跳到正文

算法、任务与模态

Reconstruction 最新动态

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

231 条精选近 30 天 53 条共收录 304 条

更新

精选归档 · 第 12 页

1月1日周五第 221–231 条
  1. OpenReview · EEG70

    Ahed：面向 IoT 智慧健康、使用少量标注 EEG 数据的异构域深度学习模型

    基于摘要分析。该研究针对 EEG 标注数据不足、复杂连接模式难以捕获以及采集噪声影响信号解释的问题，提出异构域深度学习模型 Ahed。核心贡献是结合混合网络的多层潜在特征提取、双路径 EEG 信号重建，以及面向标注与未标注样本的一致性正则化。 机制方面，作者提出的特征提取与重建方案考虑相邻 EEG 通道之间的复杂依赖、时空连接和信号去噪。一致性正则化用于促进标注与未标注 EEG 样本的多层潜在特征之间的信息共享；作者认为这有助于信息传递并加快训练。摘要未说明“异构域”的具体定义、混合网络的组成、两条重建路径的差异，以及一致性约束的作用位置和损失形式，不能据此将其认定为跨被试域适应方法。 评估方面，作者报告在 Lomonosov Moscow State University EEG data set 上开展了多种实验设置的案例研究，并称所提方法优于全部参评竞争方法。摘要未提供具体任务、被试数量、标注比例、数据划分、对照方法、指标或数值，因此尚无法判断优势适用于被试内、跨被试还是其他协议，也无法量化性能提升。 复现时需核对数据预处理与通道设置、标注及未标注样本的使用边界、重建目标与一致性约束的实现，以及各模块的消融结果。实验协议、消融及统计信息尚未验证；摘要所述 EEG 信号建模结果也不能直接等同于在线 BCI 有效性。

    阅读价值：值得核对其双路径 EEG 重建与多层潜在特征一致性正则化如何结合少量标注和未标注数据，尤其是这些机制对通道依赖建模、去噪及预测性能的独立贡献。

1月1日周三
  1. OpenReview · EEG73

    使用深度编码器—解码器网络进行 EEG 通道插值

    基于摘要分析。本研究针对电极与皮肤表面连接自发失效产生的 electrode “pop” 伪迹，将 EEG 通道插值表述为自学习任务，使用深度编码器—解码器网络重建受损片段，旨在维持下游应用所需的数据连续性。 方法与评估：作者在一个公开 EEG 数据集上，将该方法与当时的插值方法进行比较，并在模型训练未使用的被试和任务上测试泛化能力。摘要未说明自学习任务如何构造、网络结构、损失函数、受损片段模拟方式，以及推理时可用的通道与时间上下文；因此尚不能判断模型主要利用空间通道关系、时间结构，还是二者结合。 结果：作者报告，在训练未见的被试和任务测试条件下，相对所比较方法的改进至少约为 15%。摘要没有给出该改进对应的指标、计算口径、具体基线与数据划分，不能将其解释为 Accuracy 提升或百分点增幅。作者另报告，迁移学习可进一步改善新被试与新任务上的表现，但适配数据量、监督条件及增益尚未验证。 复现与应用边界：作者称研究相关代码和数据均已开源；具体资源及运行条件尚未核验。全文需重点核对插值目标与评价指标、训练测试划分、迁移学习协议，以及重建后是否保留下游任务相关信息。平台推测（待验证）：信号重建改善可能有助于 BCI 数据连续性，但不等同于已验证的 BCI 性能提升。摘要所称“首次使用深度学习解决 EEG 插值问题”属于作者主张，尚未检索确认；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其在训练未见被试与任务上的 EEG 通道插值评估，以及迁移学习的适配条件，以判断深度编码器—解码器能否改善电极接触失效后的信号重建。

  2. OpenReview · State space models71

    利用深度编码器从视频数据进行非线性状态空间模型辨识

    基于摘要分析。本文研究如何从视频等高维输入输出数据辨识非线性状态空间模型，核心贡献是用神经网络编码器从历史输入与输出估计模型状态，并将编码器与动力学联合学习。研究对象是高维观测下的动态系统辨识，而非 EEG 解码或 BCI。 机制上，编码器学习 reconstructability map（状态可重构映射），将过去的输入输出转换为模型状态估计，为动力学建模提供状态表示。作者还提出 multiple shooting（多重打靶法）的改进重构形式与批量优化，以控制高维、大规模数据下的计算时间。摘要未给出网络结构、损失函数、历史窗口长度、优化细节或计算成本对照，具体实现尚未验证。 作者在单位盒内可控小球的模拟环境视频流上应用该方法，并报告所得模型具有较低的仿真误差和良好的长期预测能力。摘要未提供误差指标、预测时域、训练与测试划分或基线结果，因此无法量化效果或判断泛化范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，历史多通道 EEG 与可记录的任务输入能够提供足够信息，使编码器估计具有预测价值的潜在状态，从而缓解高维观测与动态建模之间的困难。可复用部分是历史窗口编码、状态转移学习和分段优化；需改造观测表示、任务输入定义及噪声处理。EEG 低信噪比、跨被试与通道差异，以及小数据条件下潜在状态的可辨识性不足，均可能使该假设失败。一个可检验的小实验是在固定通道的被试内 EEG 数据上，按独立试次划分训练与测试集，以相同历史窗口比较该思路与线性状态空间基线的多步信号预测误差；该实验仅检验动态预测，不代表 BCI 解码有效性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是将历史输入输出的状态估计编码器与非线性动力学联合学习，并结合 multiple shooting 与批量优化处理高维观测；其长时预测证据限于模拟视频环境，EEG 适用性尚未验证。

