脑机接口 / BCI

Hypergraphs from multivariate connectivity: caCOH-based EEG/MEG representation

基于多元连通性的超图：caCoh 的 EEG/MEG 表示

Daniil Vlasenko, Irina Saranskaia, Denis Zakharov

专题命中 EEG解码 ：EEG(title,title_cn)；分类 q-bio.NC

AI总结 本文提出基于典型相干（caCoh）从 EEG/MEG 数据构建超图的方法，通过一对多和空间对空间两种表示，在模拟中相比幅度平方相干（MSC）图更有效地恢复耦合频率和空间模式，并大幅减少边数。

Clinical Feasibility of Smartphone-based EEG in Kenya

肯尼亚智能手机基 EEG 的临床效用和可行性：一项多中心观察性研究

William Lehn-Schiøler, Nomin Enkhtsetseg, Anton Mosquera Storgaard, Magnus Guldberg Pedersen, Dylan Rice, George Wambugu, Nshimiyimana Jules Fidele, Melita Cacic Hribljan, Anca Alina Arbune, Sidsel Armand Larsen, Sandor Beniczky

专题命中 EEG解码 ：EEG(title,title_cn)；分类 eess.SP

AI总结 本研究评估了在资源有限的肯尼亚环境中，由智能手机实现的EEG系统在临床应用中的可行性和效用，发现非专科人员能够有效进行大规模EEG采集，为低收入国家提供更公平的神经诊断和护理机会。

Comments 17 pages, 5 figures, 1 table

Temporal Feature Extractors in EEG Foundation Models: A Controlled Comparison Including a Pretrained Time-Series Model

脑电图基础模型中的时间特征提取器：包含预训练时间序列模型的受控比较

Ayşe Betül Yüce, Chris Joey Leffler, Sarun Varghese, Myra Spiliopoulou, Sebastian Stober

专题命中 EEG解码 ：EEG(title,abstract)；motor imagery(abstract)

AI总结 本文在统一脑电图基础模型框架下，受控比较了三种时间特征提取策略（线性基线、卷积编码器、冻结预训练时间序列模型MOMENT），发现预训练TSFM可作为有效的时间特征提取器，但效果因下游任务而异。

Designing Pre-training Datasets from Unlabeled Data for EEG Classification with Transformers

从未标记数据设计预训练数据集用于带有变换器的EEG分类

Tim Bary, Benoit Macq

机构 * Université catholique de Louvain（鲁汶大学） ； ICTEAM ； ELEN 纠错

专题命中 EEG解码 ：EEG(title,abstract)；分类 eess.SP、cs.LG

AI总结 本文提出从未标记EEG数据生成多个标记数据集，用于预训练变换器模型，提升EEG分类性能，实验显示预训练模型在训练速度和准确率上均有显著提升。

Comments 6 pages, 4 figures, 5 tables, 22nd IEEE Mediterranean Electrotechnical Conference (MELECON 2024)

Journal ref 2024 IEEE 22nd Mediterranean Electrotechnical Conference (MELECON) (pp. 25-30)