Meg
PulseAugur coverage of Meg — every cluster mentioning Meg across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的BCI框架利用LLM解码多模态脑信号
研究人员开发了一种新颖的脑机接口（BCI）框架，该框架通过利用多模态大语言模型（MLLMs）从脑信号中解码语言。这种方法将大脑活动与文本、图像和音频对齐，超越了单模态表示。动态路由模块融合了特定于模态的脑部特征，在fMRI、EEG和MEG数据上取得了最先进的性能，在一个通用基准上提高了8.48%。这种统一的架构是同类中的第一个，能够稳健地解码跨越不同信号类型和刺激的多模态脑活动。
-
新技术提高非侵入式脑语解码的准确性
研究人员开发了一种名为生理噪声增强（PNA）的新数据增强技术，以提高非侵入式脑语解码系统的准确性。该方法通过在脑电记录的独立成分分析中添加派生噪声分量，来训练解码器对眼动和心跳等常见伪影具有鲁棒性。当应用于MegNIST数据集时，PNA结合10次试行平均，与未经增强的训练相比，EEGNet的解码准确率提高了4.7个百分点。
-
Meta的非侵入式BCI通过提高准确性从大脑活动中解码句子
Meta发布了其非侵入式Brain2Qwerty脑机接口的第二版，可将大脑活动转化为输入的句子。此更新系统显著提高了准确性，平均词语准确率达到61%，而上一版本为40%，最佳参与者达到了78%。虽然仍不适合临床使用，但Meta计划通过更多数据训练来进一步提高准确性，并希望未来的传感器技术进步能使该系统更实用，以便广泛采用。
-
新的EPSTE方法增强了神经数据传递熵的估计
研究人员开发了一种名为嵌入式多边形符号传递熵 (EPSTE) 的新方法，以更好地估计来自脑电图 (EEG) 和脑磁图 (MEG) 数据中神经系统之间的定向信息流。该方法通过将时间序列转换为基于波形结构几何原语的符号标记，将估计重构为一个可学习的问题。通过训练具有注意力的循环神经网络，从这些符号表示中预测传递熵值，与现有方法相比，在恢复神经影像数据中的定向依赖性方面显示出更高的准确性和稳定性。
-
百度MEG重组，提升数字人业务单元
百度AI部门MEG已进行组织架构调整，将其商业和电商部门合并为一个新的大型商业部门。数字人创新业务也已提升为一个独立部门。此前，百度近期推出了升级版数字人平台“Yijing”，该平台集成了直播、视频和实时互动功能，截至2025年底，已有超过10万名数字人主播服务于30多个行业。
-
百度重组MEG，提升数字人业务部门
百度MEG部门已进行组织架构调整，将其商业和电商部门合并为新的“大商业”部门。此外，数字人创新业务部已提升为独立业务单元。此举是在百度近期推出集成了各项数字人服务的“百度易境”平台之后进行的，该平台已获得显著采用。
-
MindVoice 从神经信号重建可理解语音
研究人员开发了 MindVoice，一个从非侵入性神经信号重建可理解语音的新框架。该系统利用预训练模型克服了嘈杂和模糊的神经记录的限制，而这些限制以前导致了无法理解的语音合成。MindVoice 将重建过程分解为语义内容恢复和声学属性估计，然后将它们与先进的语音生成和语音克隆技术相结合。使用 EEG 和 MEG 数据进行的实验显示，与现有方法相比有了显著改进，为听觉神经科学和非侵入性脑机接口的进步铺平了道路。
-
AI学习机制与人脑处理方式存在差异
一项新的研究论文探讨了人工神经网络的学习方式与人脑处理视觉信息的方式之间的区别。尽管深度学习模型和人脑在表示视觉内容方面都表现出相似之处，但研究发现学习机制存在显著差异。具体而言，深度学习中使用的反向传播算法与人脑视觉皮层中观察到的层级处理方式不匹配。
-
新框架审计脑语解码性能
研究人员开发了一个新的审计框架，以更好地溯源非侵入式脑语解码的性能。该方法将报告的增益分为三个来源：结构捷径、刺激锁定证据和跨窗口上下文聚合。通过分析这些组成部分，该框架旨在更准确地理解什么因素有助于从神经数据中成功检索语言，强调了溯源而非仅报告整体性能的必要性。
-
新技术可从大脑活动中解码想象中的语音
研究人员开发了一种从大脑活动中解码想象中语音的新方法，解决了想象中语音数据集稀缺的问题。他们的方法使用了经过训练的音乐家的成对MEG记录，将想象中语音的神经反应映射到由听相同刺激引起的神经反应。该流程能够显著高于随机水平地解码想象中的词语，并且随着训练数据的增加，性能有所提高，这表明其可扩展性可用于脑机接口。
-
Meta AI 推出 NeuralBench 以标准化脑信号 AI 模型评估
Meta AI 推出了 NeuralBench，一个旨在标准化分析脑信号的 AI 模型评估的开源框架。初始版本 NeuralBench-EEG v1.0 是此类最广泛的基准测试，涵盖 36 个任务、94 个数据集，并评估了 14 种深度学习架构。该计划旨在通过提供一个统一的平台来比较模型在各种神经科学应用中的性能，从而解决 NeuroAI 研究的碎片化问题。
-
ViBE框架将视觉刺激映射到M/EEG脑信号
研究人员开发了ViBE，一种新的大脑编码框架，可将视觉刺激转化为脑磁图（MEG）和脑电图（EEG）信号。该系统利用时空卷积变分自编码器（TSC-VAE）来重建神经反应，并利用Q-Former将视觉特征与神经表征对齐。在THINGS-EEG2和THINGS-MEG数据集上的实验表明，ViBE能够生成高质量的M/EEG信号，有望助力视觉假体的发展。
-
MEG-RAG框架改进了LLM的多模态证据选择
研究人员推出了一种新颖的框架MEG-RAG，旨在改进多模态检索增强生成（MRAG）系统。当前的MRAG模型常常难以准确评估检索到的多模态数据与答案核心含义的相关性。MEG-RAG通过采用一种称为多模态证据基础（MEG）的语义感知度量来解决此问题，该度量量化了证据的实际贡献。这种方法基于语义基础优先考虑高价值内容，从而在M$^2$RAG基准测试的实验中证明了更准确和一致的输出。