electroencephalography
PulseAugur coverage of electroencephalography — every cluster mentioning electroencephalography across labs, papers, and developer communities, ranked by signal.
- instance of CatalyzeX 95%
- instance of alphaXiv 90%
- developed Gotit.pub 90%
- instance of ScienceCast 90%
- used by brain–computer interface 90%
- used by Alzheimer's disease 90%
- instance of CHB-MIT 90%
- instance of Meg 90%
- used by NeuraDock Agent 90%
- developed by NeuraDock Agent 90%
- used by Brain Computer Interfaces 90%
- used by alphaXiv 70%
16 天有情绪数据
-
新的流匹配方法利用信号几何来改进波形和脑信号生成
研究人员开发了新的流匹配技术，利用几何先验来改进复杂生理信号的变换和生成。第一篇论文介绍了用于准周期生理波形的“圆柱测地流匹配”，该方法考虑了相位-幅度结构，以减少伪影并提高信号变换的准确性。第二篇论文将“传感器几何作为流匹配先验”应用于多通道脑信号，利用电极位置创建空间相干的源协方差，从而提高各种临床频带的信号生成质量。
-
新型适配器改进了从脑信号中检索图像的功能
研究人员开发了一种名为 RPA（残差块-令牌适配器）的新型适配器，旨在改进从脑电图 (EEG) 和脑磁图 (MEG) 脑信号中检索图像的功能。该适配器通过利用 Vision Transformer (ViT) 编码器中间层的全部块令牌来工作，与仅使用单个全局嵌入的方法相比，保留了更丰富的视觉信息。实验表明，保留所有块令牌对于 EEG 对齐至关重要，而 CLS 令牌提供的独特信息最少。RPA 系统在 THINGS-EEG2 和 THIN…
-
新研究量化了 AI 表示修复的极限
一篇新的 arXiv 论文详细介绍了线性表示修复的精确极小极大极限，这是一种用于消除数据源之间平均偏移的方法。该研究建立了统计决策问题框架，根据数据维度、失真预算和校准信噪比推导出了剩余偏移量的公式。这项工作突显了检测和消除偏移量之间的差距，表明 MP、SAL 和 LEACE 等标准方法未能完全纠正偏移量。研究结果对理解这些方法的有效性以及确定何时需要更多数据或参与者来进行准确校正具有启示意义，这一点已在睡眠脑电图数据上得到证明。
-
新的脑电图基础模型SpecBraM倾向于频带功率预测
一项新的研究论文介绍了一种用于脑电图（EEG）数据的基础模型SpecBraM，该模型专注于掩码频带功率预测。这种方法旨在预测特定频带内的光谱能量，提供了重建原始波形或预测离散代码的替代方案。研究发现，SpecBraM的掩码频带功率预测方法在睡眠分期任务上优于波形重建，尤其是在使用有限的标记数据时。然而，这种优势并未持续扩展到其他任务，如运动想象或抑郁筛查，这表明预训练目标应与下游应用相关的特定物理量和尺度保持一致。
-
新基准评估脑电图脑机接口的在线适应性
研究人员开发了一个新的基准来评估脑电图（EEG）脑机接口（BCI）模型的在线适应技术。该研究使用顺序（先测试后训练）评估方法，比较了两种流水线系列：公共空间模式（CSP）和基于黎曼协方差的方法。结果表明，对于大多数模型/数据集组合，标签已公开的在线更新显著提高了性能，准确率比固定模型提高了18%。使用Shapley值的进一步分析表明，最近的数据块对模型适应最有价值。
-
CANDLE模型推进无创脑源成像
研究人员开发了CANDLE，一种新颖的基于学习的无创脑源成像模型。该模型通过学习特定于受试者的皮层先验来解决电生理源成像（ESI）的病态性质。CANDLE将学习限制在不可观测的源分量上，同时保持几何约束，在模拟数据上优于以前的ESI方法，并推广到诸如颅内刺激定位和致痫灶估计等现实任务。
-
新的SPDAlign框架增强了脑电图数据在脑机接口中的应用
研究人员开发了SPDAlign，一个旨在提高脑电图（EEG）数据在脑机接口中效用的新框架。该方法通过促进域不变学习来解决因不同会话和受试者等因素引起的脑电图数据分布偏移的挑战，而无需标记校准数据。SPDAlign通过对齐域特定均值和使用Wasserstein Procrustes（一种最优传输技术）纠正全局旋转来实现这一点。该框架还具有可解释性，能够识别关键频率范围、空间模式并管理跨受试者变异性。
-
深度学习识别与VR网络晕动症相关的脑电图模式
研究人员开发了一个深度学习框架，用于识别在虚拟现实使用期间经历的网络晕动症不适相关的特定脑电图（EEG）模式。通过分析来自两项独立研究的大脑活动，模型一致地强调了左额叶、中线中央和右顶叶区域对于分类至关重要。研究还发现，早期时间窗口，即刺激后约80至260毫秒，对于识别网络晕动症具有重要意义，这表明这些时空特征可用于未来的检测和缓解策略。
-
新的CEBRA方法可从脑电对话数据中解码个体特征