  3. OpenReview · EEG74

    使用深度编码器—解码器网络进行 EEG 通道插值

    基于摘要分析。该研究针对电极与接触表面瞬时失去连接所产生的 electrode “pop” 伪迹，将受损 EEG 片段的插值表述为 self-learning 任务，使用深度编码器—解码器网络进行重建，旨在维持 EEG 数据连续性，为包括 BCI 在内的下游应用提供可用信号。 技术机制：摘要明确提出以编码器—解码器学习插值，但未说明输入通道配置、受损片段的构造方式、学习目标、损失函数或网络结构；“self-learning”也不足以确定其具体监督方式。研究进一步使用迁移学习适配新被试与新任务，具体更新策略及所需适配数据尚未验证。 评估与结果：作者报告，在一个公开 EEG 数据集上与当时的插值方法比较，在测试被试和任务均未用于模型训练的条件下，改进幅度至少约为 15%。摘要未给出对应指标、计算口径和基线名称，因此不能将该数字解释为 Accuracy 提升或百分点变化，也不能据此比较不同评估协议。作者还报告迁移学习可进一步改善新被试与新任务上的表现，但摘要没有提供具体数值。 复现与边界：作者称相关代码与数据均已开源，所给材料未提供具体仓库位置；作者将其定位为据其所知首个使用深度学习解决 EEG 插值问题的方案，该优先性主张尚未独立核实。全文阅读时需核对数据集、被试及任务划分、伪迹模拟与真实伪迹的关系，以及插值是否保留 EEG 时空特征和下游 BCI 所需信息。实验协议、消融及统计信息尚未验证；插值误差改善不等同于已验证的 BCI 解码收益。

    阅读价值：值得阅读的具体原因是作者在训练未见的被试与任务上评估 EEG 通道插值，并探索迁移学习对新被试和任务的适配，但改进幅度的指标定义与实验协议尚需核对。

1月1日周二
  1. OpenReview · Representation learning73

    通过联合字典学习实现可重建的非线性降维

    基于摘要分析。本文研究如何无监督地学习参数化低维表示，同时从该表示重建高维输入；核心贡献是在原始高维空间与低维表示空间联合学习字典，以连接非线性降维和重建，而非仅获得用于可视化的低维坐标。 方法假设高维数据及其低维表示具有相同或相似的局部稀疏结构。作者将相对于特定字典的稀疏表示视为平滑函数，构建从高维数据稀疏系数学习低维表示的编码—解码模块，期望在降维时保留原始数据结构，并支持从低维空间返回高维空间的可靠重建。摘要说明该模块为单层且可扩展至深层结构，但具体目标函数、优化方式和深层扩展的实验情况尚未验证。 作者报告，在合成数据与真实图像实验中，该方法在降维、重建和合成任务上具有较强竞争力与稳健性，包括严重损坏数据条件；作者还报告，相较传统 compressive sensing（CS）方法，其在二维／三维数据可视化等任务驱动问题及更低维空间下的重建中具有优势。摘要未提供数据集名称、损坏类型、划分、对照实现或量化指标，实验协议、消融及统计信息尚未验证，因此不能据此确定优势幅度或普适性。 平台推测（待验证）：若 EEG 特征在高低维空间确有可共享的局部稀疏结构，该机制可能用于兼顾特征压缩与重建。可复用部分是联合字典与编码—解码框架；需要改造的是 EEG 输入表示、通道组织和重建评价，不能把图像上的抗损坏表现直接视为 EEG 去噪能力。低信噪比可能使字典学习到伪迹，被试及通道差异可能破坏共享结构，小数据也可能造成过拟合。一个可检验的小实验是在固定的被试内训练／测试划分下，仅用训练数据学习字典，以相同潜在维度比较该方法与 PCA 的留出重建误差及下游任务表现，并测试预先规定的噪声条件；相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体机制是通过高维与低维空间的联合字典学习兼顾非线性降维和重建，但其共享局部稀疏结构假设及抗损坏表现能否适用于 EEG 尚未验证。

