预测信息需求的实现:一项脑电图研究
本文介绍了一种通过脑电波信号推断用户阅读文档的相关性和搜索意图的大脑信息接口,成功地应用于从英文维基百科语料库中检索新的相关文档,为信息推荐提供了一种不需要明示用户意愿的新方式。
Jul, 2016
使用神经解码的方法从 EEG 数据中提取记忆,通过深度表征学习和监督对比损失将脑电图映射到低维空间,可在训练数据集中没有出现的概念中识别,可应用于信息检索问题。
Jul, 2023
通过将神经网络和神经科学的 EEG 数据相结合,使用理论驱动的裁剪和随机森林树分割来降低 EEG 数据的维度,从而改进了 NLP 任务中的注意力机制,表现出比强基准线更佳的表现,有助于进一步研究 EEG 在 NLP 任务中的应用。
Jun, 2020
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
本文研究了单屏幕和双屏幕情况下,记忆工作量与脑电波之间的关系,并使用机器学习模型对高记忆工作量状态进行分类,研究结果表明 EEG 可以作为进行神经人类学研究的有效工具。
May, 2023
本研究通过使用 SVM,KNN 和 RNN (LSTM) 等算法,对 DEAP 数据集中的 EEG 信号进行分类和测试,以探究如何使用脑信号来改进情绪识别的性能,并进一步研究情绪随时间变化的规律。
Jul, 2023
通过对 156 篇 DL 和 EEG 论文的回顾和分析,发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升,但大多数论文难以复现,因此提出了建议以支持该领域的进一步发展。
Jan, 2019
通过将个体的条件识别信息纳入神经网络中,将 EEG 信号解码与个人特征相结合,从而提高 EEG 可解释性和相关识别特征的理解,以提高模型表达能力。在 WithMe 数据集上的测试结果表明,这种方式显著提高了训练集和未知个体的准确性,具有改善 EEG 解释性和理解相关识别特征的潜力。
Mar, 2024
该文提出了一个基于信息理论的人类语言处理模型,观点是内在的语言输入在启发式解释和错误校正的两个层次上处理,由此提出两种信息处理的脑电信号(N400 和 P600)和由现代自然语言处理技术获得的 surprisal 量。该理论通过成功模拟实验证据,可以为传统的认知理论提供精确的信息理论解释。
Dec, 2022
通过使用脑电波技术,研究了阅读理解的神经响应变化,发现各种认知活动在阅读理解中发挥作用,并构建了一个基于脑电波的阅读理解建模统一框架,用于提高阅读理解任务的性能。
Aug, 2021