跳到正文

算法、任务与模态

Human-in-the-loop 最新动态

Human-in-the-loop 研究索引；按可核对的标签归档，不以热度评价质量。

25 条精选近 30 天 7 条共收录 36 条

更新

精选归档 · 第 2 页

1月1日周一第 21–25 条
  1. OpenReview · EEG72

    基于 EEG 的脑控机器人遥操作鲁棒预测控制

    基于摘要分析。该研究针对 EEG 脑控移动机器人遥操作中的安全、导航与抗扰动问题，提出分层双环鲁棒预测控制框架，旨在改善机器人运动控制与速度调节，同时尽量减少终端用户控制权的损失。主要贡献位于机器人控制环节，而非摘要所能确认的 EEG 解码算法创新。 机制上，外环采用基于模型的预测控制器，在多种约束下优化速度演化；内环采用积分滑模控制器，通过作者提出的新积分滑模面补偿不确定性，实现速度跟踪。两个环节分别承担约束下的速度规划与扰动下的跟踪控制，为分析 EEG 指令到机器人执行之间的稳定性与安全性提供了明确的控制结构。具体动力学模型、约束形式、优化目标、滑模面定义以及 EEG 指令如何进入控制环路，摘要未提供，尚需全文核对。 作者报告，在不同扰动条件下开展的人在回路驾驶实验中，该系统相较于传统 EEG 机器人直接控制，在安全性、导航表现和鲁棒性方面具有优势。摘要未给出被试数量、EEG 任务与解码方法、扰动类型和幅度、实验划分、具体对照实现或指标数值，因此不能判断优势的大小、统计可靠性及跨被试或跨会话适用性。实验协议、消融及统计信息尚未验证。 复现时需核对机器人平台与动力学参数、控制周期、速度及安全约束、扰动设置，以及用户意图到速度指令的映射。尤其需确认作者如何量化用户控制权损失，并区分控制器带来的抗扰动收益与 EEG 解码质量的影响；摘要中的总体改善不等于已验证 EEG 识别性能提升。

    阅读价值：值得阅读的具体原因是将约束下的速度规划与不确定性下的速度跟踪分为两个控制环节，并通过人在回路实验评估 EEG 脑控机器人面对扰动时的表现，但性能增益及用户控制权的量化证据尚未验证。

1月1日周三
  1. OpenReview · EEG75

    临床报告自动补全

    基于摘要分析。研究面向 X-ray 和 EEG 原始记录的临床报告撰写，提出交互式临床报告自动补全方法：根据医生提供的锚点词和部分完成的句子逐句生成内容，而非一次生成整份报告。其主要贡献是将已有报告中的句子检索、输入记录的特征表示与医生的写作输入结合，支持报告撰写过程中的人机协作。 核心机制是从已有报告中检索相关句子作为当前报告的模板，再结合输入特征表示依次修改检索到的句子，形成最终报告。作者将整份报告自动生成的局限概括为错误仍需人工校正、不便补充信息，以及难以适配医生个人偏好。摘要中的方法名称存在文本缺损，具体模型结构、特征提取方式、训练目标与检索实现尚未验证。 在句子级生成评估中，作者报告 X-ray 报告的 CIDEr 为 0.393、BLEU-4 为 0.248；EEG 报告的 CIDEr 为 0.482、BLEU-4 为 0.491。作者报告相对最佳基线的提升最高达 35%，但摘要未明确该提升对应的指标、任务及基线。作者还报告用户研究中的医生认可评分为 3.74/5，基线为 2.52/5；参与人数、评分流程与统计信息尚未验证。这些结果属于报告文本生成与用户评价，不能直接解释为 EEG 分类、BCI 解码性能或临床诊断准确性的提升。 复现时需核对 EEG 记录与报告的配对方式、数据划分、检索库构建及其与评估集的关系、医生输入的提供方式，以及比较基线和文本指标的计算协议；这些内容目前均尚未验证。方法涉及 EEG 临床报告工作流，而不是直接提出 BCI 控制或神经信号解码算法。实际撰写时间、事实一致性及错误修订负担能否改善，也仍需全文与进一步验证支持。

    阅读价值：值得阅读其以医生锚点词和未完成句子为条件、结合报告检索与输入特征逐句生成临床报告的交互机制，但摘要中的文本指标与医生评分尚不能证明临床准确性或实际节省时间。

  2. OpenReview · EEG75

    临床报告自动补全

    基于摘要分析。该研究针对从 X-ray、EEG 等原始记录撰写临床报告耗时的问题，提出 CLinicAl Report Auto-completion：依据医生提供的锚点词与未完成句子逐句生成报告，而非一次性生成整份报告。其主要贡献是将医生交互、既有报告检索与输入记录特征结合，支持报告撰写过程中的自动补全；研究对象是临床报告生成，并非 BCI 解码。 机制上，方法先从既有报告中检索相关句子作为当前报告的模板，再结合输入特征表示依次修改检索句子。作者将整篇自动生成的局限概括为生成错误需人工修正、难以配合医生补充信息，以及不能适应个人偏好。摘要未说明特征提取器、检索方法、句子修改模型、损失函数或个性化机制的具体实现；材料中的方法缩写存在文本缺损，不据此补写名称。 作者报告，在句子级生成评估中，X-ray 报告的 CIDEr 为 0.393、BLEU-4 为 0.248，EEG 报告的 CIDEr 为 0.482、BLEU-4 为 0.491；相对最佳基线的改进最高为 35%，但摘要未明确该提升对应哪一项指标或任务。作者还报告，用户研究中的医生认可度评分为方法组 3.74/5、基线组 2.52/5。两类记录的结果属于不同任务，不能直接据此比较方法能力。 数据集名称、样本规模、被试内或跨被试划分、训练与检索库的构建方式、对照基线、医生人数及评分协议尚未验证，实验协议、消融及统计信息亦尚未验证。复现时需核对报告与原始记录的配对方式、检索库与评估集的隔离，以及文本相似度之外的临床事实一致性。摘要结果尚不足以确认实际节时、诊断安全性或对医生个人偏好的适应效果。

