架构的可扩展性。

    Mar, 2015

  • 人机联合学习框架以提升内生脑机接口训练

    脑机接口（BCIs）提供了从大脑到外部设备的直接路径，具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号，提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验，证明了所提出的联合学习过程在学习效率和效果上的优势。

    Aug, 2023

  • 基于深度强化学习的共享自治

    论文提出了一种深度强化学习框架，结合人类输入与半自治控制，通过学习用户意图，帮助用户在实时控制任务中实现目标，成果是一种灵活、实用的辅助系统。

    Feb, 2018

  • 基于混合范式的脑机接口控制机械臂

    本文提出了一种基于知识蒸馏的框架，通过混合范式诱导的 EEG 信号操纵机械臂以实现实用化，并证实使用分层模型和知识蒸馏可以提高简单结构的性能。

    Dec, 2022

  • 使用深度卷积神经网络解码和可视化人类观察者的脑电图信号中的机器人动作成功签名

    研究深度卷积神经网络在配合 EEG 信号用于识别人机交互中的机器人错误检测时的准确率，表明深度卷积神经网络是一种可靠的 EEG 解码技术工具。

    Nov, 2017

  • 基于策略分解的人工智能共享控制

    本文介绍了一种基于频率的方法（Policy Dissection）用于 Reinforcement Learning (RL) 方法中的人机共享控制，该方法可将 RL 训练过的策略转化为可以与人类互动的策略，并在自动驾驶和动力学任务中进行了实验。

    May, 2022

  • 用于脑机接口诱发电位的跨受试者深度转移模型

    本文介绍一种基于深度学习的脑机接口技术，通过使用多组数据进行训练，实现了一定的性能，同时通过迁移学习，使得该技术能够用于不同用户，从而解决了目前脑机接口技术中需要耗费大量数据搜集的问题，该技术有望提高脑机接口技术的临床应用性和可行性。

    Jan, 2023

  • 物联网与脑机接口相遇：一种统一的深度学习框架实现人物认知交互

    提出了一种基于深度学习的框架，利用强化学习选择性注意机制和修改后的 LSTM 算法等方法，实现了人与物联网对象之间的认知互动，验证了该方法的有效性。

    May, 2018

  • 基于深度学习的脑电解码的欧氏对齐的系统评估

    系统评估了欧几里得对齐与深度学习相结合在解码脑 - 计算机界面信号中的影响，结果显示欧几里得对齐提高了目标主体解码率 4.33%，同时减少了超过 70% 的收敛时间。

    Jan, 2024

  • 基于脑机接口的基于 EEG 的意图识别的串联和并行卷积循环神经网络

    本文提出了级联和并行卷积循环神经网络，以有效学习 EEG 数据流的组合时空表示。通过转换 EEG 数据流，将其转换成 2D 网格结构以及使用 LSTM 循环神经网络来提取 EEG 数据流的微妙时序依赖性。在大规模 MI-EEG 数据集上进行了广泛的实验，证明了该方法在准确性方面具有高达 98.3％的优越性，相对于基线方法和大多数最新的深度学习 EEG 识别模型，有着 18％的准确率提升。

    Aug, 2017