AITOP

EEG

共 7 条相关 AI 资讯
8月21日
11:11
11:11官方账号arXiv cs.LG@Ingo Marquardt, Anthilia Alchanat, Priyanka Jain
精选
This paper presents a study on non-invasive decoding of silent reading using EEG. It explores the extraction of lexical and semantic information from EEG signals during silent reading, using a convolutional EEG encoder and a causal transformer. The results show reliable decoding performance, with no sign of saturation in the data. The study also investigates the impact of electrode placement and control analyses separate word-level decoding from narrative context tracking.
论文EEGsilent readingneural decoding
推荐理由：This study provides insights into the decoding of silent reading using EEG, offering a new approach to understanding brain activity during reading. It's a must-read for those interested in EEG, reading comprehension, and neural decoding techniques.
原文
8月20日
10:19
7月31日
11:04
11:04官方账号arXiv cs.LG@Pouya Rajabi, Mohsen Toorani
论文提出一个基于掩码安全聚合的联邦学习框架，用于TUH EEG临床数据。框架结合图通信、阈值秘密共享、抗掉线聚合、更新裁剪、布隆过滤器记录链接和公证人验证，并用Flower实现。在TUH EEG衍生数据的跨孤岛模拟中，安全变体对聚合服务器隐藏个体更新，且与联邦模型训练兼容。在Flower的多种客户端配置下，半诚实变体开销最低，恶意设置变体和辅助公证人变体提供更强一致性但增加计算、通信和轮时开销。
论文联邦学习安全聚合EEG
推荐理由：联邦脑电训练怕泄露？这篇用掩码安全聚合在Flower上实现，TUH EEG验证，半诚实开销最低。
原文
7月27日
10:59
10:59官方账号arXiv cs.LG@Athanasios Papastathopoulos-Katsaros, Steven T. Lee, Lin Yao, Ajay Thomas, Junseok Park, Matthew J. McGinley, Zhandong Liu
论文提出bag-of-waves框架，利用移位不变k-means无监督学习EEG波形模板（原子），将连续信号转为原子序列计数进行分类。方法扩展了原子间转移n-gram和跨通道空间原子。在三个数据集测试：仅16只小鼠的单通道基因型聚类、静息态痴呆分类、以及TUEV临床EEG六分类基准。性能与深度/基础模型相当，但参数量极少且完全可解释——每个原子对应可检验的波形形态，神经生理学家可验证已知临床特征。
论文bag-of-wavesEEG可解释性
推荐理由：这篇论文用了一种叫bag-of-waves的巧办法，只需少量数据就能从脑电信号里学到可解释的波形模板，比那些黑箱深度模型好懂，还省钱省算力。
原文
10:56
10:56官方账号arXiv cs.LG@Sergey Musienko
Nimbus Personalizer提出了一种与骨干无关的API，可在EEGNet、Shallow、Deep、Conformer、ATCNet五种经典骨干以及REVE基础编码器上统一运行，无需为每种架构设计新的个性化堆栈。在四个MI数据集的18个实验单元中，该API通过廉价默认头部恢复了大部分微调精度，适应时间降低多个数量级。校准仅当数据干净时有效，在12/18个单元中成立。所有结果基于受试者自助法，无确认性检验，适用范围由配套工作提供决策逻辑。
论文Nimbus Personalizer脑机接口EEG
推荐理由：这篇论文给BCI个性化提供了一个通用API，不用每个模型另起炉灶，在5种骨干和4个数据集上都跑通了，效率还比微调高。
原文
7月21日
11:53
11:53官方账号arXiv cs.LG@Shyamal Y. Dharia, Stephen D. Smith, Camilo E. Valderrama
该研究提出Diff-Logic，将神经网络编译为纯布尔电路，通过位运算在CPU上执行。在四个EEG数据集（包括二分类痴呆检测和三分类情绪识别）上，与MLP和BNN基线对比，复杂度从50k到500k参数。痴呆检测中Diff-Logic达到80.2% Macro F1，比MLP高6.8%。在7W Nvidia Jetson Orin Nano单核CPU上，情绪识别任务中MLP性能略优但延迟是Diff-Logic的2.3倍，模型大小是14倍。Diff-Logic在模型规模扩大10倍时推理时间几乎不变，最大复杂度下速度提升达2.9倍。
论文Diff-LogicEEGMLP
事件专题
推荐理由：这论文把神经网路编译成纯布尔电路，在边缘设备上跑EEG分类，延迟低还省电。痴呆检测准确率比MLP高6.8%，值得搞BCI的人看看。
原文
5月28日
11:27
11:27官方账号arXiv cs.AI@Abhilash Durgam, Nyle Siddiqui, Jeffrey A. Chan-Santiago, Qiushi Fu, Elakkat D. Gireesh, Mubarak Shah
精选
CaMBRAIN 是首个基于 Mamba 的因果状态空间模型，专为脑电图（EEG）信号实时推理设计。现有深度学习模型依赖注意力机制，序列长度增加时计算量呈二次增长，且需滑动窗口处理，无法理解全局信号。CaMBRAIN 利用因果状态空间模型保持线性复杂度，并引入多阶段自监督训练，增强长程记忆能力。在三个 EEG 数据集上，CaMBRAIN 达到最先进性能，吞吐量比现有模型高 10 倍以上，首次实现变长 EEG 信号的连续推理。
论文EEG状态空间模型Mamba
推荐理由：做脑机接口或神经信号处理的团队终于有了能实时处理长序列 EEG 的工具——CaMBRAIN 解决了注意力机制的计算瓶颈，吞吐量提升 10 倍，做实时监测或临床诊断的开发者可以直接用。
原文