本文提出了一种新的多模态时间图注意力网络框架——联合核图注意力网络（Joint kernel Graph Attention Network，JGAT），结合了功能磁共振成像（fMRI）和扩散加权成像（DWI）的数据，可以保留动态信息，具有更好的编码能力。使用JGAT模型从多个7T fMRI数据集中对大脑进行解码任务，同时可以计算和学习到注意力得分（AS）和帧得分（FS）来定位多个信息时间段，并建立富有意义的动态通路。

Jun, 2023

该研究通过fMRI2text任务，提出了一种可用于大脑计算机界面的任务，UniCoRN编码器证明了从fMRI和EEG这两种认知信号中重建连续的时间序列的可行性和有效性。

Jul, 2023

本文提出了一种动态图自蒸馏的听觉注意力检测方法，该方法通过应用动态图卷积神经网络处理非欧几里德特性的脑电图信号，提取与听觉空间注意力相关的关键特征，并利用特征和分类结果指导浅层网络的学习，实验结果表明该方法优于基线方法并且参数数量减少100倍。

Sep, 2023

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

研究了脑-计算机接口中各种通道注意机制的应用，通过整合它们到一个轻量级的架构体系中评估它们的影响，实验证明通道注意机制可以提高性能并在保持基础架构的小内存占用和低计算复杂性的同时保持高度的通用性。

Oct, 2023

非侵入性的认知信号解码为自然语言一直是建立实用脑-计算机接口（BCIs）的目标。最近的重要里程碑成功地将认知信号如功能磁共振成像（fMRI）和脑电图（EEG）在开放词汇设置下解码为文本。然而，如何在认知信号解码任务中拆分训练、验证和测试数据集仍然存在争议。本文对当前数据集拆分方法进行了系统分析，发现数据污染的存在大大夸大了模型性能。为了消除数据污染的影响和公平评估不同模型的泛化能力，我们提出了一种新的分裂方法用于不同类型的认知数据集（例如fMRI，EEG）。我们还测试了在提出的数据集分裂模式下的SOTA脑-文本解码模型的性能作为后续研究的基准。

Dec, 2023

通过使用基于信息的评估指标，本研究提出了两种方法来改进现有先进的连续文本解码器，展示了这些方法的相互配合可将脑解码性能提高40%以上，并通过实证研究证明脑到文本解码具有Zipfian幂律动力学特性，最终通过信息度量方法量化解码误差的主要来源并估算了基于fMRI的文本解码器的理想性能与当前模型的差距，得出进一步改进算法可以实现实用脑到文本解码器的结论。

May, 2024

利用功能磁共振成像(fMRI)和深度学习方法，我们提出一种名为BrainMAE的大脑掩码自编码器，能够从fMRI时间序列数据中学习表示，捕捉大脑活动的丰富时间动态并对数据中固有的噪声具有强大的鲁棒性，并在四个不同的下游任务中显著优于传统方法。

Jun, 2024

本研究针对现有脑电图（EEG）解码方法在特征提取方面的不足，提出了一种新型的双支路时间-频谱-空间变换器模型（Dual-TSST）。该模型通过卷积神经网络提取时间-空间特征和时间-频谱-空间特征，并利用特征融合块捕捉EEG信号的全局长程依赖性，从而实现更高的脑电图分类精度。实验结果显示，该方法在多个数据集上的表现优于十多种先进方法，提供了高性能EEG解码的新途径，具有广阔的应用前景。

Sep, 2024

本研究探讨了在人类视觉系统中，如何在连续视觉刺激下保持过去的信息。提出了一种新的记忆解缠任务，采用受前摄干扰现象启发的解缠对比学习方法，有效地将相邻fMRI信号中的信息分为当前和过去的成分，并解码为图像描述。实验结果显示，该方法能有效解缠fMRI信号中的信息，具有推动脑机接口和改善fMRI低时间分辨率等潜在影响。

Sep, 2024