跳到正文

算法、任务与模态

非侵入式 最新动态

非侵入式 研究索引；按可核对的标签归档，不以热度评价质量。

308 条精选近 30 天 59 条共收录 645 条

更新

精选归档 · 第 16 页

12月31日周二第 301–308 条
  1. OpenReview · EEG76

    集成患者特异性癫痫发作分类与记录处理器的 8 通道可扩展 EEG 采集 SoC

    基于摘要分析。该研究针对头皮 EEG 中患者特异性癫痫发作起始活动的连续检测与记录，提出集成 8 通道模拟前端、机器学习分类处理器及 64 KB SRAM 的可扩展片上系统（SoC）。主要贡献是将 EEG 采集、分类及原始信号缓存整合为硬件系统，而非单独提出新的 EEG 分类算法。 技术机制方面，分类处理器采用支持向量机（SVM），并通过 Distributed Quad-LUT 滤波架构降低面积及功耗与延迟乘积的开销。模拟前端（AFE）采用斩波稳定电容耦合仪表放大器；作者报告，在 0.5–100 Hz 带宽下，噪声效率因子（NEF）为 5.1，输入折算噪声（noise RTI）为 0.91 μVrms。GBW 控制器向 AFE 提供实时增益与带宽反馈，旨在维持分类准确率；具体反馈策略及其性能贡献尚未验证。 验证与结果方面，作者报告使用 Children's Hospital Boston-MIT EEG database 及快速眼眨模式检测测试验证该 SoC。芯片采用 0.18 μm 1P6M CMOS 工艺，面积为 25 mm²；在眼眨分类测试中，Accuracy 为 84.4%，每次分类能耗为 2.03 μJ。该结果属于眼眨任务，不能解读为癫痫发作检测准确率。作者另报告，64 KB 片上存储器最多可保存 120 秒原始 EEG，但摘要未明确这一容量对应的采样率、量化位宽及通道配置。 阅读与复现时需核对患者特异性分类的训练方式、特征处理、被试与数据划分，以及癫痫检测的灵敏度、误报和检测延迟。摘要未给出这些结果，也不足以判断 Cross-subject 或 Cross-session 泛化能力；实验协议、消融及统计信息尚未验证。其硬件集成可为低功耗 EEG 设备设计提供参考，但对其他 BCI 任务的有效性仍需独立评估。

    阅读价值：该研究将 EEG 模拟采集、患者特异性癫痫发作分类与片上记录集成于同一 SoC，值得关注其软硬件协同机制，但摘要中的眼眨分类结果不能替代癫痫检测性能证据。

  2. OpenReview · EEG75

    MR 扫描仪内用于重建全头皮 EEG 的 BCG 伪迹去除

    基于摘要分析。本研究针对同步 EEG/fMRI 采集中心冲击图（ballistocardiogram，BCG）伪迹干扰 EEG 解释的问题，提出 Direct Recording Temporal Spatial Encoding（DRTSE），利用高密度 EEG 通道之间的信息估计全头皮 BCG 贡献，再重建 EEG，重点面向难以通过平均操作去除伪迹的连续、非事件相关研究。 机制上，作者设计专门实验，支持近似最优的通道子集选择：从 256 个通道中选出 20 个，并提出可由该子集估计实际记录中所有通道的 BCG 伪迹。方法将学习与推断整合，初步评估涉及直接相减及基于优化的重建方案。摘要未说明所选通道的具体信号构成、学习目标、优化形式，以及伪迹估计如何避免同时消除真实 EEG，这些内容需结合全文核对。 结果方面，作者报告，在具有挑战性的非事件相关 EEG 研究中，结合优化方案的 DRTSE 相较 Optimal Basis Set（OBS）使归一化 RMSE 降低约 13 倍。该数值属于摘要所述初步评估，不能解释为准确率提升或下游任务性能改善；其归一化定义、参考 EEG 的获得方式、被试数、训练与测试划分、跨被试或跨会话适用性，以及实验协议、消融及统计信息尚未验证。 复现重点是专门实验与实际记录之间的对应关系、20 通道子集的选择和部署条件，以及 OBS 对照的参数与误差计算协议。该工作直接研究 EEG/fMRI 采集中的伪迹处理，但摘要未提供 BCI 解码结果，因此不能将重建误差改善等同于 BCI 性能提升。

