跳到正文

算法、任务与模态

Cross-session 最新动态

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

64 条精选近 30 天 8 条共收录 89 条

更新

精选归档 · 第 4 页

1月1日周五第 61–64 条
  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。

12月31日周四
  1. OpenReview · EEG73

    利用深度学习从 EEG 信号预测驾驶员的困倦与清醒状态

    基于摘要分析。该研究针对驾驶员困倦与清醒状态的 EEG 预测，提出通道级卷积神经网络 CCNN 及其变体 CCNN-R，并考察基于深度学习隐藏单元的 bagging 分类器。核心贡献是在跨会话（Cross-session）预测场景下，比较这些方法与常规深度学习及非深度学习算法，同时检验原始 EEG 与 ICA 变换输入的差异。 方法方面，CCNN 采用通道级卷积建模；CCNN-R 使用 Restricted Boltzmann Machine（受限玻尔兹曼机）替代卷积滤波器。摘要另将基于深度学习隐藏单元的 bagging 分类器作为常规深度学习方案的替代选择，但其集成方式、特征提取流程，以及 CCNN、CCNN-R 的具体结构、损失函数和训练设置尚未验证。 数据与评估方面，作者整合了来自 3 项驾驶员疲劳研究的 EEG 数据，包含 37 名被试、70 个会话，并在跨会话预测协议下分别测试原始 EEG 与 Independent Component Analysis（ICA，独立成分分析）变换后的数据。跨会话评估不等同于跨被试评估；训练与测试会话如何划分、被试是否重叠，以及各研究数据如何合并，需查阅全文核对。 作者报告，在上述跨会话评估中，CCNN 和 CCNN-R 优于 DNN、CNN 及其他非深度学习算法；采用原始 EEG 输入的深度学习方法也优于采用 ICA 特征的方案。摘要未提供具体指标、性能数值或统计不确定性，因此不能判断优势幅度，也不能将该结果概括为 ICA 预处理普遍无益。 复现时需核对疲劳状态标签定义、EEG 采集与预处理、输入窗口、跨会话划分、ICA 的拟合流程及各基线的训练条件。数据与代码可用性、实验协议、消融及统计信息尚未验证；当前证据支持将其作为驾驶状态 EEG 解码研究阅读，不足以推断实际部署中的稳定性。

    阅读价值：值得阅读的具体原因是其在驾驶疲劳 EEG 的跨会话预测中，同时比较通道级深度学习方法与 raw EEG、ICA 输入，有助于核对模型设计和预处理选择对跨会话性能的影响。

1月1日周四
  1. OpenReview · EEG71

    使用鲁棒主成分分析缓解基于EEG的情绪分类中的日间变异

    基于摘要分析。本研究针对EEG情绪分类中的日间变异，采用鲁棒主成分分析（RPCA）分离情绪相关动态与背景扰动，探索提升纵向情感BCI稳定性的途径。其核心假设是：背景或情绪无关的EEG扰动造成跨天变化，并掩盖情绪相关动态。 机制上，摘要将情绪相关EEG动态描述为稀疏成分，并称RPCA能够将其从伴随的跨天背景扰动中提取出来，再用于情绪分类。具体分解对象、目标函数、稀疏约束、预处理流程及分类器尚未验证，不能据此确定RPCA是在何种特征或信号表示上实施。 作者报告，在12名被试的五天数据分析中，结果支持上述假设及RPCA的可行性；逐步使用更多天经RPCA净化的EEG试次时，情绪分类表现呈持续改善，而使用原始EEG特征时未观察到同样趋势。摘要未提供具体指标或改善幅度，也未明确训练与测试的跨天划分，因此这些结果不能直接视为已验证的Cross-session泛化收益。 作者据此提出，将RPCA与现有情绪机器学习框架结合，用于每名个体的纵向数据，可能有助于构建能够缓解自然情境日间变异的情感BCI（ABCI）。复现时需核对情绪任务与标签、各天数据量、训练和测试划分、RPCA拟合范围、原始特征对照及统计检验。实验协议、消融及统计信息尚未验证；现有摘要也不足以判断其Cross-subject适用性或在线部署效果。

    阅读价值：值得阅读的具体原因是作者在12名被试的五天EEG数据上考察了RPCA对日间变异的处理，并报告了增加训练天数时净化特征与原始特征的不同表现，但划分协议和定量收益尚未验证。

1月1日周三
  1. OpenReview · EEG70

    基于流形正则化极限学习机的 EEG 情绪识别

    基于摘要分析。本文研究从观看不同类型电影片段诱发的 EEG 中识别正性、中性和负性三类情绪，提出 manifold regularized extreme learning machine（MRELM，流形正则化极限学习机），以同时利用 EEG 数据的几何结构与判别信息。 方法使用五个频带的微分熵特征进行分类。摘要明确了流形正则化与极限学习机相结合的总体思路，但未提供几何结构的构建方式、正则项与损失函数、训练流程或超参数，因此这些实现细节尚未验证。 作者报告，在使用全部五个频带微分熵特征的评估中，MRELM 的平均 Accuracy 为 81.01%，对照方法 GELM 和 SVM 分别为 80.25% 和 76.62%。摘要未明确这组结果对应的被试内或跨被试协议、数据划分及平均方式，不能将其直接视为跨会话性能。作者还报告，使用高频 β、γ 频带特征得到的 Accuracy 高于低频频带特征，并据此认为 β、γ 与情绪状态变化更相关；这一解释应限定于文中的情绪诱发任务与评估条件。 作者另行开展了训练集与测试集来自不同会话的实验，并认为结果支持 MRELM 在 EEG 情绪识别中的竞争力，但摘要未给出该实验的具体数值。数据集名称、被试数量、会话安排、特征处理与模型选择流程，以及实验协议、消融及统计信息尚未验证。复现时需重点核对流形构建所用数据范围、跨会话划分、正则化参数选择及各对照方法的设置，才能判断性能优势与会话变化下的稳健性。该研究直接针对 EEG 情绪识别，不应据此延伸为其他 BCI 任务中的已验证效果。

    阅读价值：值得阅读之处在于将 EEG 数据的几何结构与判别信息共同用于情绪识别，并开展跨会话评估；其具体正则化机制与跨会话性能仍需全文核对。