Jan, 2024

TAnet：一种基于脑电信号的短决策窗口听觉空间关注解码的新的时间注意力网络

PDF
TL;DR该研究提出了一种短决策窗口的新型听觉空间注意力检测模型 TAnet，通过使用多头注意力机制更有效地捕捉脑电信号的时间步间相互作用，并为这些时间步分配相应的权重，进一步提高了听觉空间注意力检测的性能。实验证明，相比于基于 CNN 的方法和最新的 ASAD 方法，在 KUL 数据集中，使用短决策窗口时，TAnet 表现出更好的解码性能，准确率分别为 92.4%（决策窗口为 0.1 秒）、94.9%（0.25 秒）、95.1%（0.3 秒）、95.4%（0.4 秒）和 95.5%（0.5 秒）。作为一种具有短决策窗口的新型 ASAD 模型，TAnet 有望促进脑电控制智能助听器和声音识别系统的设计。
auditory spatial attention detectionasadend-to-end temporal attention networktaneteeg signals
发现论文，激发创造
  • 基于 DenseNet 的使用 EEG 解码听觉空间注意力的方法

    通过将原始的 EEG 通道转化为二维空间拓扑图，将 EEG 数据转化为包含时空信息的三维排列，并使用 3D 深度卷积神经网络（DenseNet-3D）提取被关注位置的神经表示的时空特征。结果表明，该方法在常用的 KULeuven（KUL）数据集上以 1 秒决策窗口取得了比最先进方法（XANet 的 90.6%）更高的解码精度（94.4%），我们的工作代码可以在 GitHub 上获取。

    Sep, 2023

  • 基于 EEG 的低占用和低延迟听觉注意力检测的 Corticomorphic 混合 CNN-SNN 结构

    本文提出了一种受听觉皮层启发的混合卷积神经网络 - 脉冲神经网络（CNN-SNN）器件，使用 EEG 数据及多说者语音包络成功计算出空间定位，并取得了 91.03% 的高精度，同时相较于传统方法，参数使用降低了 15%，存储空间降低了 57%，并具有较大的应用潜力，特别推荐应用于智能助听器等装置上。

    Jul, 2023

  • 一种高效的编码器 - 解码器体系结构，具有自上而下的注意力，用于语音分离

    本文提出了一种模拟大脑自上而下关注机制的、模型复杂度较低但表现优异的基于编码器 - 解码器的深度神经网络架构 TDANet，并在三个基准数据集上验证其高效性和有效性。

    Sep, 2022

  • 基于浅层深层注意力网络将听觉语音和脑电信号相关联

    本篇论文提出了一种新的 Shallow-Deep Attention-based Network (SDANet) 来对不同刺激下的 EEG 信号进行正确分类，它采用了 Attention-based Correlation Module (ACM) 来全局地发现听觉语音和 EEG 信号之间的关系，并且使用了 Shallow-Deep Similarity Classification Module (SDSCM) 基于浅层和深层学习得到的嵌入来决定分类结果。同时，还使用了多种训练策略和数据增强来提高模型鲁棒性，并在 Auditory EEG challenge 提供的数据集上进行了实验验证，结果表明该模型在匹配 - 不匹配轨迹方面比基线模型有显著的提升。

    Mar, 2023

  • 基于 Transformer 架构的 EEG 注意力估计的时空分析

    本文提出了一种基于 transformer-based 网络的新型框架，用于从 EEG 信号中获取注意状态，进一步优化了特征提取方法和频带。该网络已在两个公共数据集上进行了训练和验证，并取得了比现有模型更高的效果，可应用于实际情况下，如评估注意力缺陷多动障碍 (ADHD) 症状或驾驶评估中的警觉度。

    Apr, 2022

  • 面向 EEG 情感识别的时间感知混合注意力卷积及 Transformer 网络 (MACTN)

    提出了一种基于分层混合模型的情感识别方法 MACTN，该模型通过卷积神经网络 (CNN) 提取局部情感特征，通过 transformer 集成稀疏的全局情感特征，并利用通道注意机制识别最相关的通道，在实验中取得超过其他现有方法的分类准确度和 F1 分数，早期版本已赢得 2022 年世界机器人大赛情感 BCI 竞赛的决赛冠军。

    May, 2023

  • 基于时间域的大脑辅助言语增强网络：在多说话人条件下使用卷积交叉注意力

    本研究提出了一种基于脑电图信号的时域单通道语音增强网络（BASEN），用于从混响环境中提取目标讲话者的语音，并且实验结果显示，该方法在多项评估指标上表现优于现有方法。

    May, 2023

  • TASED-Net: 用于视频显著性检测的时间聚合空间编码解码网络

    TASED-Net 是一种用于视频显着性检测的三维全卷积神经网络结构，采用编码器 - 解码器结构，能够在考虑有限数量过去帧的情况下，对与运动目标相关的显着帧进行有效预测。大量实验结果表明该模型明显优于之前的方法，并且特别擅长关注显著的运动物体。

    Aug, 2019

  • 基于注意力神经网络的目标说话人分离

    本文提出了一种基于注意力机制的神经网络（Atss-Net）来进行基于深度学习的目标说话人分离和语音增强，实验结果表明 Atss-Net 在频谱图领域比 CNN-LSTM 架构更有效，并且在语音增强方面也具有良好的性能。

    May, 2020

  • TDANet: 一种新颖的带注意力机制的时序去噪卷积神经网络用于故障诊断

    提出了一种基于时间去噪卷积神经网络和注意力机制的故障诊断方法，能够在噪声环境中改善故障诊断性能，并通过对 CWRU 数据集和真实飞机传感器故障数据集的评估表明，在噪声环境下，该方法在诊断准确度方面明显优于现有的深度学习方法。

    Mar, 2024