个体间自然神经科学的共享脑电时空表征对比学习

Feb, 2024

个体间自然神经科学的共享脑电时空表征对比学习

Contrastive Learning of Shared Spatiotemporal EEG Representations Across Individuals for Naturalistic Neuroscience

Xinke Shen, Lingyi Tao, Xuyang Chen, Sen Song, Quanying Liu...

TL;DR利用对比学习的表现力，本研究通过 Electroencephalogram (EEG) 技术构建了一种共享时间空间脑电图（EEG）表示的通用框架，被称为 CL-SSTER。通过在不同个体之间最大化相似度的神经网络，CL-SSTER 能产生可靠的空间和时间模式，并有助于识别自然神经科学中跨个体共享的神经表示。

Abstract

neural representations induced by naturalistic stimuli offer insights into how humans respond to peripheral stimuli in daily life. The key to understanding the general neural mechanisms underlying naturalistic stimuli processing involves aligning neural activities across individuals an

neural representations contrastive learning eeg technique inter-subject shared neural representations cl-sster

发现论文，激发创造

基于语义感知的课程学习在脑电图到文本生成中的对比学习

本文介绍了使用课程多义对比学习策略来降低脑电信号与自然语言文本之间差异的挑战，其在多种模型和架构上均表现出优秀的实验结果并取得最新的最优结果，可广泛应用于单一对象和资源匮乏的情况，并且其在零样本学习方面具有鲁棒性。

Jan, 2023

一种基于监督信息增强的多粒度对比学习框架在基于脑电的情感识别中的应用

通过引入一种新的基于 EEG 的情绪识别方法，本研究提出了一种名为 SICLEER 的监督信息增强对比学习框架。通过多粒度对比学习，SICLEER 创建了稳健的 EEG 上下文表示，提高了情绪识别的准确性。与现有方法不同，本研究提出了一种联合学习模型，结合了自监督对比学习损失和有监督分类损失。该模型优化了两个损失函数，捕捉了特定于情绪检测的微妙 EEG 信号差异。大量实验证明了 SICLEER 在 SEED 数据集上相对于现有方法的稳健性和优越性能。此外，本研究分析了电极的性能，强调了情绪检测中中央前额和颞叶脑区 EEG 信号的重要性。本研究提供了一种普适的方法，对于不同的 EEG 分类任务具有潜在的益处。

May, 2024

基于 Inter-subject Contrastive Learning 的面向主体自适应的基于 EEG 的视觉认知

文章使用一种新方法，通过提高来自不同参与者但属于相同类的特征的相似性，从而实现学习主体无关的表示，进而在训练中仅使用少数样本即可准确预测基于 EEG 信号的视觉刺激类别。在有限数据情况下，即使采用了严格的问题设置，该方法在 EEG-ImageNet40 基准上实现了令人满意的表现，即面向目标主体每类只使用 5 个 EEG 样本时：72.6％ / 91.6％的 top-1 /top-3 测试精度。

Feb, 2022

脉冲神经网络的时间对比学习

本研究提出了一种时域监督对比学习的方法，可以使神经网络在处理时间序列信息时具备低延迟和高性能，取得了 CIFAR-10、CIFAR-100 和 DVS-CIFAR10 等数据集的最新性能水平。

May, 2023

功能图对比学习揭示了基于刻板印象的压力因素引发的情绪传染

通过情感传染的研究并结合脑电图扫描技术，该论文揭示了情感传染与认知功能之间复杂的相互作用，特别关注女性对协作解决问题时的刻板印象压力条件下的影响。

Aug, 2023

使用深度循环卷积神经网络从脑电图中学习表征

该研究中提出了一种新方法，可以从多通道 EEG 时间序列中学习稳健的特征，以提高认知负荷分类任务的分类准确率。

Nov, 2015

基于知识驱动的 EEG 表示的跨视图对比学习

本文提出了一种基于神经知识支持的 EEG 表示的知识驱动的跨视角对比学习框架 (KDC2)，该方法通过模拟头皮和神经视图来提取有效表示，应用不同视角的对比学习和增强方法来捕捉神经特征，并通过建模同源神经信息一致性理论来提取不变和互补的神经知识生成联合表示，实验结果表明该方法在不同的下游任务上优于现有方法，突出了神经知识支持的 EEG 表示在各种脑任务中的优越泛化能力。

Sep, 2023

时空元对比学习

提出了一种新的空间 - 时间对比学习（CL4ST）框架，通过 STG 的扩充范式来编码稳健和可推广的 STG 表示，实验证明 CL4ST 在交通和犯罪预测方面明显优于各种最先进的基准模型。

Oct, 2023

具有自监督的情境化时空对比学习

本文提出了一种基于上下文感知的时空对比学习（ConST-CL）的方法，该方法成功地实现了学习细粒度视频表示，利用区域预文本任务引导模型从一个视角到另一个视角转换，并整合整体和局部表示的并行学习过程。我们在多个数据集上评估了所学得的表示，并展示了 ConST-CL 在 6 个数据集上取得了具有竞争力的结果，包括 Kinetics，UCF，HMDB，AVA-Kinetics，AVA 和 OTB。

Dec, 2021

从脑电图记录学习稳健的深度视觉表征

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