单试验脑电图类别解码中的示范性表示学习
该研究使用脑电图 (EEG) 信号进行图像重建和分类,通过深度学习的特征提取方法在多个数据集上展示了其在大脑与计算机交互中的可广泛应用性,并提出了一种在 EEG 空间中转换未见图像并进行近似重建的新框架,显示出优于生成对抗网络现有性能的潜力。
Oct, 2023
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
我们提出了一种自监督框架,从脑电信号中学习图像表征。通过对配对图像刺激和脑电反应进行特征提取,然后使用对比学习来对齐这两种模态,我们的方法在最广泛的脑电图像数据集上取得了最先进的结果,并在 200 种零样本任务中达到了 15.6% 的 top-1 准确率和 42.8% 的 top-5 准确率。对脑电信号的时间、空间、频谱和语义方面的广泛实验表明了良好的生物合理性,这些结果对神经解码和脑 - 计算机界面的现实应用提供了有价值的见解。
Aug, 2023
本研究通过采用电脑脑波数据对 ImageNet 数据集中的图像进行分类和重建,提出了一种创新的方法。该研究不仅可以从神经活动中解码图像,还能仅利用脑电波数据生成图像的可靠重建,为个性化迅速反馈实验铺平了道路。
Sep, 2023
文章使用一种新方法,通过提高来自不同参与者但属于相同类的特征的相似性,从而实现学习主体无关的表示,进而在训练中仅使用少数样本即可准确预测基于 EEG 信号的视觉刺激类别。在有限数据情况下,即使采用了严格的问题设置,该方法在 EEG-ImageNet40 基准上实现了令人满意的表现,即面向目标主体每类只使用 5 个 EEG 样本时:72.6% / 91.6%的 top-1 /top-3 测试精度。
Feb, 2022
通过脑活动识别和重建我们所看到的内容,可以深入研究生物视觉系统如何代表世界。本文介绍了 EEG-ImageNet,一个包括从 16 名受试者记录的来自 ImageNet 数据集中的 4000 个图像的新颖 EEG 数据集,该数据集为目标分类和图像重建建立了基准。实验结果表明该数据集有助于推动基于脑电图的视觉脑 - 计算机界面,理解生物系统的视觉知觉,并在改进机器视觉模型方面有潜在应用。
Jun, 2024
通过在不同的 EEG 解码任务上进行深度学习网络的预训练和评估,研究了深度学习表达在任务之间的可迁移性,并发现在解码性能上有显著的提升,同时揭示了特定解码范式引发特定脑活动的证据,从神经科学的角度加强了我们对认知任务之间层次关系的理解。
Jul, 2023
该论文提出了 vEEGNet 模型,结合了变分自编码器和前馈神经网络,用于对复杂的多维时间序列电脑脑电图(EEG)数据进行分类和重构,取得了最先进的分类性能,并能够重构低频和中频范围的原始 EEG 信号。
Nov, 2023
使用预训练语言模型对无创脑机接口(BCI)通过脑电图(EEG)信号进行解码的潜力进行了研究,提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架,并使用新的评估指标验证了该框架在解码效果方面的优越性。
Nov, 2023