脑机接口 / BCI

Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding

基于最小误差熵的鲁棒稀疏贝叶斯学习用于噪声高维脑电活动解码

Yuanhao Li, Badong Chen, Wenjun Bai, Yasuharu Koike, Okito Yamashita

机构 * Department of Computational Brain Imaging, ATR Neural Information Analysis Laboratories（计算脑成像部门，ATR神经信息分析实验室） 纠错

专题命中 其他BCI ：brain-computer interface(abstract)；分类 eess.SP、cs.LG

AI总结 研究旨在构建鲁棒稀疏贝叶斯学习框架解决噪声高维脑电活动解码问题。基于最小误差熵学习准则，在广义贝叶斯范式下重构框架，所提算法在解码任务中性能更优且模式更具生理可解释性。

Shao: Scaling Acoustic Token Language Models Toward High-Fidelity Music Generation

Shao：将声学令牌语言模型扩展至高保真音乐生成

Jiafeng Liu, Yuanliang Dong, Hongjia Liu, Yuqing Cheng, Zhancheng Guo, Huijing Liang, Wenbo Zhan, Yuming Sun, Xiaobing Li, Feng Yu, Maosong Sun

机构 * Central Conservatory of Music（中央音乐学院） ； Tsinghua University（清华大学） 纠错

专题命中 其他BCI ：neural decoding(abstract)

AI总结 该研究提出单一声学令牌层级内渐进建模音乐结构与保真度的框架，通过双阶段生成与混合注意力训练，无需异构空间即可实现高质量音乐生成。

Rethinking Brain Decoding with CLIP: The Role of Adversarial Robustness

用CLIP重新思考大脑解码：对抗鲁棒性的作用

Byeongseo Bok, Futa Waseda, Jun Liu, Isao Echizen

机构 * The Graduate University for Advanced Studies (SOKENDAI)（高等研究院（索邦大学）） ； National Institute of Informatics（国立情报学研究所） ； The University of Tokyo（东京大学） 纠错

专题命中 其他BCI ：neural decoding(abstract)

AI总结 研究用CLIP进行大脑解码时，探讨对抗鲁棒表示能否改善神经解码。通过固定fMRI解码器，在不同任务和数据集上改变目标表示，发现此方法能提升任务性能及特征对齐，表明对抗鲁棒性可作为大脑解码有用标准。

Comments 20 pages, 10 figures