    阅读价值：值得阅读其以医生输入引导、检索既有报告句子并结合原始记录特征进行修改的交互式报告生成机制，但文本指标与医生认可度不等同于临床准确性或实际节时效果。

1月1日周一
  1. OpenReview · EEG73

    癫痫发作与发作间期–发作期连续谱 EEG 模式的快速标注

    基于摘要分析。本研究面向重症患者连续 EEG（cEEG）中的癫痫发作及发作间期–发作期连续谱模式，提出将信号片段聚成同质簇、由 EEG 专家仅标注簇代表的交互式流程，以降低长时间记录的人工标注成本。主要研究对象是临床病理性 EEG 模式的标注，而非 BCI 控制任务。 方法使用来自 369 名 ICU 患者的 cEEG，提取 592 个时域与频谱特征。对每名患者分别进行 PCA，保留 95% 的方差，再用 K-medoids 构建含 k=100 个代表样本的局部词典。通过变点检测（CPD）划分 EEG 片段，并将每段表示为词典元素出现频率的归一化直方图，即 bag-of-words（BoW）表示。随后以 χ² 距离度量直方图之间的差异，使用 Affinity Propagation（AP）进一步聚类。作者报告每名患者最终得到约 30–50 个簇，专家仅需标注各簇的 medoid；另用 t-SNE 与 PCA 提供二维可视化，支持数据探索。 作者报告，在该临床 cEEG 专家标注流程下，标注 24 小时记录约需 3 分钟，相比无辅助人工审阅至少快 60 倍。该结果描述的是标注效率，不能等同于癫痫检测 Accuracy 或标签可靠性；计时是否包含特征计算与聚类、专家间一致性、簇内标签纯度及罕见或短暂异常模式的覆盖，均需全文核对。摘要未提供被试内或跨被试预测评估，实验协议、消融及统计信息尚未验证。 技术上，可核对的关键是患者局部词典与片段级 BoW 聚类能否在减少专家操作的同时保留临床重要差异。归一化词频直方图不显式保留片段内部的词序，因此不同时间演化模式是否可能被归入同簇，是值得检查的问题，而非已证实的缺陷。复现还需确认特征定义、分析窗与步长、CPD 设置、AP 参数及专家标注规则。

    阅读价值：值得核对其按患者构建局部词典并聚类代表片段的专家交互标注流程；作者报告的标注提速具有明确应用价值，但标签一致性、异常模式覆盖及计时协议尚未验证。

1月1日周二
  1. OpenReview · State space models76

    决策理论规划中的策略解释与模型细化

    基于摘要分析。本学位论文研究不确定性下序贯决策的策略解释与模型细化：先解释 Markov Decision Processes（MDPs）的最优策略，再将专家反馈转化为参数约束，修正 Bayesian networks 和 MDPs，使重新计算的策略符合专家意见。主要贡献是把策略推荐的解释与决策模型的迭代修正联系起来，而非提出神经信号解码方法。 策略解释需要处理随机效应、可能冲突的多个目标以及行动的长期影响。作者提出领域无关的解释模板，以及确定完整论证策略推荐所需最少模板数量的过程。在该框架中，专家拒绝某项解释被视为生成该策略的模型存在不足的信号；但这种解释拒绝是否确实对应模型缺陷，需要结合具体应用核对。 模型细化方面，专家反馈被转换为模型参数上的非凸约束。对于 Bayesian networks，作者采用 Gibbs sampling 与 stochastic hill climbing 寻找满足约束的模型；对于 MDPs，则通过划分参数空间，使用交替线性优化学习能够产生符合专家反馈之策略的参数。摘要未给出约束的具体形式、优化收敛条件或计算成本。 论文还将解释与细化方法扩展到 Factored MDPs：以状态变量表示状态空间，并用 dynamic Bayesian networks 建模转移函数，以缓解大型问题中显式状态表示的组合膨胀。作者报告在本科生选课指导、失智症患者辅助洗手及制造业诊断三个领域开展了实证评估；摘要没有提供样本规模、对照基线或定量结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 系统另有基于 MDP 的辅助决策层，该框架可能用于解释行动推荐，并通过专家反馈修正决策模型；它并不直接解决 EEG 的低信噪比或跨被试解码问题。可复用部分是解释模板和反馈约束机制，需改造的是状态、动作、奖励及转移模型；神经信号状态估计误差和有限交互数据可能使约束不稳定或相互冲突。一个可检验的小实验是在固定解码器的离线辅助决策任务中，比较模型细化前后的专家约束满足率与任务回报，检验反馈一致性是否以任务性能下降为代价。相关 EEG/BCI 工作尚未检索确认。

    阅读价值：值得阅读的具体机制是将策略解释、专家异议与模型参数约束连接起来，并针对 Bayesian networks 和 MDPs 分别设计约束下的参数修正方法；其解释完整性及修正效果仍需结合全文实验核对。