electroencephalography
PulseAugur coverage of electroencephalography — every cluster mentioning electroencephalography across labs, papers, and developer communities, ranked by signal.
- instance of Gotit.pub 90%
- instance of cause 90%
- used by Brain Computer Interfaces 90%
- instance of BCI Competition IV-2a 90%
- instance of Meg 90%
- used by NeuraDock Agent 90%
- developed by NeuraDock Agent 90%
- used by Alzheimer's disease 90%
- instance of alphaXiv 70%
- used by ScienceCast 70%
- used by alphaXiv 70%
- used by CatalyzeX 70%
19 天有情绪数据
-
新框架通过与深度神经网络的中间表示对齐来改进神经解码
研究人员开发了一个名为浅层对齐（Shallow Alignment）的新框架，以改进脑机接口的神经解码。该方法通过将神经信号与深度神经网络的中间表示对齐，而不是仅仅与最终的嵌入对齐，来解决粒度不匹配问题。实验表明，浅层对齐在性能上显著优于标准的对齐技术，性能提升在22%到58%之间，并且随着更大的视觉骨干网络，表现出积极的扩展趋势。
-
NeuroStrata框架使用脑电图和深度学习进行心理压力分析
研究人员开发了NeuroStrata，一个用于分析动态脑网络的新型框架，利用脑电图（EEG）检测心理压力。该方法结合了时变偏向相干性（TV-PDC）来模拟脑连接的时间演变，超越了静态特征分析。该框架利用预训练的卷积神经网络（CNNs）和视觉Transformer（ViTs）来处理连接图，使用特定的骨干网络和分类器达到了97.3%的高准确率。
-
脑电图解码默读表现受数据限制
研究人员开发了一种从无创脑电图（EEG）数据解码默读的方法。通过使用对比目标和大型语言模型的嵌入来训练卷积神经网络，他们能够从EEG信号中可靠地检索呈现的单词。这种方法使用了来自一名参与者的约240,000次单词呈现，表明在默读过程中，词汇和语义信息可以从EEG中恢复，并且解码性能随训练数据量的增加而扩展。
-
新的SCORE框架实现了无标签跨主体脑电图到图像检索
研究人员开发了一种名为SCORE的新型框架，用于无标签跨主体脑电图到图像检索。该方法解决了在没有校准数据的情况下，为新用户准确解码神经信号中的视觉信息这一挑战。SCORE发现，虽然主体可能以相似的方式表示概念，但它们的神经表达方向不同。该框架训练源脑电图数据以匹配一个公共图像空间，然后在部署时使用坐标对齐来适应新主体，而无需目标标签或编码器更新。在检索任务中，SCORE的性能显著优于现有方法，展示了其在实际、低延迟的基于大脑的视觉解码方面的潜力。
-
新的NEAR框架以更少的试次提升脑图检索性能
研究人员开发了一个名为NEAR（神经锚定检索）的新框架，以提高在神经试次有限情况下的脑图检索准确性。传统方法需要大量重复，这既耗时又繁重。NEAR通过使用高试次中心作为锚点，采用去噪器处理噪声查询，并使用一个网络预测图像的伪锚点来解决这个问题。这种方法在EEG、MEG和fMRI数据集的低试次场景下持续提升检索性能，使神经检索在实际应用中更加实用。
-
新的脑电图分布外检测基准解决了高风险应用中的模型安全问题
研究人员推出了一种专门针对脑电图（EEG）数据的新型分布外（OOD）检测基准。该基准旨在解决基于脑电图的机器学习模型在分布变化面前的脆弱性，这种脆弱性可能导致在高风险应用中出现关键性故障。该研究评估了各种OOD检测方法及其对下游临床预测任务的实际影响，区分了OOD检测和模型不确定性估计，为实际的脑电图部署提供了更强大的安全保障。
-
新的SW-ProxyCE框架能够对私有脑电图模型进行对抗性攻击
研究人员开发了一个名为SW-ProxyCE的新框架，以解决脑电图（EEG）基础模型的安全漏洞。该框架支持对抗性迁移攻击，攻击者可以利用公开发布的脑电图编码器来损害私有下游模型，而无需直接访问。SW-ProxyCE使用收缩白化的类别原型从有限的标记数据中恢复决策几何，从而能够生成可迁移的对抗性样本。在多个脑电图任务和编码器上的评估表明，SW-ProxyCE在将对抗性攻击迁移到无法访问的下游模型方面是有效的，其性能优于现有方法，并突显了脑…
-
全球人工智能法规比较：欧盟、美国、中国面临合规差距
一项新的比较研究分析了欧盟、美国和中国的人工智能法规，重点关注高风险用例以及公平、问责和可信赖（FAIR）原则的实施。研究强调了在互操作性要求、人工智能与特定行业及数据保护法规的整合以及关键数字基础设施治理方面存在的反复出现的差距。为应对这些挑战，该论文提出了知识块（Knowledge Blocks），一种使用RDF/OWL、SHACL和PROV-O的可机器检查的合规性构件模式，旨在促进跨不同监管制度的、可审计的合规性设计。
-
Delta2Gamma 框架通过自适应脑电图分析提升阿尔茨海默病检测能力
