跳到正文

算法、任务与模态

Neural Encoding 最新动态

Neural Encoding 研究索引；按可核对的标签归档，不以热度评价质量。

171 条精选近 30 天 30 条共收录 227 条

更新

精选归档 · 第 9 页

12月31日周六第 161–171 条
  1. OpenReview · State space models72

    用于预测时变交通的道路网络潜在空间模型

    基于摘要分析。本文研究道路网络中的实时交通预测，提出 Latent Space Model for Road Networks（LSM-RN），从连续道路网络快照学习兼顾拓扑依赖与时间变化的顶点潜在属性，并通过增量在线算法适应交通状态变化；主要研究对象是交通传感器数据，而非 EEG 或 BCI。 核心机制是将道路网络顶点表示在潜在空间中，使其属性随时间变化，以刻画交通模式的形成与演化。在线算法根据时序图变化顺序更新潜在属性，利用实时传感器读数调整已有潜在空间，在数据到达时训练并即时预测。摘要未提供潜在表示的具体参数化、目标函数、更新公式及计算复杂度，不能据此将其认定为特定状态空间模型架构。 作者报告，在大量真实交通传感器数据和大型道路网络的实时预测实验中，该框架优于其他竞争方法及一个基于图的 LSM 基线。摘要未给出数据集名称、预测时间跨度、划分方式、评价指标、具体数值或基线配置，因此优势幅度与适用条件尚未验证；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 通道可构成有意义的图，且信号关系存在可跟踪的时间变化，时变潜在表示与增量更新可能用于研究 EEG 非平稳性。可借鉴的是图节点潜在属性和在线更新思路；需改造的是道路拓扑定义、交通观测模型及预测目标，使其适配电极关系与 EEG 任务。道路网络的拓扑依赖不能直接等同于脑功能连接，低信噪比、伪迹、通道变化、被试差异及小数据均可能使在线更新不稳定。可检验的小实验是在固定被试、固定通道的连续 EEG 数据上，按时间顺序比较静态图潜在表示与增量更新表示的短时信号预测，并统一训练数据和评价指标，检查更新是否改善后续时段表现。该实验仅检验机制迁移，不构成 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 LSM-RN 将图拓扑、时变潜在属性与增量在线更新结合的机制，但摘要不足以验证其性能优势或 EEG 迁移效果。

1月1日周五
  1. OpenReview · EEG77

    识别用于 EEG 情绪识别的跨时间稳定模式

    基于摘要分析。该研究关注与不同情绪相关的 EEG 模式能否随时间保持稳定，通过机器学习流程比较特征提取、特征选择、特征平滑及模式分类方法，并分析情绪相关频段与脑区模式的跨会话一致性。其主要贡献是把时间稳定性作为 EEG 情绪识别的重要研究问题，而不只考察单次分类表现。 研究使用 DEAP 和作者为本研究新开发的数据集进行评估；摘要未提供新数据集名称、被试数量、采集间隔、标签构建方式或训练与测试划分，也未列出具体算法及其配置。特征平滑可能影响时间稳定性的评估，因此其实施方式与训练、测试边界是全文阅读时需要核对的事项，现有材料不足以判断。 作者报告，所识别的稳定模式在不同会话间表现出一致性：与负性情绪相比，正性情绪在外侧颞区呈现更强的 beta 和 gamma 频段活动；中性情绪在顶区与枕区呈现更高的 alpha 响应；负性情绪在顶区与枕区呈现更高的 delta 响应，并在前额区呈现更高的 gamma 响应。作者还报告，情绪识别系统的表现支持这些模式在会话内和会话间相对稳定，但摘要没有给出分类指标、数值或统计检验细节。 这些结果可为考察 EEG 情绪识别中频段—脑区特征的跨会话可重复性提供依据，但不能直接等同于已验证的 Cross-subject 泛化能力或长期实际应用效果。实验协议、对照结果、消融及统计信息尚未验证；复现前需核对数据可用性、预处理与伪迹处理、特征定义、会话划分，以及稳定性的量化标准。

    阅读价值：值得阅读之处在于将 EEG 情绪识别的关注点从单次分类表现延伸至跨会话模式稳定性，并系统比较特征处理与分类方法，但稳定性的统计依据及评估协议仍需全文核对。

