THINGS-EEG2
PulseAugur coverage of THINGS-EEG2 — every cluster mentioning THINGS-EEG2 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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CORTIVA框架提高了大脑到图像检索的准确性
研究人员开发了CORTIVA，一种利用脑电图（EEG）和脑磁图（MEG）从大脑活动中解码视觉体验的新型框架。该方法通过融合互补视觉教师的候选分数，而不是早期合并嵌入，来提高图像检索的准确性。CORTIVA在THINGS-EEG2基准测试中达到了73.5%的Top-1准确率，显著优于现有方法10个百分点以上。
-
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。