- 利用 fMRI 数据的大脑预测编码进行语言重建
提出了一种用于神经解码和脑预测的新模型 extsc {PredFT}，它结合了主要解码网络和用于预测编码的辅助网络，并通过交叉注意力将脑预测编码表示融入主要解码网络以促进语言模型的生成过程。在最大 BLEU-1 分数为 27.8% 的自然 - 跨语料 EEG 情感识别的特征对齐联合对比学习
本研究提出了一种新颖的联合对比学习框架与特征对齐模型（JCFA Model），用于解决跨语料库的基于脑电图（EEG）的情感识别问题。在两个主要阶段中，JCFA Model 通过联合领域对比学习策略，在无需标记数据的情况下，提取每个 EEG - MEG 基础 GPT 模型
使用深度学习技术，以大量未标记数据预训练模型，并在特定任务上进行微调，对大脑信号进行建模比常规线性自回归模型具有更好的建模能力，其中 GPT2 模型在时间、空间和频谱特征方面更好地重现了实际数据和任务数据的诱发活动。
- 应用签名理论对脑电图进行时间拓扑分析
多元信号的异常检测使用拓扑数据分析的方法构建了具有预测能力的单纯复合体，来跟踪拓扑的变化并探测与脑信号相关的癫痫发作前兆现象。
- 近似 UMAP 允许高速在线可视化高维数据流
在脑机接口领域，我们引入了一种名为近似 UMAP（aUMAP）的新方法，用于实时推断，其结果显示该方法能够在减少投影速度一个数量级的同时维持与标准 UMAP 相同的训练时间和投影空间。
- 通过解读脑信号进行查询扩充
利用从脑信号解码出的语义信息增强查询，Brain-Aug 生成原始查询的继续部分，通过排序导向的推理方法提高查询准确性，实验证明 Brain-Aug 使查询更准确，进而提高文档排序性能，对于歧义查询尤为显著。
- Brant-2：脑信号基础模型
基于大量未标记数据的预训练，基础模型在大量应用中进行强大性能表现，尤其在分析脑信号领域中，Brant-2 是最大的脑信号基础模型，具备数据变化和建模规模鲁棒性，适用于更广泛的脑神经数据范围，在多种应用场景中适应性强，具备模型的可扩展性、各组 - ConvConcatNet: 从 EEG 中重建 Mel 频谱的深度卷积神经网络
利用神经网络和深度卷积神经网络方法，本研究提出了一种重建脑电图中语音信号的新方法 ConvConcatNet，其中利用深度卷积神经网络和广泛的拼接操作相结合。在我们的 ConvConcatNet 模型中，重建的梅尔频谱图与目标梅尔频谱图之间 - 脑条件多模态综合：综述和分类
人工智能生成内容（AIGC）时代的大脑条件多模态综合继续发展，通过建立不同模态之间的映射关系，将脑信号反解码为知觉体验，这对于开发实用的脑 - 计算机界面系统和揭示大脑感知和理解外界刺激的复杂机制具有重要意义。本综述全面研究了基于 AIGC - 基于深度生成网络的语音融合生成的神经语音嵌入
脑到语音技术可直接将脑信号转化为语音，通过神经表征学习与语音合成相结合，以提高自然交流的流畅性，可能为非语言沟通带来创新。本文介绍了当前的脑到语音技术，探讨了脑信号转化为语音的可能性，并对执行语音时的神经特征和神经语音嵌入进行了综合分析，这 - 情绪识别的最佳脑电图电极设置：一项实证探索
人脑是一个复杂的器官，主要控制身体的各个部分，同时也影响情绪。最近的研究表明，脑信号对情绪识别非常有效，但大部分情绪主要集中于哪些脑部尚未被充分探索。本研究通过实证分析了各个脑部在情绪表现中的贡献，并利用 DEAP 数据集找到与情绪相关的最 - 基于机器学习和神经网络的 EEG 信号情绪分析
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。
- MBrain: 一个用于脑信号的多通道自监督学习框架
本文提出了 MBrain，一种用于自监督学习的框架，可以用于预训练 SEEG 或 EEG 数据，并在大规模现实世界数据上进行了癫痫检测实验，表明我们的模型优于现有的一些时间序列自监督和无监督模型，并具有在临床实践中被部署的能力。
- MindBigData 2023 MNIST-8B 多模式脑信号 80 亿数据点数据集
使用自定义的 128 通道设备对单个受试者进行了脑电信号记录，观察受试者以每秒一个像素的速度观看 YaangLeCun 等人的 MNIST 数据集中数字符号的过程。该数据集为 MindBigData 2023 MNIST-8B，是至今为止最 - 基于信号处理和深度神经网络的优化脑电情绪检测
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。
- 脑电波探幽者：从大脑活动中重构复杂图像
本文研究了如何通过结合 fMRI 神经活动信号、图像和图像语义描述来重建复杂的图像场景，使用深度学习模型，并且通过采用预先训练的视觉 - 语言潜在空间编码 fMRI 信号来解决数据稀缺的问题。
- 基于 EEG 的图像特征提取与深度学习视觉分类
本研究采用一种有效的编码方式将脑电信号编码为图像，从而实现对深度学习模型中的脑信号进行更细致的理解，并将其与标准图像特征相结合，以提高深度学习模型的可解释性。通过在六个受试者的层数据集上对 39 个图像类别进行编码分类，该方法在 82% 的 - 基于深度学习方法的脑电信号分析：非侵入性脑电信号研究的最新进展
本文介绍了记录和分析脑信号的各种非侵入性技术，以及使用不同的深度学习算法分析这些脑信号并应用信号解码策略确定人的神经状态的最新技术。