1月1日周四
  1. OpenReview · State space models76

    面向神经接口的状态空间模型调制深度估计与变量选择

    基于摘要分析。该研究针对高维神经记录中信息分布不均、通道冗余及模型复杂度增加的问题，提出状态空间框架下的广义调制深度度量，用于量化神经信号通道对相关行为协变量的调谐程度，并据此进行通道排序与子集选择。 方法上，作者为动态系统开发了从多变量数据估计调制深度的计算高效程序，再结合模型阶数选择准则确定纳入神经解码器的通道子集。其核心思路是以通道与目标行为变量的关联强度引导变量选择，避免高维输入带来的计算负担及潜在过拟合。具体估计公式、状态与观测模型、模型阶数准则及选择流程尚未验证。 研究的主要应用是神经元群体放电率解码，而非 EEG：作者使用四肢瘫痪个体通过 BrainGate 神经接口获得的皮层内运动想象数据开展离线分析，将运动皮层活动与预期运动的运动学变量关联。作者报告，该方法能够识别并排序信息较丰富的神经信号；在摘要所述离线评估中，相比贪心搜索及其他选择方案，计算复杂度低数个数量级，而解码性能几乎相同。摘要未提供被试数、数据划分、具体性能指标、对照方案细节或复杂度测量口径，因此这些结果不能延伸为在线控制或跨被试泛化结论，实验协议、消融及统计信息尚未验证。 作者还报告，人类运动皮层单单元信号的调制深度可由 generalized Pareto distribution（广义帕累托分布）较好刻画。复现时应核对调制深度的估计条件、通道子集确定方式、训练与评估数据的划分，以及分布拟合和复杂度比较的统计依据。该工作直接涉及皮层内神经接口，但其对 EEG 等其他信号模态的适用性尚未验证。

    阅读价值：值得阅读的是其将状态空间中的通道调制深度与模型阶数选择结合，用于降低神经解码的变量选择成本；作者报告的复杂度优势和解码性能保持仍需结合全文实验协议核对。

  2. OpenReview · EEG72

    运动规划期间的 EEG 活动编码即将出现的峰值速度与加速度，并提高预测手部运动学的准确性

    基于摘要分析。该研究面向神经假体中的手部运动学预测，考察低信噪比 EEG 中的运动规划期信息能否支持逐试次峰值速度与峰值加速度解码，并通过联合规划期和执行期的 alpha、beta 频带功率改善预测。 研究背景与机制：摘要指出，既有相关研究多关注运动执行或运动想象期间的脑活动，而此前总体平均分析已显示运动规划期 EEG 与后续峰值速度、峰值加速度存在统计相关。本文进一步考察这种相关性是否能在逐试次解码中被利用，而不只是呈现在平均信号中。研究使用运动规划期与执行期的 alpha、beta 功率，预测峰值切向速度和加速度；具体频段边界、时间窗、功率估计方式及解码器尚未验证。 结果与对照：作者报告，单独利用运动规划期 EEG 也能以作者所称的“合理准确性”预测峰值速度与峰值加速度；将规划期频带功率与执行期频带功率结合，可进一步改善两类目标的解码准确性。摘要未提供具体指标、数值或统计检验，不能将此处的准确性直接解释为分类 Accuracy，也无法量化联合特征的增益。 局限与复现条件：被试人数、任务设计、采集通道、预处理、训练与测试划分，以及被试内、跨被试或跨会话评估协议均尚未验证。阅读全文时需核对规划期与执行期的界定、特征融合方式、比较条件及实验协议、消融和统计信息。由于联合方案使用执行期信号，其改善不能直接视为运动开始前的提前预测能力，也不能据此认定已验证在线 BCI 控制效果。

    阅读价值：值得阅读的具体原因是研究将运动规划期 EEG 的关联分析推进到逐试次运动学解码，并检验规划期与执行期频带功率的联合使用价值；具体增益与评估可靠性尚需全文核对。

