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ECoG框架增强了欺诈检测在面对未知场景时的鲁棒性
研究人员开发了ECoG，一个新颖的生成式框架，旨在提高欺诈检测模型在面对场景级分布偏移时的鲁棒性。该框架在训练过程中结合了证据跨度监督和推理-标签一致性目标。与标准训练方法相比，ECoG在具有挑战性的分布外实例上将Macro-F1分数提高了3.22个百分点，并将参考证据跨度的token级重叠度提高了8.38个百分点。
-
新的MRieHy框架提升了脑机接口的准确性
研究人员开发了一个名为多特征黎曼超图（MRieHy）的新框架，以提高运动想象脑机接口（MI-BCI）的准确性和跨日迁移能力。该方法结合了黎曼几何和超图，以更好地捕捉数据点之间复杂的相互关系，解决了临床应用中在线解码的挑战。实验表明，MRieHy在皮层脑电图（ECoG）和脑电图（EEG）数据集上均优于现有的最先进方法。
-
新框架定义神经网络中的全局工作空间
研究人员引入了全局中介工作空间（GMW），这是一个控制理论框架，用于正式定义和识别神经网络中的全局工作空间。该框架使用可达性和可观测性等概念来量化子网络的信息中介能力，并将其与更简单的网络结构区分开来。GMW初步应用于猕猴的皮层脑电图记录，表明在无意识状态下输入-输出对齐度降低，而潜在能力增加，这为研究意识接入的神经基础提供了一种新方法。
-
AI模型脑部对齐与意义抽象相关，而非预测
一项新的研究论文表明，语言和语音模型与人类大脑反应之间的对齐源于共享的意义抽象，而非下一个词的预测能力。研究发现，这些模型中的中间层，其特点是内在维度（衡量特征复杂度的指标）达到峰值，最能有效地预测大脑活动。这种语义丰富性和高内在维度似乎相互映照，表明模型-大脑相似性的关键驱动因素是从输入数据中抽象意义。
-
新框架改进了神经表征学习中的跨主体泛化能力
研究人员开发了一种新颖的框架，用于解码不同主体之间的神经表征，解决了侵入性神经记录中主体间变异性的挑战。该方法将来自多个个体的语音感知神经反应对齐到一个共享的潜在空间中，使解码器能够将这些对齐的表征映射到上下文嵌入。该方法通过减少主体特异性差异同时捕捉共享的刺激相关信息，在实验中表现出改进的跨主体泛化能力，优于基线方法。
-
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转换为文本的可行性，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阅读过程中人脑的反应，研究结果表明内容词比功能词引起更强的 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沟通恢复的脑机接口，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。