electrocorticography
PulseAugur coverage of electrocorticography — every cluster mentioning electrocorticography across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的深度学习模型解码大脑活动中的视觉感知
研究人员开发了从大脑活动中解码视觉语义信息的新型深度学习方法。一项研究利用基于Transformer的端到端深度学习框架和皮层脑电图（ECoG）数据来预测视频刺激中的视觉类别，显示出有希望的结果和可解释性。另一项研究探索了使用脉冲神经网络（SNN）和功能磁共振成像（fMRI）数据进行视觉语义解码，发现SNN衍生的特征比传统人工神经网络特征更能与大脑活动对齐并提高解码准确性。
-
新研究探讨脑电图到文本的可行性以及人脑的下一个词预测
研究人员正在探索将脑信号翻译成文本的可行性，特别是使用脑电图（EEG）。两项研究调查了下一个词的可预测性如何影响人类阅读过程中的大脑反应，研究结果表明内容词比功能词更能引起强烈的 N400 反应。另一篇论文质疑了脑电图到文本系统的实际应用性，强调了当前评估方法的不足，并提出了一个新的基准 COFETT，以实现无需教师强制的解码并评估脑电图的不稳定性。这些研究的总体目标是推进用于恢复交流的脑机接口，并理解人类和语言模型中语言理解的认知过程。
-
新框架利用ECoG和EEG数据改进帕金森病分类
研究人员开发了一种新的交换对抗框架，旨在提高使用皮层脑电图（ECoG）和脑电图（EEG）数据进行帕金森病分类的准确性。该框架通过整合强大的预处理、一种新颖的受试者间平衡通道交换（ISBCS）进行增强，以及领域对抗学习（DAL）以减少受试者特异性偏差，来解决高受试者间变异性和高维低样本量问题。实验表明，该框架在各种设置下始终优于现有方法，在可变环境和不同数据集上表现出强大的泛化能力。
-
Meta AI 的 Brain2Qwerty v2 以 61% 的准确率将脑活动解码为文本
Meta AI 开发了 Brain2Qwerty v2，这是一个先进的系统，使用非侵入式记录将脑活动解码为文本。新版本实现了 61% 的单词准确率，比以前的非侵入式方法有了显著改进，并且接近手术技术的性能。研究团队正在发布 Brain2Qwerty v1 和 v2 的训练代码，以及来自其合作伙伴巴斯克认知、大脑和语言中心 (BCBL) 的数据集，以促进开放神经科学研究并帮助有沟通障碍的人。
-
新工具箱可为脑机接口实现自动化特征选择
研究人员开发了BCI-sift，一个旨在为脑机接口（BCI）应用自动化特征选择的Python新工具箱。该工具集成了多种优化算法，用于从高维、嘈杂的BCI数据中识别最相关的神经特征。在参与者说话的皮层脑电图数据上的验证表明，BCI-sift提高了分类准确性，并提供了与已知感觉运动皮层组织一致的可解释结果。
-
fMRI数据增强了对更快脑信号的预测模型
研究人员开发了一种新方法，通过使用fMRI数据微调语言编码模型来提高脑活动预测能力。尽管fMRI的时间分辨率远低于ECoG，但在fMRI上训练的模型在ECoG数据上的预测性能有所提高。即使fMRI数据被时间降采样，这种方法也成功实现了泛化，表明较慢的脑记录方法对于构建更优的快速脑信号模型具有价值。