研究人员开发了一种新颖的对比表征学习方法，特别是CEBRA，用于分析对话中个体脑电图（EEG）数据。研究发现，约束在二维球面上的嵌入能够高精度地解码个体特征，例如对话双方在自闭症商得分上的差异。有趣的是，这些嵌入似乎是根据个体身份而不是对话角色进行组织的，能够区分参与者，但不能区分说话者和听话者，这与当前的神经语言学模型形成对比。
-
ZeroMAG框架为脑电图基础模型实现零样本多模态适配
研究人员开发了ZeroMAG，一个用于为脑电图（EEG）基础模型生成多模态适配器的新颖框架。这种零样本方法允许这些模型整合来自未标记目标数据的互补生理信号，而无需进行目标特定的优化或标签。ZeroMAG旨在通过使EEG基础模型能够处理异构多模态记录来提高其性能，与仅使用EEG推理和直接权重回归相比，在平衡准确率方面显示出显著的改进。
-
新的生成模型统一了网络可解释性和推理
研究人员开发了一种新的复杂网络生成模型，该模型将机械可解释性与摊销推理相结合。该模型利用多重分形步长图子来紧凑地参数化网络，并采用神经逆算子进行参数恢复，从而能够对未知大小的图进行推理。该模型在零样本图生成方面表现出强大的性能，并且在应用于脑电图数据时对大脑状态的变化敏感，表明其在科学应用中的实用性。
-
AI模型利用脑电图融合技术预测抑郁治疗结局
研究人员开发了新颖的融合技术——蒙太奇和混合，以改进利用脑电图（EEG）数据预测抑郁症治疗结局的准确性。这些方法旨在从脑电图衍生的时频（TF）图像中提取更丰富的特征，以解决预测重复经颅磁刺激（rTMS）有效性方面的局限性。一个轻量级的卷积神经网络（CNN）在这些融合的TF表示上进行了训练，在准确性方面显示出有希望的结果，特别是在受试者分离的交叉验证场景中。
-
新异方差张量分解方法用于脑电图数据
研究人员引入了异方差正则多面体张量分解（HCP），这是对标准CP分解的改进。HCP除了低秩均值张量外，还使用非恒定、低秩的精度张量来模拟逐项变异性。已开发出一种交替块坐标上升方法，可以从噪声数据中有效地恢复这两个张量，其计算复杂度与CP-ALS相当。HCP的有效性已通过合成实验和涉及脑电图（EEG）数据的应用得到证明。
-
NEUROTOKEN系统增强了在嘈杂环境中进行听觉注意力解码的能力
研究人员开发了NEUROTOKEN，一种新颖的听觉注意力解码（AAD）系统，旨在通过识别听众在嘈杂环境中正在关注哪个说话者来解决鸡尾酒会问题。该系统利用了一个名为ATTUNEFLOW的条件流匹配头，该头根据给定脑电图（EEG）数据的可能性对候选音频流进行评分。NEUROTOKEN在声源-AAD准确性方面显示出显著的改进，并减少了跨被试方差，在多个数据集上的试次级融合准确率超过93%。
-
新脑电图基础模型用于阿尔茨海默病检测
研究人员开发了LEAD，这是首个利用脑电图（EEG）数据检测阿尔茨海默病的基础模型。该模型利用了迄今为止最大的EEG-AD语料库（包含2,238名受试者），解决了数据集规模有限、跨受试者泛化能力以及数据异质性等挑战。LEAD采用了门控时空Transformer和受试者正则化训练策略，在多次评估中取得了优越的性能，并超越了现有最先进的EEG基础模型。
-
新的脑电图基础模型应对长序列和蒙太奇变异性 · 跟踪 10 个来源
arXiv 上发表的多篇研究论文探讨了脑电图 (EEG) 基础模型的进展，重点是提高其处理长序列和泛化到不同数据集的能力。NeurDuo-EEG 引入了一个具有持久内存的模型，用于连续脑电图分析，并在多个基准测试中取得了最先进的成果。CortexBridge 提供了一个轻量级适配器，用于将任意脑电图蒙太奇对齐到共享的皮层潜在空间，从而提高了现有基础模型的性能。NeuroAtlas 提出了一个大规模的临床脑电图和脑机接口基准，突出了当前…
-
深度学习在意识研究中展现出神经科学应用前景
一篇新的综述文章分析了深度学习技术在神经科学中的应用，特别是在理解意识方面。研究探讨了分类脑状态、模拟麻醉下神经动力学以及识别意识的神经生理学标记物的方法。虽然深度神经网络模型在这些领域显示出潜力，特别是那些使用脑电图（EEG）和局部场电位（LFP）数据进行实时监测的模型，但该论文也强调了可解释性差和缺乏标准化指标等局限性。作者主张开发更具通用性和可解释性的混合架构，以改进临床应用。
-
神经元级别架构增长提高了脑电图解码的准确性
一项新近发表在arXiv上的研究探讨了卷积脑电图解码器中神经元级别架构增长的有效性。研究发现，与参考模型相比，增长ShallowFBCSPNet架构在参数减半的情况下准确率提高了2.9个百分点。然而，SCCNet仅显示出微小改进，而Deep4Net模型准确率下降，这表明神经元增长的成功取决于该标准有效排序候选神经元的能力。
-
新型贝叶斯模型提升脑电图脑机接口准确性
研究人员开发了一种新颖的稀疏贝叶斯回归框架，以提高基于脑电图（EEG）的P300脑机接口（BCI）的性能。该方法显式地对EEG通道之间的交互进行建模，通过识别与任务相关的通道和通道对来增强可解释性和个性化。当应用于包含55名参与者的数据集时，该方法实现了96.4%的中位数字符级准确率，并将BCI-Utility提高了10%以上，尤其对于未饮酒的参与者显示出显著的提升。
-
新框架和基准推动脑机接口的神经解码发展
研究人员推出了两个新的神经解码框架，这是脑机接口的关键组成部分。第一个是NeuroSketch，它提供了一个实用的神经解码设计方案，针对各种模态和信号优化了CNN-2D架构，产生了NeuroSketch-Base和NeuroSketch-Large等模型，在八项任务中取得了最高准确率。第二个是iMINDBench，这是一个旨在标准化跨多个机构和任务的iEEG解码评估的基准，旨在促进更具泛化性的神经解码基础模型的开发。