Mar, 2024

基于条件扩散模型合成事件相关电位范式的脑电图信号

PDF
TL;DR通过使用生成模型，特别是扩散模型，可以缓解脑机接口领域中的数据稀缺问题。我们通过引入一种新颖的有条件扩散模型，利用无分类器的指导来直接生成主题、会话和类别特定的脑电图数据。结果表明，该模型能够生成类似于真实数据的脑电图数据。
brain-computer interfacegenerative modelsdiffusion modelselectroencephalogram dataconditional diffusion models
发现论文，激发创造
  • 使用生成扩散模型进行癫痫预测的数据增强

    本文提出了一种名为 DiffEEG 的基于扩散模型的数据增强方法用于癫痫预测，与现有方法相比，实验证明 DiffEEG 方法在改善分类器性能方面表现优异。

    Jun, 2023

  • DiffECG: 一种推广的基于概率的扩散模型用于合成心电图信号

    本文提出了一种基于去噪扩散概率模型的心电波形合成方法，此方法可以生成心跳、完成部分信号或进行心跳预测，且其效果较其他同类方法更佳，为心电信号合成提供了一个更为广义的条件方法。

    Jun, 2023

  • 基于扩散模型的脑驱动表示学习

    运用扩散概率模型 (Denoising diffusion probabilistic models) 和条件自编码器构建的新方法，在分析与言语相关的脑电信号方面取得了令人瞩目的结果，优于传统机器学习算法和基准模型，显示出扩散概率模型在语音相关脑电信号分析中的潜力，这可能推动针对口头交流的脑机接口的重要进展。

    Nov, 2023

  • DreamDiffusion: 从脑电信号中生成高质量图像

    DreamDiffusion 提出了一种新的方式，可以直接从大脑的脑电信号中生成高质量的图像，同时克服了诸多挑战，并在神经科学和计算机视觉等领域有潜在应用。

    Jun, 2023

  • Diff-E：基于扩散的学习用于解码想象的言语脑电图

    通过使用 DDPMs 和条件自编码器 Diff-E 对 EEG 信号进行解码来实现想象语言，结果表明 Diff-E 相较于传统机器学习技术和基准模型，显著提高了解码 EEG 信号想象语言的准确性，这一发现表明 DDPMs 可以成为 EEG 信号解码的有效工具，具有潜在的用于通过想象语言进行交流的脑机接口的意义。

    Jul, 2023

  • 使用生成模型综述情感神经生理信号合成

    本文综述了如何利用生成模型解决神经生理信号情感识别问题的挑战，进而提高情感识别系统的效率和可靠性。

    Jun, 2023

  • 通过潜在扩散模型从脑电数据中的自然音乐解码

    使用潜在扩散模型重构音乐，利用非侵入性脑电图数据进行训练并提出神经嵌入度量标准，同时进行生成曲目的歌曲分类，从而探究使用脑电图数据进行复杂听觉信息重构的可行性。

    May, 2024

  • 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

  • 基于扩散模型的认知启发跨模态数据生成

    探索一种基于扩散模型的跨模态生成方法，通过多模态扩散模型的训练和采样方案使用逐通道图像条件学习跨模态相关性，实现数据生成和多种模态的条件生成。

    May, 2023

  • 基于信号处理和深度神经网络的优化脑电情绪检测

    本研究使用电脑建立了一个基于神经网络的智能决策模型，通过 EEG 检测来识别人类主观情绪，并采用一些信号处理技术和算法，实验结果表明该模型能够提高情绪检测的准确性。

    Mar, 2023