脑机接口 / BCI

Linear Independent Component Analysis via Optimal Transport

通过最优传输进行线性独立成分分析

Ashutosh Jha, Michel Besserve, Simon Buchholz

机构 * University of Tübingen（图宾根大学） ； Max Planck Institute for Intelligent Systems, Tübingen（图宾根马克斯·普朗克智能系统研究所） ； Institute of Artificial Intelligence TU Braunschweig（布伦瑞克工业大学人工智能研究所） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG

AI总结 研究如何从线性混合信号中恢复独立源信号，提出用平方瓦瑟斯坦距离衡量非高斯性，基于此构建OT - ICA算法，实验表明该算法在不同分布上优于传统方法，且可用于无分布假设的应用ICA任务。

Leveraging unlabelled data for generalizable neural population decoding

利用未标记数据进行可泛化的神经群体解码

Ximeng Mao, Nanda H. Krishna, Avery Hee-Woon Ryoo, Matthew G. Perich, Guillaume Lajoie

专题命中 神经信号处理 ：brain-computer interface(abstract)；分类 q-bio.NC、cs.LG

AI总结 研究利用未标记数据进行可泛化神经群体解码的问题，提出MOJO训练框架，联合自监督学习与监督学习目标，在多数据集上评估，结果显示该框架能提升性能、产生更具可解释性表示且可推广到其他神经模态。