基于测地优化的脑电数据预测性位移自适应
本文介绍了一种基于 Riemannian 几何学的 M/EEG 数据分析方法,通过将 M/EEG 协方差矩阵映射到切空间中进行回归和预测,研究结果表明这种方法在预测能力上超过基于传感器空间的估计方法,接近需要 MRI 数据的生物物理学驱动源定位模型的表现。
Jun, 2019
采用统计技术和可训练方法明确地对齐深度学习模型各层的特征分布,以应对跨数据集、受试者和记录会话的强协变量转移,从而构建针对EEG解码的主体无关的深度学习模型,该方法在2021年的BEETL比赛中获得了第一名。
Feb, 2022
RVGP是一种推广的高斯过程(GPs),用于学习潜在黎曼流形上的向量信号,通过与数据的常见基于图形的逼近相关的切空间束联结Laplacian的特征函数进行位置编码,具有全局规律性,可以在保留奇异点的同时对向量场进行超分辨率重建和内插,用于重构健康人和阿尔茨海默病患者低密度脑电图记录的高密度神经动力学,并且我们发现向量场的奇异点是重要的疾病标记,并且其重建方法在疾病状态的分类精度上与高密度记录相当,因此克服了实验和临床应用中的一个重要限制。
Sep, 2023
通过使用隐马尔可夫模型和线性混合效应模型从EEG数据中提取特征,本研究分析了使用六种机器学习方法对学习者和非学习者进行分类的性能,并比较了不同标准化方法对分类性能的贡献。结果显示,只有使用theta EEG数据和深度神经网络时,才能达到超过80%的ROC曲线下面积,增强了空间学习任务中学习者和非学习者的分类能力。
Nov, 2023
基于深度学习模型和统计领域适应技术,本研究介绍了获得EEG转移学习竞赛冠军的Latent Alignment方法,并将其表述为应用于给定受试者试验集的深度集合;实验结果表明,在深度学习模型的较晚阶段进行统计分布对齐有助于分类准确性,同时研究了深度学习模型中可能产生虚假改善结果的类别区分偏差以及类别不平衡对对齐的影响。
Nov, 2023
该研究论文介绍了一种针对目标数据集中有限标记信号的新颖时序数据域自适应技术,称为混合模型 Stiefel 自适应 (MSA),通过利用目标域中丰富的无标记数据,建立起信号方差之间的等价对应关系,以确保有效的预测。该方法在神经科学问题中的应用中,使用来自 Cam-CAN 数据集的脑磁成像 (MEG) 信号,在任务变化的脑龄回归中胜过最近的方法。
Jan, 2024
应用电脑脑电波信号物理学的方法,通过字段插值将脑电通道映射到固定位置,实现源域适应,提高了脑机接口和潜在生物标志应用的分类性能。
Mar, 2024
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
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。
Apr, 2024
本研究解决了脑电图(EEG)情感识别中因信号非平稳性导致的分布漂移问题。提出的可进化快速适应(EvoFA)框架,通过结合少样本学习和领域适应技术,实现了在线自适应,显著提升了模型在动态数据上的在线测试性能。这一方法的引入为脑电图情感识别的实际应用开辟了更广阔的前景。
Sep, 2024