跳到正文

算法、任务与模态

Connectivity 最新动态

Connectivity 研究索引；按可核对的标签归档，不以热度评价质量。

243 条精选近 30 天 22 条共收录 444 条

更新

精选归档 · 第 13 页

1月1日周一第 241–243 条
  1. OpenReview · State space models73

    利用尺度空间谱聚类识别具有局部与全局连接的神经元集群

    基于摘要分析。本文研究如何识别功能相互依赖的神经元集群，并减少识别结果对神经元最大相关性所处时间尺度的依赖，提出结合 Haar 小波尺度空间表示、主成分降维与概率谱聚类的非参数方法。主要研究对象是神经点过程及神经元之间的功能关联，而非 EEG 信号或 BCI 解码任务。 方法首先利用 Haar 小波变换将神经点过程表示在 N 维尺度空间，并在该空间中定义任意两个神经元之间的相似性；随后通过主成分分析将表示降至 Q 维，再利用加权主成分构建神经元之间的图连接，最后以最大化簇紧致性为目标，通过概率谱聚类进行图划分。其值得考察的机制是将多时间尺度信息纳入相似性表示，而不是预先依赖单一相关时间尺度；相似性公式、主成分权重及聚类求解细节尚未验证。 作者报告在涉及 120 个神经元的评估设置中，与 k-means 和 expectation–maximization 算法进行比较；该设置的时变强度函数包含自发背景活动，以及在不同时间尺度诱发的阶段性响应。摘要未提供具体指标、数值或优劣结论，因此不能据此判断方法是否优于这些对照。数据来源、实验协议、消融及统计信息尚未验证，代码与复现配置也需查阅全文确认。 该工作的直接价值在于多尺度神经元功能集群分析。神经点过程与连续 EEG 在数据结构和观测方式上不同，摘要不足以支持其对 EEG/BCI 的有效性或直接迁移结论；相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其以多尺度神经点过程相似性构图、再进行概率谱聚类的机制，适合核对不同相关时间尺度下神经元集群识别的表现，但摘要未给出相对基线的定量结果。

  2. OpenReview · EEG73

    基于 EEG 的阿尔茨海默病早期检测：同步性度量的比较研究

    基于摘要分析。该研究针对阿尔茨海默病（AD）患者 EEG 同步性降低、但个体差异使其难以可靠识别早期轻度认知障碍（MCI）的问题，比较多类 EEG 同步性度量，寻找能够区分 MCI 患者与年龄匹配对照的指标。其主要研究对象是疾病相关 EEG 特征与潜在诊断标志物，而非 BCI 控制或解码算法。 比较范围包括互相关系数、mean-square 与 phase coherence function、Granger causality、corr-entropy coefficient 及两种新扩展、基于 Hilbert transform 与时频图的相位同步指标、时域与时频域的信息论散度、状态空间方法中的非线性相互依赖度量与 S-estimator，以及 stochastic-event synchrony。摘要未给出各指标的具体计算公式、参数设置及新增扩展的机制，尚不能据此判断实现细节或复现成本。 作者报告，在所用数据集上，仅两类同步性度量能够较有说服力地区分 MCI 患者与年龄匹配对照（p < 0.005）：Granger causality 中的 full-frequency directed transfer function，以及 stochastic-event synchrony 中的非重合活动比例（fraction of non-coincident activity）。这一结果属于该数据集下的组间统计区分；摘要未提供个体分类 Accuracy、敏感度、特异度或纵向预测结果，不能将其解读为已建立可靠的早期诊断工具。作者提出，将这两类度量与其他特征结合，未来可能形成用于 MCI 和 AD 的诊断工具，该应用前景仍待验证。 被试数量、诊断标准、EEG 采集与预处理、统计检验及多重比较处理、数据划分、独立验证和消融信息尚未验证。阅读全文时应重点核对上述协议，以及指标对伪迹、共同源和参数选择的敏感性；现有摘要不支持进一步推断其 BCI 迁移效果或临床使用价值。

    阅读价值：值得阅读的具体原因是其在同一 EEG 数据集上比较多类同步性指标，并由作者报告 Granger causality 与 stochastic-event synchrony 对 MCI 与年龄匹配对照的区分信号，但这尚不等同于个体诊断能力或早期预测有效性。

1月1日周六
  1. OpenReview · EEG76

    非平稳信号相互依赖性的时频表征：在癫痫 EEG 中的应用

    基于摘要分析。本文研究非平稳信号之间的线性相互依赖关系如何随时间与频率变化，提出基于窄带滤波信号互相关的估计方法，并在仿真及癫痫相关脑内 EEG 数据中考察其表现。主要贡献是将关联估计置于时频框架下，并分析信号间时延先验对估计性能的影响，而非提出 BCI 解码算法。 核心机制是对窄带滤波后的信号计算互相关，以表征非平稳信号之间的线性关系；对照方法是基于相干函数的经典估计器。摘要未提供滤波带宽、时间窗、时延处理方式及估计公式，这些实现条件尚未验证。 作者报告，在仿真框架中，当信号间时延的先验知识可用时，所提估计器可能在偏差、方差或均方误差方面优于相干函数估计器；摘要未给出仿真参数、数值结果或优势范围。作者报告，在真实脑内 EEG 数据上，该方法可能提高关联时频表示的可读性，帮助解释非平稳相互依赖关系。这一结果不等同于已验证的诊断准确率或 BCI 性能提升。作者还通过与不区分频率的线性及非线性方法比较，说明同时表征时间和频率维度的重要性。 阅读与复现时应重点核对时延先验的来源、估计器对时延误差的敏感性、时频分辨率及对照方法的参数设置。被试数量、记录条件、数据划分、实验协议、消融及统计信息尚未验证。摘要中的信号关联用于表征功能耦合，但不能据此推断因果连接。

    阅读价值：值得阅读的具体原因是，研究直接比较窄带互相关与相干函数估计，并指出信号间时延先验可能影响非平稳 EEG 关联估计的偏差、方差及均方误差，但其优势的适用条件仍需全文核对。