Apr, 2024

多通道脑电拓扑特征搜索方法：在注意力缺陷多动障碍分类中的应用

PDF
TL;DR近年来，利用脑电图（EEG）进行注意力缺陷多动障碍（ADHD）预诊断吸引了研究人员的关注。本文提出一种改进的拓扑数据分析方法，用于多通道 EEG 信号在 ADHD 中的应用。结果表明，该方法具有更高的精确度和鲁棒性。
attention deficit hyperactivity disorderelectroencephalographytopological data analysismulti-channel eegpersistence image method
发现论文，激发创造
  • 应用签名理论对脑电图进行时间拓扑分析

    多元信号的异常检测使用拓扑数据分析的方法构建了具有预测能力的单纯复合体，来跟踪拓扑的变化并探测与脑信号相关的癫痫发作前兆现象。

    Apr, 2024

  • 利用大脑网络结构自动识别 ADHD 患者

    本研究利用静息状态功能性磁共振成像序列研究了 ADHD 受试者的自动分类，计算脑部体素活动的配对相关性，使用网络特征训练 PCA-LDA 分类器，应用图形模式特征和脑部区域做脑图像，在分类性能，尤其是使用网络长度 3 的循环图提高诊断和了解该疾病的效力。

    Jun, 2023

  • 基于动态领域适应的深度学习网络用于基于脑电信号的动作意象分类

    我们提出了一种基于动态领域自适应的深度学习网络 (DADL-Net)，通过 3D 卷积模块将脑电数据映射到三维几何空间，并学习其时空特征，利用空间通道注意机制加强特征，最终通过卷积模块进一步学习特征的时空信息。通过引入最大均值差异损失函数，以及对目标域数据的部分微调，解决了脑机接口中相邻通道的相关性表示和个体差异的问题，在 BCI 竞赛 IV 2a 和 OpenBMI 数据集上验证了该方法的性能，分别达到 70.42% 和 73.91% 的准确率。

    Sep, 2023

  • LMDA-Net：通用脑 - 计算机界面典范和可解释性的轻量级多维注意力网络

    提出了一种轻量级多维注意力网络 LMDA-Net，通过整合来自多个维度的特征，在各种 BCI 任务中实现了改进的分类性能，并且通过特定于类别的神经网络特征可解释性算法对其特征进行解释分析，展示出作为各种脑电任务的通用在线解码模型的巨大潜力。

    Mar, 2023

  • iPAL：面向智能医疗的机器学习框架，用于自动诊断注意缺陷 / 多动障碍（ADHD）

    该研究使用机器学习和神经科学方法，基于 ADHD200 数据集进行多分类和二分类诊断生物标记，使用基于 MRI 数据的功能连接和表型数据的两个分类器通过集成技术实现了二分类的准确诊断，准确率达到 92.5%。

    Feb, 2023

  • 昏迷患者自身和交叉通道关注机制下的多通道脑电图数据分析

    通过深度学习方法对双极脑电图记录进行预测，在高特异性、减少误报的目标函数优化下，利用多通道脑电图阵列对神经系统不良结局进行有效预测，并通过我们团队提出的 ONG IVS 框架，在挑战性验证数据上取得了 0.57 的得分。

    Sep, 2023

  • 基于点云的节点级拓扑表示学习

    通过离散拓扑学和微分几何的概念，我们提出了一种从复杂点云中提取节点级拓扑特征的新方法，并验证了这些拓扑点特征在合成和真实数据上的有效性以及其对噪声的鲁棒性。

    Jun, 2024

  • 基于脑电信号的癫痫发作检测中特征提取与性能评估综述

    这篇论文综述了使用机器学习方法和不同特征对于 EEG 信号中癫痫发作进行检测的研究现状，通过实验选取了数个有显著预测能力的特征以提高检测效果。

    Aug, 2019

  • 拓扑数据分析在语音处理中的应用

    本论文介绍了一种利用拓扑数据分析法（TDA）分析语音的新方法，通过引入一系列从 Transformer 注意力映射和嵌入中得出的拓扑和代数特征，展示了建立在这些特征之上的简单线性分类器优于微调分类头的表现，并展示了拓扑特征能够揭示语音 Transformer 头的功能角色。

    Nov, 2022

  • 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