Apr, 2024

EEG-MACS：基于流形注意力与置信分层的不可靠标记下的跨中心脑疾病诊断

PDF
TL;DR使用脑信号进行神经退行性疾病的基于脑电图的智能诊断面临数据异质性和标注不可靠性的挑战。本研究引入了 Manifold Attention and Confidence Stratification (MACS) 的可转移框架，通过来自四个中心的脑电图信号进行神经退行性疾病的诊断，解决了这一问题。实验结果表明，MACS 相较于现有算法，在跨中心和小样本的脑疾病诊断中具有卓越性能。同时，该研究还为扩展 MACS 技术到其他数据分析领域提供了新的思路，解决了多媒体和多模态内容理解中的数据异质性和标注不可靠性的问题。
发现论文，激发创造
  • 基于互相交叉注意机制的特征融合用于 EEG 情绪识别

    我们提出了一种名为 Mutual-Cross-Attention（MCA）的新颖有效的特征融合机制，结合特殊定制的 3D 卷积神经网络（3D-CNN），该方法巧妙地发现了 EEG 数据中时域和频域特征之间的互补关系，并且通过新设计的 Channel-PSD-DE 3D 特征在 DEAP 数据集上获得了 99.49%（愉悦度）和 99.30%（唤醒度）的准确率。

    Jun, 2024

  • 基于流形的动态分布方法改进的跨主体和跨会话基于脑电情感识别的非深度迁移学习

    提出一种名为 Manifold-based Domain adaptation with Dynamic Distribution（MDDD）的新型非深度转移学习方法，通过优化 Grassmann 流形空间，动态对齐源域和目标域，结合分类器学习和集成学习模块提高情感解码的应用效果和实用性。

    Apr, 2024

  • 基于跨任务神经架构搜索的 EEG 信号分类

    本研究提出了一种跨任务神经架构搜索（CTNAS-EEG）框架，可自动设计跨任务的网络结构以提高 EEG 信号识别精度，并应用于 MI 和情感识别等不同任务，处理效果优于同类研究，对后续研究提供了极好的参考。

    Oct, 2022

  • PSG 信号中的阿尔茨海默病检测

    阿尔茨海默病和睡眠障碍之间存在紧密联系，睡眠模式的中断经常在轻度认知障碍（MCI）和早期 AD 发作之前出现。本研究探讨利用通过多导睡眠监测仪（PSG）获得的与睡眠相关的脑电图（EEG）信号用于早期 AD 检测的潜力。我们主要关注于探索半监督深度学习技术用于 EEG 信号分类，这是由于临床场景中数据可用性有限的特点。实验方法包括测试和比较半监督 SMATE 和 TapNet 模型的性能，并与监督 XCM 模型和无监督的隐马尔科夫模型（HMMs）进行比较评估。研究强调了空间和时间分析能力的重要性，对每个睡眠阶段进行独立分析。结果表明，SMATE 在利用有限标记数据方面取得了稳定的度量结果，并在监督形式下达到了 90% 的准确率。比较分析揭示了 SMATE 在性能上优于 TapNet 和 HMM，而 XCM 在监督场景中以 92-94% 的准确率表现出色。这些发现强调了半监督模型在早期 AD 检测中的潜力，特别是在应对标记数据稀缺性方面。消融测试验证了空间 - 时间特征提取在半监督预测性能中的关键作用，并通过 t-SNE 可视化验证了模型在区分 AD 模式方面的熟练性。总体而言，这项研究通过创新的深度学习方法为 AD 检测的进展做出了贡献，突出了半监督学习在应对数据限制方面的重要作用。

    Apr, 2024

  • MBrain: 一个用于脑信号的多通道自监督学习框架

    本文提出了 MBrain，一种用于自监督学习的框架，可以用于预训练 SEEG 或 EEG 数据，并在大规模现实世界数据上进行了癫痫检测实验，表明我们的模型优于现有的一些时间序列自监督和无监督模型，并具有在临床实践中被部署的能力。

    Jun, 2023

  • 时频分析下基于 SPD 流形的图神经网络在运动想象分类中的应用

    介绍了一种名为 Graph-CSPNet 的基于图的技术，结合时频分析的基本视角，用于 MI-EEG 分类。与 Tensor-CSPNet 不同，该方法在 MI-EEG 分类方面实现了更好的结果。

    Oct, 2022

  • 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

  • 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

  • 通过屏蔽编码实现对未监督异质性映射的皮层异常学习

    通过大脑皮层异常特征的自我监督检测框架 CAM（Cortical Anomaly Detection through Masked Image Modeling），本研究在未标记数据下探索复杂脑部疾病的无监督检测方法，具体应用于精神病谱系个体的检测，结果表明相比先进方法，在 Schizoaffective 型和 Schizophreniform 型病例上获得了 0.696 和 0.769 的 AUC 值，无需任何标签，同时对与精神分裂症相关的非典型皮层区域例如 Pars Triangularis 和若干额叶区域的分析也进一步验证了该方法的可靠性。总体来说，本研究展示了一种基于皮层异常的复杂脑部疾病异常检测的可扩展方法。

    Dec, 2023

  • 基于脑电心智模拟的独立主体深度架构 EEG 分类

    提出了一种新颖的主体无关的半监督深度架构（SSDA），它包括两个部分：无监督部分（CST-AE）从训练样本中提取潜在特征，并降低表示的维度，保证其可辨识性；监督部分利用无监督部分获取的特征，学习基于标记训练样本的分类器，并通过中心损失减小类中每个点到其中心的嵌入空间距离。SSDA 在测试阶段表现出优越性能，仅使用少量标记训练样本即可获得强大的分类性能。

    Jan, 2024