PulseAugur
中
实时 15:04:14
English(EN) Embedded Polygon Symbolic Transfer Entropy (EPSTE): A Geometric Token and Deep Learning Approach to Estimating Transfer Entropy in Neuroimaging Time Series

新的EPSTE方法增强了神经数据传递熵的估计

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为嵌入式多边形符号传递熵 (EPSTE) 的新方法，以更好地估计来自脑电图 (EEG) 和脑磁图 (MEG) 数据中神经系统之间的定向信息流。该方法通过将时间序列转换为基于波形结构几何原语的符号标记，将估计重构为一个可学习的问题。通过训练具有注意力的循环神经网络，从这些符号表示中预测传递熵值，与现有方法相比，在恢复神经影像数据中的定向依赖性方面显示出更高的准确性和稳定性。 AI

影响 这种新方法可以提高分析复杂神经数据的准确性，可能为神经科学和脑机接口带来更好的见解。

排序理由 该集群包含一篇详细介绍新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的EPSTE方法增强了神经数据传递熵的估计

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · David Alexander Finnigan ·

    嵌入式多边形符号传递熵 (EPSTE)：一种用于神经影像时间序列传递熵估计的几何标记和深度学习方法

    Inferring directed interactions between neural systems from EEG and MEG remains challenging due to noise, nonstationarity, and the high sample complexity of information-theoretic estimators. Transfer Entropy (TE) provides a principled and model-free measure of directed informatio…

相关实体

相关话题