1月1日周三
  1. OpenReview · EEG75

    自然视觉过程中人类枕颞皮层的功能选择性：来自联合颅内 EEG 与眼动追踪的证据

    基于摘要分析（目前仅有 Highlights，未取得论文全文）。该研究关注人类观看自然图像时枕颞皮层的功能选择性，将 iEEG 与眼动追踪结合，并定义整合高频活动（HFA）与眼动信息的注视相关响应，以分析单次注视对应的皮层活动。 方法上，作者将 HFA 作为多单位放电活动的代理指标，而非直接测量神经元放电。其核心思路是把皮层活动与自然观看过程中的注视事件联系起来，使视觉响应分析能够落到单次注视尺度。HFA 的频段、提取方法、响应时间窗，以及眼动与 iEEG 的同步和事件划分方式尚未验证。 结果方面，作者报告在自然图像观看条件下，单次注视尺度的枕颞皮层活动具有功能特异性。所给材料未提供具体功能类别、效应量、统计指标或对照条件，因此尚不能判断选择性的量化强度与跨被试一致性。作者还将该工作表述为首次提供适配人类自然视觉的皮层活动度量；这一优先性主张尚未独立核实。 该研究的主要贡献属于自然视觉神经生理测量与分析，不能据此认定已验证 BCI 解码性能。阅读或复现时应重点核对注视相关响应的定义、注视之间的时间重叠与眼动影响如何处理，以及功能选择性的检验方式。被试信息、电极覆盖、图像材料、实验协议、消融及统计信息尚未验证，代码与数据可用性也尚未验证。

    阅读价值：值得阅读的具体原因是将 iEEG 高频活动与眼动注视事件结合，为自然视觉条件下单次注视尺度的枕颞皮层功能选择性分析提供了可核对的方法思路，但响应定义与验证协议尚未验证。

1月1日周日
  1. OpenReview · EEG72

    EEG 对语音与声音的响应模式分析：特征分组的影响

    基于摘要分析。本文研究 EEG 模式分析中时间与通道维度的特征分组如何影响对说话者身份及语音内容（元音）信息的识别，贡献在于比较六种特征组织方式，而非提出新的分类器。 方法将三种时间维度处理方式——预定义时间窗、滑动时间窗、完整试次——与两种通道维度处理方式——逐通道、多通道——组合，并使用 Gaussian Naïve Bayes 分类器分析一个多被试 EEG 数据集。该数据集来自研究短语音刺激中说话者身份和元音编码及其任务依赖性的既有研究。摘要未提供被试数量、窗口长度、特征预处理或训练与测试划分，因此不能确定其采用被试内还是跨被试评估。 作者报告，在上述数据与分类设置下，不同特征分组能够揭示信息内容在时间及头皮空间分布上的互补侧面。其中，滑动时间窗与多通道分类的组合尤其有助于追踪说话者或元音身份相关信息的早期形成，以及工作记忆任务中相关信息在较晚阶段的任务依赖性维持。作者据此认为，连续进行多通道分类的滑动时间窗方法适合利用 EEG 和 MEG 的高时间分辨率追踪神经信息处理过程；摘要中实际分析的数据为 EEG，不能据此视为已有 MEG 实验验证。 阅读与复现重点是特征组织方式如何改变时间信息与空间信息的可见性，而不是将某一种分组直接认定为所有解码任务中的最优方案。摘要未给出 Accuracy 等定量指标，窗口设置、交叉验证、对照条件、消融及统计信息尚未验证。该研究提供的是语音相关 EEG 信息分析证据，并非在线 BCI 性能或跨被试泛化能力的验证。

    阅读价值：值得阅读的具体原因是其在 Gaussian Naïve Bayes 分类器下比较时间与通道特征分组，展示不同组织方式如何揭示互补的 EEG 信息，但具体实验协议与统计可靠性仍需全文核对。

  2. OpenReview · EEG77

    空间汇聚的对比度响应预测自然图像类别的神经与知觉相似性

    基于摘要分析。该研究考察低层次视觉对比度响应能否解释自然图像类别在神经活动与知觉上的相似性，核心方法是对计算机生成的自然风格图像估计对比度响应，再进行空间汇聚并提取统计量，将其与 EEG/ERP 及行为判断相对应。 作者报告，在个体被试的单幅图像诱发 ERP 分析中，汇聚响应统计可解释较大部分的响应差异，但摘要未给出具体解释方差数值。多电极 ERP 的差异性分析显示，图像之间的汇聚响应统计差异越大，诱发活动模式越不相似；统计差异较小的图像则产生较相似的活动模式。在独立行为实验中，统计差异较大的图像被判断为不同类别，统计差异较小的图像更容易混淆。这里的神经分析与行为实验共同支持视觉相似性解释，并非 BCI 解码性能验证。 对照包括 Fourier power spectra，以及对比度分布的高阶属性 skewness 和 kurtosis。作者报告，这些统计虽能支持准确的图像分类，却不能预测 ERP 响应模式或行为分类混淆。这一区别提示，可用于类别区分的图像特征不一定对应人的神经与知觉表征。作者据此提出，空间汇聚的低层次对比度响应统计可能在早期视觉处理中被提取，并参与快速视觉相似性判断；摘要证据不宜进一步解释为已确立因果机制。 具体对比度响应计算方式、空间汇聚规则、图像类别与数量、被试数、EEG 通道、ERP 时间窗、拟合及验证划分、效应量和统计检验尚未验证。复现需先核对这些协议及图像材料，尤其要区分图像分类准确性、ERP 相似性预测与行为混淆预测，不能将三者视为同一指标。

