脑机接口 / BCI

STDA-Net: Spectrogram-Based Domain Adaptation for cross-dataset Sleep Stage Classification

STDA-Net：基于频谱图的跨数据集睡眠阶段分类域适应

Unaza Tallal, Shruti Kshirsagar, Ankita Shukla

机构 * School of Computing, Wichita State University（维斯科州立大学计算机学院） ； Computer Science and Engineering Department, University of Nevada, Reno（内华达大学里诺分校计算机科学与工程系） 纠错

专题命中 BCI数据与评测 ：EEG(abstract,abstract_cn)；分类 cs.LG、cs.HC

AI总结 本文提出STDA-Net框架，结合CNN提取频谱图特征、BiLSTM建模睡眠动态和DANN实现无监督域适应，提升跨数据集睡眠阶段分类的准确性和稳定性。

Comments submitted to IEEE SMC conference

Decoding Dynamic Visual Experience from Calcium Imaging via Cell-Pattern-Aware Pretraining

通过细胞模式感知预训练解码动态视觉体验

Sangyoon Bae, Mehdi Azabou, Blake Richards, Jiook Cha

机构 * Interdisciplinary Program in Artificial Intelligence（人工智能跨学科项目） ； Seoul National University（首尔国立大学） ； NSF AI Institute for Artificial and Natural Intelligence (ARNI)（国家科学基金会人工智能与自然智能研究院） ； Columbia University（哥伦比亚大学） ； Mila (Quebec AI Institute)（蒙特利尔人工智能研究所） ； Dept. of Neurology & Neurosurgery（神经病学与神经外科系） ； McGill University（麦吉尔大学） ； Montreal Neurological Institute, McGill University（麦吉尔大学蒙特利尔神经科学研究所） ； School of Computer Science, McGill University（麦吉尔大学计算机科学学院） ； Learning in Machines and Brains Program, CIFAR（机器与大脑学习计划，CIFAR） ； Department of Psychology（心理学系） ； Department of Brain and Cognitive Sciences（脑与认知科学系） 纠错

专题命中 BCI数据与评测 ：neural decoding(abstract)；分类 q-bio.NC、cs.LG

AI总结 本文提出POYO-CAP方法，通过预训练提升神经解码鲁棒性，实验证明其在Allen脑观察数据集上比从头训练有12-13%的提升，并实现模型规模的平稳扩展。