Yogesh Kumar Meena
PulseAugur coverage of Yogesh Kumar Meena — every cluster mentioning Yogesh Kumar Meena across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新协议引出卒中幸存者对康复系统 XAI 的需求
研究人员开发了一种新颖的视频式脚手架协议，用于引出卒中幸存者的可解释人工智能（XAI）需求，以解决习得性沟通障碍带来的挑战。该协议采用四种脚手架方法——类比桥接、投射人格、二元强制和延长响应时间——帮助患者和护理人员阐述他们对算法透明度的需求。研究确定了异质的 XAI 需求，并揭示了从业者应注意的三种系统性促进偏见，为设计值得信赖的康复人机系统贡献了一种可重用方法。
-
新型注意力模型可从脑电信号中解码运动参数
研究人员开发了三种回归模型，用于从脑机接口（BMI）的脑电图（EEG）信号中解码多个运动参数。基于注意力的回归器表现出最高的性能，R平方值为0.8，延迟为29.2毫秒，在同时多参数解码方面取得了显著的改进。虽然该模型在多参数解码方面表现出色，但其在单参数解码方面的性能有所下降。多层感知器在两种解码类型上提供了更一致但准确性较低的结果。
-
新的EEGForceFusion框架增强了脑机接口的抓握力解码能力
研究人员开发了一种新颖的脑机接口框架EEGForceFusion，旨在改进从脑电图（EEG）信号中解码抓握力。这种混合方法结合了连续和标记化表示，以更好地捕捉时间动态并减少受试者间的变异性，这是该领域的一个常见挑战。该系统集成了卷积-循环学习、基于量化的标记化和基于Transformer的时间建模。在WAY-EEG-GAL数据集上的评估显示了有希望的结果，在离线设置中达到了0.817的R^2分数，在模拟实时场景中达到了0.793，表明…
-
新框架增强了脑机接口的脑电图通道选择
研究人员开发了一种新的多目标优化框架，用于脑机接口（BCI）中的脑电图（EEG）通道选择。该框架旨在通过平衡空间相关性和功能可辨别性来改进运动想象分类，解决了传统单目标方法的局限性。该方法利用遗传算法和粒子群优化来识别紧凑的通道子集，在Physionet、OpenBMI、HighGamma和BCIIV-2A数据集上分别实现了87%、71%、75%和65%的分类性能。该方法提高了BCI性能，并降低了实时应用的计算复杂度。