深度 Jansen-Rit 参数推断基准:一项基于仿真的研究
通过扰动训练好的神经网络来推断有效连接性(effective connectivity),以揭示人工神经网络预测未来系统动态的潜在因果结构。
Jul, 2023
脑机接口(BCIs)提供了从大脑到外部设备的直接路径,具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号,提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验,证明了所提出的联合学习过程在学习效率和效果上的优势。
Aug, 2023
本文介绍了一种利用神经估计器进行概率推断的方法,针对具有层次结构的模型,从实际应用的角度出发,利用粒子碰撞数据和强引力透镜观测数据进行案例研究并得出相应的结论。
Jun, 2023
提出了一种基于深度神经网络的 MI-EEG 分类方法,采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征,消除多种伪迹。实验证明,该方法在 MI-EEG 数据集上的分类精度达到了 95.53%,并应用于具体的 BCI 系统中,实现了打字操作。
Sep, 2017
我们的研究旨在开发一个深度学习算法,它能在较少数量的电极上提供有效的结果,并通过使用 SPDNet 的增强协方差方法来分析其性能和计算影响以及结果的解释性。通过使用 Mother Of All BCI Benchmark(MOABB)框架在 5 折交叉验证上对方法进行评估,使用仅位于运动皮层上方的三个电极进行实验验证。结果表明,我们的 SPDNet 在 MI 解码方面明显优于所有当前最先进的深度学习架构。
Mar, 2024
本文提出了使用近似贝叶斯计算法 (ABC) 和神经网络来解决单个神经元动态机制模型的建立和参数估计中的挑战,旨在为神经科学家提供一种能够在复杂神经元模型上进行贝叶斯推断的方法。
Nov, 2017
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
本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术,建立起一个单一的预训练模型,用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录,从而取得较好的脑机接口和脑电分类性能。
Jan, 2021
本研究通过对开放式脑机接口(BCI)的广泛再现性分析,旨在评估现有解决方案并建立可比性强的开放和可复制的基准,以便有效地比较该领域内的不同方法。研究结果表明,在各种 BCI 范式中,利用空间协方差矩阵的 Riemannian 方法显示出卓越的性能,强调了数据量的重要性,以达到与深度学习技术具有竞争力的结果。该研究的意义在于为 BCI 研究建立了严格和透明的基准,提供了最佳方法的见解,并强调了推动该领域发展所需的再现性的重要性。
Apr, 2024