脑机接口 / BCI

Backpropagation-Free Test-Time Adaptation for Lightweight EEG-Based Brain-Computer Interfaces

无需反向传播的测试时间适应用于轻量级基于EEG的脑机接口

Siyang Li, Jiayi Ouyang, Zhenyao Cui, Ziwei Wang, Tianwang Jia, Feng Wan, Dongrui Wu

机构 * Ministry of Education Key Laboratory of Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（教育部长图像处理与智能控制重点实验室，人工智能与自动化学院，华中科技大学） ； Shenzhen Huazhong University of Science and Technology Research Institute（深圳华中科技大学研究机构） ； Department of Electrical and Computer Engineering, Faculty of Science and Technology, University of Macau（科技学院电子与计算机工程系，澳门大学） ； Centre for Cognitive and Brain Sciences, Institute of Collaborative Innovation, University of Macau（认知与脑科学中心，创新研究院，澳门大学） 纠错

专题命中 EEG解码 ：EEG(title,title_cn)；BCI(summary_cn,abstract)；brain-computer interface(title,abstract)；motor imagery(abstract)

AI总结 本文提出无需反向传播的变换（BFT）方法，用于解决EEG解码中的测试时间适应问题，通过样本级变换和学习到排名模块提升鲁棒性和效率，实现轻量级BCI的部署。

Zero-Shot Neural Priors for Generalizable Cross-Subject and Cross-Task EEG Decoding

零样本神经先验用于可泛化的跨被试和跨任务脑电解码

Baimam Boukar Jean Jacques, Brandone Fonya, Nchofon Tagha Ghogomu, Pauline Nyaboe, Kipngeno Koech

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；BCI(abstract,abstract_cn)；brain-computer interface(abstract)；neural signal(abstract)

AI总结 针对脑电信号跨被试和跨任务泛化难题，提出零样本解码框架，采用渐进解冻策略微调Transformer，在大型数据集上实现优于基线的性能。

Comments EEG Decoding research