    阅读价值：值得阅读之处在于作者将空间汇聚的低层次对比度响应统计同时与 EEG/ERP 表征差异和行为分类混淆对应，并通过其他对比度统计作对照，为核对视觉刺激特征与神经表征相似性的关系提供了具体依据。

  3. OpenReview · EEG75

    低层对比度统计可指示自然纹理的不变性

    基于摘要分析。本研究关注自然纹理在光照、朝向等观察条件变化下能否保持稳定的感知表征，并检验低层对比度统计的稳定性是否能指示这种不变性。作者结合自然材料图像分析、行为分类与 EEG 实验，研究图像统计变化、纹理判断和视觉诱发反应之间的关系。 研究首先在一个大型自然材料图像数据库中观察到：不同纹理的低层对比度统计对观察条件变化的敏感程度不同。随后，作者选择对比度统计方差较高（HV）或较低（LV）的自然纹理图像，呈现给人类观察者。作者报告，在两种不同的行为分类范式中，参与者更常将 HV 纹理判断为“不同”，支持统计较稳定的 LV 纹理具有更强感知不变性的解释。 在独立的 EEG 实验中，作者采集单张纹理图像诱发的 ERP。作者报告，图像间对比度统计差异与枕区 ERP 振幅的早期和晚期差异均相关；HV 纹理图像之间的 ERP 差异主要由光照角度驱动，而 LV 图像之间的差异则由纹理归属驱动。摘要未提供具体时间窗、效应量或统计检验，因此不能据此判断差异的大小，也不能将相关关系升级为因果机制。 这是一项自然视觉感知研究，主要贡献是用行为与神经反应共同支持低层图像统计对纹理不变性的指示作用，并非提出 BCI 算法或评估解码性能。阅读全文时应核对对比度统计的定义、HV/LV 筛选标准、光照与朝向的操控方式，以及 ERP 对刺激属性和纹理归属的分析方法。图像数据库名称、被试人数、EEG 采集与预处理、实验协议、消融及统计信息尚未验证。

    阅读价值：该研究以行为分类和枕区 ERP 的相互印证，考察低层对比度统计与自然纹理光照不变性的关系，值得用于理解视觉 EEG 中刺激属性与感知类别的混杂，而非作为已验证的 BCI 解码方法。

1月1日周六
  1. OpenReview · EEG72

    利用同步 fMRI 与 Relevance Vector Machine 回归预测 EEG 单试次响应

    基于摘要分析。研究关注同步 EEG-fMRI 中能否利用一种模态的信息预测另一种模态的信号，采用多变量 Relevance Vector Machine（RVM）回归学习 fMRI 激活模式与 EEG 响应之间的关系，探索将空间分布的 fMRI 活动与特定 EEG 成分关联的方法。 研究任务包含听觉提示、视觉心理想象和视觉控制目标；这里的视觉心理想象不应等同于运动想象（MI）。方法以 fMRI 激活模式作为预测信息，以同步采集的 EEG 响应作为预测对象。摘要涉及诱发响应及诱导性振荡响应，但未给出特征构造、具体预测时间窗、RVM 配置或训练与测试划分。 作者报告，多变量回归能够从 fMRI 时间序列预测上述 EEG 响应，但预测结果在很大程度上受到血流动力学响应函数整体滤波效应的影响。对听觉诱发响应的进一步分析显示，单试次调制存在较小但具有统计显著性的贡献，可用于关联空间分布的 fMRI 激活模式与同步 EEG 的特定成分。摘要未提供效应量、预测指标或显著性检验细节，因此不能据此量化预测性能，也不能将其解释为已实现任意 EEG 波形重建。 这项工作的直接贡献是多模态脑信号耦合分析，而非已验证的 BCI 解码系统。复现时需核对同步采集与伪迹处理、血流动力学建模、试次对齐、预测目标定义及训练与测试划分，并确认如何区分整体滤波效应与单试次调制的贡献。被试数量、实验协议、消融及统计信息尚未验证；摘要也不足以判断跨被试或跨会话泛化能力。

    阅读价值：该研究值得阅读的具体原因是用 RVM 回归检验同步 fMRI 空间激活模式对 EEG 单试次响应的预测能力，并区分血流动力学滤波与单试次调制对预测的贡献，但其 BCI 应用价值尚未验证。