    阅读价值：值得核对其通过少量通道估计全头皮 BCG 伪迹的学习与推断机制，尤其是作者报告的相对 OBS 重建误差改善及其评估协议，但摘要中的初步结果尚不足以确认真实同步 EEG/fMRI 场景下的泛化能力。

1月1日周二
  1. OpenReview · EEG71

    基于深度信念网络的 EEG 情感状态识别

    基于摘要分析。该研究针对 EEG 情感状态识别中高维特征与少量标注样本的不匹配，以及任务无关通道引入噪声的问题，提出 Supervised DBN based Affective State Recognition（SDA）模型，组合特征降维、通道筛选和监督分类。 核心流程是先对每个 EEG 通道分别使用 Deep Belief Networks（DBN），从数千维特征中提取低维表征，再通过作者提出的刺激—响应模型，依据各通道的响应率选择通道集合。最后，将所选通道的低维特征组合，交由监督式 Restricted Boltzmann Machine（RBM）进行情感状态识别。其方法价值在于同时处理特征维度和通道相关性，而不只是直接对全部通道特征进行分类；但降维能否稳定缓解小样本问题，仍需通过完整实验核对。 作者报告，在 Deap Dataset 上与五个基线比较，SDA 的性能提升幅度为 11.5% 至 24.4%。摘要未明确该数字对应的指标、相对增幅还是百分点差，也未提供情感标签定义、被试数量、数据划分或被试内／跨被试协议，因此不能将其解释为 Accuracy 提升，也不能据此判断跨被试泛化能力。 复现需核对输入特征构成、DBN 结构与训练流程、通道响应率的定义及筛选规则、监督式 RBM 的训练目标，以及基线配置和评估协议。尤其需要确认特征学习与通道选择在数据划分中的执行范围，以评估结果的可比性。全文、实现可用性、实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其将逐通道 DBN 降维、刺激—响应通道选择与监督式 RBM 分类结合，以应对 EEG 情感状态识别中的高维小样本与无关通道问题，但摘要中的性能提升仍需结合具体指标及数据划分核对。

1月1日周日
  1. OpenReview · EEG71

    心理意象任务中 EEG 复数频谱的时变高斯模型

    基于摘要分析。本文研究心理意象任务中 EEG 复数频谱的统计特性，提出时变非圆对称高斯模型，以描述功率谱密度不能完整表达的复数谱信息。作者报告，该模型的均值随时间保持恒定，而方差与伪方差遵循自回归条件异方差（ARCH）模型，并通过统计检验验证模型有效性。 核心机制是保留频谱的复数表示，而非仅使用功率谱密度，从而能够表征与相位相关的信息。非圆对称建模引入伪方差这一复数统计量，与方差共同刻画二阶统计特性；ARCH 则用于描述这些统计量随时间变化的条件异方差结构。摘要将研究动机归于既有神经科学发现及作者此前工作，但未提供具体模型方程、参数估计方法或统计检验细节。 该工作的直接贡献是 EEG 频谱统计建模，而非已验证的分类算法。心理意象任务的具体类别尚未说明，不能直接等同于运动想象（MI）。数据集、被试数量、频谱估计方式、时间窗设置、检验类型及结果数值均尚未验证；摘要也未提供被试内、跨被试或跨会话解码协议，因此不能据此判断相对功率谱特征的分类增益。 复现时需核对非圆对称性与 ARCH 假设的检验条件、方差和伪方差的参数约束，以及模型在不同被试和任务条件下的适用范围。若进一步用于 BCI 解码，模型拟合有效性与任务判别有效性应分别评估，不能将前者直接视为后者的证据。实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体价值在于对 EEG 复数频谱的相位信息与时变二阶统计进行显式建模，但其对 BCI 任务解码的实际收益尚未验证。

