实体
Md Fahimul Kabir Chowdhury
Md Fahimul Kabir Chowdhury
PulseAugur coverage of Md Fahimul Kabir Chowdhury — every cluster mentioning Md Fahimul Kabir Chowdhury across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
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。
-
深度学习模型以93.6%的准确率预测rTMS抑郁症治疗结局
研究人员开发了一种新颖的深度学习模型，用于预测重复经颅磁刺激（rTMS）抑郁症治疗的有效性。通过使用欧氏距离傅里叶-贝塞尔级数展开（FBSE-ED）将脑电图（EEG）信号转换为图像，所提出的卷积神经网络（CNN）实现了93.60%的分类准确率。该方法优于现有的特定于EEG的模型和预训练模型，表明其在精神科诊所中用于靶向临床决策和实际部署的潜力。
-
新的CNN架构增强了BCI对抗攻击的安全性
研究人员开发了一种新的、轻量级的卷积神经网络（CNN）架构，旨在提高使用脑电图（EEG）的脑机接口（BCI）的安全性与鲁棒性。这种新模型即使在受到对抗性攻击时，在分类任务中也表现出优越的性能，优于EEGNet和DeepConvNet等现有CNN模型。研究结果表明，更简单的网络设计更能抵抗细微的干扰，这对于基于EEG的BCI的可靠部署至关重要。