M Eeg
PulseAugur coverage of M Eeg — every cluster mentioning M Eeg across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架改进了 M/EEG 源成像中的不确定性校准
研究人员开发了一个新的框架,用于量化和校准贝叶斯 M/EEG 源成像中的不确定性。该框架比较了两种方法:具有 sLORETA 深度加权的贝叶斯最小范数 (BMN) 和具有稀疏基场展开 (S-FLEX) 的稀疏贝叶斯学习 (SBL)。虽然两种方法都显示出残留的校准不足,但在模拟和真实的听觉 MEG 数据中,SBL+S-FLEX 表现出较低的定位误差和更紧密的不确定性。该研究还探讨了自适应噪声学习和事后等渗重校以改进不确定性估计。
-
新的谱框架增强了贝叶斯学习中的不确定性量化
研究人员开发了一种新的稀疏贝叶斯学习谱框架,可以精确地分解 M/EEG 测量中的不确定性。该方法区分了可通过改进测量来减少的不确定性以及由于传感几何而根本上不可减少的不确定性。该框架还提供了减法分解,可以精确计算通过贝叶斯学习减少的不确定性,为 M/EEG 源成像提供了理论见解和实用工具。
-
OpenAI 发布开源 Privacy Filter 用于本地 PII 审查
OpenAI 发布了一个名为 Privacy Filter 2026 的开源工具,这是一个拥有 15 亿参数的模型,旨在直接在用户的浏览器中检测和删除个人身份信息(PII)。这种方法允许组织在不将敏感数据传输到外部服务器的情况下匿名化文本,从而增强数据隐私。另外,Meta FAIR 推出了 NeuralSet,一个将各种神经科学数据模式与 AI 模型集成的 Python 包,促进了跨领域研究。
-
Meta FAIR 发布 NeuralSet,连接神经科学数据和人工智能模型
Meta 的基础人工智能研究 (FAIR) 团队推出了 NeuralSet,一个旨在整合神经科学数据与人工智能模型的新 Python 包。该工具能够处理各种神经影像和电生理数据类型,包括 fMRI、M/EEG 和尖峰记录。NeuralSet 还支持来自 HuggingFace 的嵌入,为神经-AI 研究提供更全面的方法。