  2. OpenReview · EEG78

    清醒与 NREM 睡眠的 EEG 微状态

    基于摘要分析。该研究考察清醒静息与不同 NREM 睡眠阶段的 EEG 微状态是否发生变化，通过聚类提取准稳定的头皮电位拓扑图，再将其回配至已完成睡眠分期的 EEG，比较空间模式及时间动力学。 研究分析了 32 名被试的 32 通道 EEG，覆盖放松清醒与 NREM 睡眠。作者报告，全部 32 名被试达到 N2，其中 19 名也达到 N3，相关阶段持续至少 1 分 45 秒。方法以各警觉状态中占主导的幅度拓扑图为聚类对象，通过回配获得每个睡眠阶段的微状态序列；比较指标包括平均持续时间、总时间覆盖、全局解释方差及转移概率。聚类算法细节、类别数选择标准、预处理与回配规则尚未验证。 作者报告，各 NREM 睡眠阶段均以四类微状态为最优，与清醒静息常见的 A、B、C、D 类别数一致。以阶段特异性拓扑图与清醒拓扑图的平均空间相关性衡量，N1 为 92%、N3 为 87%，N2 最低，为 83%；这些数值不是分类 Accuracy。清醒与 N1 的时间特征较为接近；清醒、N1 和 N3 中，微状态 C 在全局解释方差和时间占比方面占主导，而 N2 中微状态 B 最突出。作者报告，N3 中所有微状态的平均持续时间显著增加，自转移概率也升高；慢波的出现只能部分解释这一持续时间变化。具体效应量、统计检验及慢波分析协议尚未验证。 作者据此提出，从清醒静息到 NREM 睡眠，大尺度空间组织可能基本保留，深睡眠中的功能变化可能更多与该组织内活动水平和时间安排的改变有关。这是作者的解释与推测，不能等同于已证明微状态与 fMRI 静息态网络一一对应，也不能据此认定其具有睡眠分期或 BCI 解码效能。复现时需核对各阶段数据量、跨阶段类别匹配、个体与组水平聚类方式，以及持续时间变化的统计控制；实验协议、消融及统计信息尚未验证。

    阅读价值：该研究提供了清醒与不同 NREM 睡眠阶段的 EEG 微状态空间拓扑及时间动力学对照，值得核对其聚类与统计协议，以评估微状态作为警觉状态表征的适用边界。

12月31日周三
  1. OpenReview · EEG74

    基于 MRI 强度分布全局与局部相似性的 EEG 与 MRI 配准

    基于摘要分析。该研究针对 EEG 点位与 MRI 图像的空间配准问题，提出结合 MRI 强度分布全局相似性和局部相似性的方法，通过对称平面匹配进行初始化，再以迭代优化完成配准。 核心机制：首先提取并匹配 MRI 与 EEG 数据的对称平面。全局相似性来自整幅 MRI 图像的强度分布与头表面点周围 MRI 体素强度分布的比较；局部相似性来自对应 EEG 点周围 MRI 体素强度分布的比较，利用头部的矢状对称性约束配准。作者将对应强度分布之间的 Kullback-Leibler 散度之和作为代价函数，通过最小化该函数寻找配准结果。 作者报告，在临床 MRI 数据与模拟 EEG 数据的评估中，平均配准误差为 0.48 ± 0.33 mm；使用真实 EEG 数据时，平均点到表面均方根误差为 2.27 ± 0.02 mm。前者描述模拟条件下的配准误差，后者描述真实点位到表面的几何距离，两者的评估对象与指标不同，不能直接视为同一指标下的性能变化。摘要未说明“±”所代表的统计量。 该方法的主要研究对象是 EEG 点位与解剖图像之间的几何配准，而非 EEG 信号解码或 BCI 任务性能。复现时需核对对称平面提取、局部体素邻域与强度分布估计方式、空间变换模型、优化设置及误差参考标准；样本规模、模拟扰动设置、对照方法、消融及统计信息尚未验证。头部对称性偏离、MRI 强度变化和 EEG 点位采集误差对方法稳健性的影响，也需通过全文与实验进一步核对。