研究人员开发了 Delta2Gamma，一个新颖的自监督学习框架，旨在利用脑电图 (EEG) 数据改进阿尔茨海默病的检测。该方法将脑电图信号分解为五个不同的神经节律带，每个带都有自己的自适应编码器和投影头，从而实现更细致的分析。在 ADFTD 队列的试验中，Delta2Gamma 在区分阿尔茨海默病患者和健康对照者方面达到了 92.4% 的准确率，优于现有的监督和脑电图特定技术。
-
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。
-
新方法增强了脑电图分析中人工智能的可解释性
研究人员开发了EEG-PRISM，一种用于解释脑电图（EEG）分析中基础模型的新方法。该技术将归因分数从时域-通道空间映射到更具临床相关性的域，如频率域和源域，而无需更改原始模型。EEG-PRISM已证明能有效准确地识别癫痫发作起始区域，并定位自闭症等病症的预测生物标志物，从而增强了人工智能在脑电图解释中的临床应用价值。
-
新的SAMGA方法提高了脑电图到图像检索的准确性
研究人员开发了一种名为主题感知多粒度对齐（SAMGA）的新方法，以改进从脑电图（EEG）数据中检索图像。与先前将视觉表示视为固定的方法不同，SAMGA通过考虑多个中间表示并对特定于主题的视觉粒度进行建模，动态构建自适应视觉监督。这种方法增强了脑电图信号与视觉信息之间的对齐，从而显著提高了检索准确性，尤其是在与主题无关的评估中。
-
新框架利用多个专家模型改进睡眠分期分类
研究人员开发了一种名为个性化评分者建模（PSM）的新颖框架，以提高睡眠分期分类的准确性。这种基于学习的方法通过构建来自多个专家集体行为的更可靠的参考标签来解决评分者间变异性问题，而不是依赖单一的参考睡眠图。PSM使用机器学习导出的混淆矩阵来建模每个评分者的分期特定行为，然后将这些矩阵聚合起来分配最终的周期标签。使用随机森林分类器在DOD-H和DOD-O数据集上进行的评估显示出显著的改进，准确率高达86.07%。
-
新的脑电图基础模型EEG-PRIME改进了跨数据集解码
研究人员开发了EEG-PRIME，这是一种新颖的两阶段基础模型，旨在改进不同数据集和受试者之间的脑电图（EEG）解码。该模型结合了掩码预训练和原型对齐指令调优，以实现更好的泛化能力，即使在零样本迁移场景下也是如此。在十六个多样化的EEG数据集上进行的实验表明，EEG-PRIME优于现有的最先进方法，在无需目标域优化的情况下，其性能与需要会话内校准的模型相当。
-
新的CNN-bi-LSTM架构增强了脑机接口的脑电图解码能力
研究人员开发了一种新颖的混合深度学习架构，结合了卷积神经网络（CNN）和双向长短期记忆（bi-LSTM）网络，用于解码与运动想象相关的脑电图（EEG）信号。该方法旨在通过学习噪声EEG数据中的空间和时间表示来提高脑机接口（BCI）的可靠性。CNN提取高级特征，而bi-LSTM则对时间依赖性进行建模，在运动想象任务分类中表现出稳健的性能，并展示了有前途的受试者独立解码能力。
-
开发者利用 BCI 和 AI 视频生成技术创建了全自动冥想系统
一位开发者为 TouchDesigner 创建了一个全自动冥想系统，该系统利用实时脑机接口 (BCI)。该系统读取实时脑电图 (EEG) 信号来分类用户的精神状态并生成响应式 AI 视频。该流程设计为模块化，可用于各种视听系统或交互式装置，并且除了最初的 OpenBCI 设置外，还兼容多个 BCI 头显。
-
脑电图分析为识别学习风格提供新方法
研究人员开发了一种新颖的方法，使用脑电图（EEG）来识别个体学习风格，超越了传统的问卷调查。该方法分析认知任务期间大脑活动的Functional Connectivity模式，特别是使用Phase Locking Value（PLV）。虽然Verbal-Visual（VV）维度在受试者级别准确性方面显示出潜力，但Active-Reflective（AR）维度由于复杂的神经网络交互和一种称为“Systematic Neural Inve…
-
新型脑电图-语言基础模型将神经动力学与文本语义对齐
研究人员开发了一种新的脑电图（EEG）数据基础模型，称为大脑潜在预测模型（BLPM）。该模型旨在弥合连续神经动力学与离散语言标记之间的差距，解决了现有预训练范式的局限性。BLPM 利用连续脑电图潜在预测编码器和多查询语义分解模块，在共享潜在空间中将脑电图表示与自然语言语义对齐。实验表明，BLPM 在各种任务中实现了持续的泛化性能，将连续潜在语义预测确立为脑电图-语言基础模型的一种有前途的方法。
-
新方法使用 GAN 生成的脑电图数据对认知能量进行建模
研究人员开发了一种使用脑电图 (EEG) 数据和带梯度惩罚的 Wasserstein GAN (WGAN-GP) 对认知能量消耗进行建模的新颖方法。该方法利用薛定谔桥问题 (SBP) 来量化大脑状态之间转换的能量成本。研究表明，WGAN-GP 生成的合成脑电图数据保留了这种基于能量的建模所需的动力学结构，与 Stroop 任务的真实脑电图数据高度一致。然后，这种认知能量指标可以用作神经自适应人机系统的控制信号，从而能够根据用户的认知和…
-
EgoBrain 数据集融合第一人称视频与脑电图以理解行为
研究人员推出 EgoBrain，一个新颖的多模态数据集，可将第一人称视频与脑电图 (EEG) 大脑信号长时间同步。该数据集包含 40 名参与者进行 29 项日常活动时产生的 61 小时数据，旨在推进以人为中心的行为分析。开发的**多模态学习框架**通过融合 EEG 和视觉数据，在行为识别方面达到了 66.70% 的准确率，为统一的**以自我为中心的大脑计算机接口**铺平了道路。