脑机接口 / BCI

Visual Neural Decoding via Improved Visual-EEG Semantic Consistency

通过改进的视觉-脑电语义一致性实现视觉神经解码

Hongzhou Chen, Lianghua He, Yihang Liu, Longzhen Yang, Shaohua Shang, MengChu Zhou

机构 * School of Computer Science and Technique, Tongji University（同济大学计算机科学与技术学院） ； Shanghai Eye Disease Prevention and Treatment Center（上海市眼病防治中心） ； Helen and John C. Hartmann Department of Electrical and Computer Engineering, New Jersey Institute of Technology（新泽西理工学院Helen and John C. Hartmann电气与计算机工程系） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；neural decoding(title,abstract)；neural signal(abstract)；分类 cs.HC

AI总结 本文提出视觉-脑电联合语义空间及两种新方法，提升跨模态表示的一致性，验证了在大规模视觉-脑电数据集上的有效性，提升了解码性能。

Exploring the Relationship between Brain Hemisphere States and Frequency Bands through Classical Machine Learning and Deep Learning Optimization Techniques with Neurofeedback

通过经典机器学习和深度学习优化技术探讨大脑半球状态与频段之间的关系

Robiul Islam, Dmitry I. Ignatov, Karl Kaberg, Roman Nabatchikov

机构 * Innopolis University（因诺波利斯大学） ； Higher School of Economics（高等经济大学） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 研究通过经典和深度学习方法比较EEG频段分类器性能，发现Adagrad和RMSprop在不同频段表现优异，经典方法在离线分类中效率更高，而深度学习在实时神经反馈中表现更佳。

Bayesian Multi-Group Functional Factor Models with Parameter-Expanded Cumulative Shrinkage Priors

贝叶斯多组功能因子模型与参数扩展累积收缩先验

Xuanye Dai, Anna Gottard, Michele Guindani, Marina Vannucci

专题命中 EEG解码 ：EEG(abstract)

AI总结 本文提出一种贝叶斯多组功能因子分析框架，通过显式分解组特定均值函数和潜在成分，联合建模不同组的数据，利用B-样条基函数实现低秩表示，并通过参数扩展累积收缩先验自动选择共享和组特定因素数量。