    阅读价值：该研究提供了利用 MRI 强度分布与头部矢状对称性进行 EEG 点位配准的明确优化机制，值得核对其对初始化和点位误差的敏感性，但模拟与真实数据的误差指标不能直接比较。

1月1日周二
  1. OpenReview · EEG78

    测量 EEG 源之间的方向性耦合

    基于摘要分析。该研究针对头部容积传导使头皮 EEG 信号相关性不能直接代表脑源间相互作用的问题，提出结合多变量自回归（MVAR）建模与独立成分分析（ICA）的方法，估计脑内 EEG 源的时间活动及近似位置，再分析源间方向性耦合。其主要研究对象是脑源连接与静息态 EEG-alpha 节律的生成机制，而非 BCI 解码性能。 核心流程是利用 MVAR 与 ICA 获得源活动描述，再以 directed transfer function（DTF，定向传递函数）估计源间方向性影响，并通过替代数据评估耦合强度的显著性。研究试图减少直接分析头皮记录点时容积传导带来的混淆，并降低部分既有源连接方法对参与脑区先验假设的依赖。具体模型阶数、ICA 实现、定位方法和替代数据构造尚未验证。 作者报告，在改变样本数量、等效源偶极子深度与方向、噪声来源，以及违反该方法所依赖的非高斯性假设的仿真中，所提方法在多数测试情景下比传统技术具有更高准确性。摘要未提供准确性定义、数值、对照方法名称或各情景的完整设置，因此不能据此量化优势或推定其适用边界。 在20名志愿者的静息态 EEG-alpha 分析中，作者报告结果提示丘脑与楔叶之间的强双向反馈可能是 alpha 振荡的主要生成机制；楔前叶也可能参与其中，但未对丘脑或楔叶表现出显著的因果影响。这是基于源估计与方向性连接分析得到的解释，不应等同于直接测量突触信息流或确证生理因果关系。 复现时需核对源分离与定位假设、深部源可辨识性、MVAR 估计条件及显著性检验流程。实验协议、消融及统计信息尚未验证；摘要也未提供 BCI 任务或解码收益的证据。

    阅读价值：值得阅读的具体原因是将方向性连接估计从头皮记录点转向分离后的 EEG 源，并通过多种源配置与噪声条件的仿真检验可靠性；深部源定位和生理因果解释仍需结合全文核对。

  2. OpenReview · EEG72

    用于 BCI 的单试次 EEG 源重建

    基于摘要分析。该研究考察能否通过重建 EEG 的脑源信号，并在源空间而非原始电极电位上提取特征，提高 EEG-based BCI 的任务分类性能。核心贡献是将 EEG 源重建引入 BCI 分类流程，并与直接使用原始电极电位的结果进行比较。 方法上，研究使用 EEG 逆解获得源空间表征，以频率功率变化和 Bereitschaft potential（准备电位）构建特征，再通过互信息对特征排序，输入 proximal support vector machine 完成分类。其机制假设是，源重建所利用的电生理信息有助于区分不同 BCI 任务；摘要未说明具体逆解算法、头模型、源定位约束及特征筛选细节，这些内容尚未验证。 测试材料包括 BCI competition II 的 dataset IV，以及四名被试的数据；两部分数据的关系、具体任务、数据划分和被试内或跨被试协议尚未验证。作者报告，EEG 逆解提高了分类率，并可取得与当时已知最佳方法相当的结果，但摘要没有提供具体数值、对照方法或统计信息，因此无法判断增益大小、跨被试稳定性及比较条件是否一致。 复现时值得核对源空间与电极空间比较是否采用一致的数据划分、特征筛选及分类流程，以及源重建对头模型、通道配置和噪声的依赖。实验协议、消融及统计信息尚未验证；目前不能将摘要中的改善概括为普遍适用于 EEG/BCI 的性能优势。

    阅读价值：该研究直接比较 EEG 源重建与原始电极电位的分类结果，值得阅读以核对源空间表征是否提供稳定的判别增益，但具体增益及评估协议尚未验证。