  2. OpenReview · State space models73

    通过目标驱动探索学习任务空间控制

    基于摘要分析。本文研究冗余机器人如何自主学习任务空间控制，提出以任务空间目标驱动探索、在线学习前向模型并将其求逆用于控制的策略，强调学习与执行不分离。其主要研究对象是仿真人形机器人的三维目标到达动作，而非 EEG 解码或 BCI 算法。 机制上，机器人通过尝试完成任务空间中的目标动作来探索状态空间，而不是先在关节空间进行 motor babbling（运动试探）。前向模型用于建立机器人运动与任务空间结果之间的关系，再通过模型求逆生成控制。摘要提及比较了不同的前向模型学习方法，但模型形式、求逆算法、在线更新规则及比较设置尚未验证；来源栏目名称不足以将其认定为现代 State Space Model 架构。 作者报告，在仿真人形机器人实验中，系统利用手臂与腰部运动自主学习面向三维目标的到达动作，不依赖先验知识或初始运动试探。为考察对机器人结构及感知环境突变的适应，实验分别引入连杆长度修改与任务空间参考系旋转两类运动学扰动；作者报告，模型的在线更新使机器人能够应对这些变化。摘要未给出到达误差、适应速度或具体对照结果，实验协议、消融及统计信息尚未验证，不能据此评价其相对性能或真实机器人适用性。 平台推测（待验证）：该机制可能与 BCI 驱动外部机械臂的控制端有关，即以目标及执行反馈持续修正执行器模型；这不等于解决 EEG 低信噪比或跨被试解码问题。可复用部分是目标驱动探索与在线前向模型更新，需改造部分是神经解码指令到控制动作的接口、安全约束及反馈处理。其可用性依赖可观测的动作结果与充分探索，噪声指令、反馈延迟及少量交互数据可能使模型求逆不稳定。可检验的小实验是在相同固定解码器和仿真目标序列下，对比冻结与在线更新的执行器模型在参考系扰动后的到达误差和恢复所需交互次数；该实验仅检验控制端适应，不验证神经解码改善。已有 EEG/BCI 相关工作尚未检索确认。

    阅读价值：值得核对其任务空间目标驱动探索与前向模型在线更新机制，尤其是模型在机器人连杆长度及任务空间参考系变化后如何恢复控制；摘要中的证据限于仿真人形机器人，尚不支持 BCI 有效性结论。

1月1日周一
  1. OpenReview · State space models73

    作为液态状态机的小脑

    基于摘要分析。本文研究小脑回路如何表示时间并学习定时响应，重新分析作者此前提出的小脑回路模型，将颗粒层与浦肯野细胞分别解释为液态状态生成器和读出神经元，从而提出以 liquid state machine（液态状态机）而非感知机理解小脑计算功能。 核心机制是输入驱动的时序状态展开：作者报告，模型颗粒层能够生成有限但很长、活动模式不重复的神经元群体序列，用以表示时间流逝。这里的“不重复”描述活动序列，不能据此认定模型没有循环连接。摘要还称，对输入苔藓纤维的所有可能二值模式，回路可生成对应数量的不同活动序列，但其容量计算方式、输入规模及状态区分标准尚未验证。 读出与学习方面，模型浦肯野细胞接收颗粒层神经元经平行纤维传递的输入，并学习在下橄榄信号指定的时刻停止发放脉冲。这构成了时序状态生成与定时监督读出的功能分工。作者据此认为，小脑具有超出感知机的信息处理能力；摘要未提供可量化的任务性能或直接对照结果，因此该结论应保留为作者的解释。具体连接结构、学习规则、仿真设置、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若该模型生成的时序状态能在噪声输入下保持可区分性，其机制可能用于探索 EEG 时间依赖特征的读出。可复用的是状态生成与监督读出的分工；需要改造的是从连续、多通道 EEG 到模型输入的编码，以及从定时停止发放到目标任务输出的读出形式。低信噪比、跨被试差异、通道变化和小样本可能使状态区分与读出学习失效。一个可检验的小实验是在固定被试内划分及相同输入、监督条件下，对比此类时序状态读出与无时序状态的读出，并检验噪声扰动后的表现。原论文并非 EEG/BCI 验证，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是作者将小脑颗粒层的时序状态生成与浦肯野细胞的监督读出联系起来，为理解生物回路如何编码时间提供了可核对的机制框架，但其相对感知机的能力优势及 BCI 适用性尚未验证。