实体
William Lehn-Schiøler
William Lehn-Schiøler
PulseAugur coverage of William Lehn-Schiøler — every cluster mentioning William Lehn-Schiøler across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
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
-
实时脑电图电极检测系统发布
研究人员开发了一个两阶段视觉系统，能够从网络摄像头馈送中实时检测脑电图帽电极并验证其正确的解剖位置。该系统利用 YOLO 检测器进行电极定位，然后通过一个几何阶段，根据面部地标将检测到的电极分配给其指定的 10-20 系统角色。该方法实现了 0.94 的平均精度，在标准 CPU 上使用紧凑的 YOLOv10n 主干网络保持了实时性能。
-
稀疏自编码器揭示脑电图基础模型的可解释性
研究人员开发了一种使用稀疏自编码器来解释脑电图（EEG）基础模型内部工作原理的方法。尽管这些模型在临床上取得了成功，但其内部机制目前仍不透明。该框架允许将提取的特征与临床数据相关联，从而能够对模型表征进行基准测试，并识别概念纠缠和“破坏球”干预等关键故障。该方法将潜在的操纵转化为生理上可解释的频率特征，为增强临床信任和理解这些AI系统提供了途径。
-
睡眠数据预训练可提高非睡眠生物信号任务的性能
研究人员已经证明，在睡眠生物信号数据上预训练模型可以显著提高非睡眠相关任务的性能，例如涉及脑电图（EEG）和心电图（ECG）信号的任务。这种利用多模态对比预训练的方法，在各种下游任务上显示出与现有专用模型相比具有竞争力或更优的结果。另一项研究引入了一个新颖的框架，通过使用冗余约束信息最大化目标将医疗时间序列压缩为一组固定的“指纹令牌”，从而从医疗时间序列中学习紧凑且可解释的表示。