  2. OpenReview · EEG73

    MAD-EEG：用于解码多声部音乐中目标乐器听觉注意的 EEG 数据集

    基于摘要分析。该研究针对多声部音乐中目标乐器的 EEG 听觉注意解码问题，提出公开可用的 MAD-EEG 数据集，为单试次注意解码及其他 EEG 音乐分析任务提供研究材料。 数据与任务：摘要所述数据包含 8 名被试的 20 通道 EEG；被试听独奏、二重奏和三重奏音乐片段，并注意一个预先指定的乐器。刺激通过扬声器而非耳机播放，设计涵盖混合中乐器的数量与类型、空间呈现、音乐风格和旋律变化。其核心研究对象是音乐聆听中的选择性听觉注意，而不是运动想象或通用 EEG 分类。 初步验证：作者使用一种常用于语音刺激的先进刺激重建算法，从 EEG 响应重建音频表征，并比较重建表征与被注意及未被注意声源表征的相关性。作者报告，在该初步音乐实验中，重建表征与被注意声源的相关性更高；摘要未给出具体相关系数、解码 Accuracy、数据划分或统计检验，因此不能据此量化单试次、跨被试或跨会话性能。作者将该结果解释为数据集适用于相关注意解码研究。 阅读与复现重点：需核对音频表征及重建算法的具体定义、刺激与 EEG 的时间对齐、参考与预处理方式、试次数与时长，以及训练测试划分是否区分音乐片段和被试。摘要称数据免费公开，但数据文件、访问条件、配套实现及完整实验协议尚未验证；消融及统计信息也尚未验证。扬声器呈现及多种刺激变化是该数据集的重要场景特征，但它们对解码性能的独立影响仍需依据全文与数据确认。

    阅读价值：该数据集将 EEG 听觉注意解码扩展到扬声器播放的多声部音乐，并提供目标乐器注意任务，值得用于核对语音刺激重建方法在音乐场景中的适用性，但摘要中的初步相关性结果尚不足以确定单试次解码性能。

1月1日周五
  1. OpenReview · Representation learning70

    用于跨模态分类的表征学习

    基于摘要分析。本文研究扫描参数或成像模态差异给监督式图像分类带来的困难，提出两种基于 autoencoders 的表征学习方法，通过约束不同域中对应图像块的表征相似性，学习用于跨模态分类的共同表征。主要研究对象是多模态脑 MRI 图像及合成数据，并非 EEG 或 BCI 解码。 核心机制是在数据表征目标之外加入相似性目标，最小化不同域中对应图像块的表征差异。该方法依赖可建立对应关系的跨域图像块；两种方法之间的结构差异、损失具体形式、对应关系来源及训练流程，摘要均未明确。实验将来自不同模态的训练与测试数据转换到所学共同表征，再针对模态对训练分类器。作者报告，相比标准目标，加入相似性项可以得到更相似的表征，并在这些跨模态分类实验中获得更高的 Accuracy；摘要未提供具体数值、数据集名称、样本规模或划分细节，因此不能判断提升幅度及统计稳健性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，在 EEG 域适应中，若跨会话或跨设备数据存在可靠的对应片段或事件条件，相似性约束可能帮助减小表征差异。可复用的是共同表征学习与对应样本约束，需改造的是适配 EEG 时序及通道结构的编码器和配对方式。低信噪比、跨被试生理差异、通道不一致及小数据条件可能使配对不可靠，或使相似性约束压缩任务判别信息。一个可检验的小实验是在固定 Cross-session 划分下，对比相同编码器仅使用数据表征目标与加入相似性目标的分类表现，严格区分训练配对数据与测试数据，并同时检查域间表征差异和任务 Accuracy。已有 EEG 相关工作尚未检索确认，原领域结果不能视为 BCI 有效性的证据。

    阅读价值：值得阅读的具体原因是其以对应图像块的表征相似性约束连接不同成像域，作者报告该约束可改善跨模态分类，但对应关系的构建方式与适用条件仍需核对全文。

1月1日周四
  1. OpenReview · EEG72

    利用通道间相关性进行 EEG 信号重建

    基于摘要分析。本文研究无线体域网（WBAN）中 EEG 信号的采集与传输问题，提出在压缩感知（CS）重建中利用通道间相关性，而非逐通道独立重建；研究目标同时包括改善信号重建和降低 EEG 传感节点的总能耗。 核心方法是将多通道信号集合分别建模为低秩矩阵、变换域中的行稀疏矩阵，以及两者的组合。低秩模型利用多通道之间的相关结构，行稀疏模型则以变换域的联合稀疏结构组织重建。摘要未给出具体变换、优化目标、求解算法或采样方案，三种建模方式的实现差异尚未验证。 作者报告，相较于逐通道重建的既有技术，所提方法可改善信号重建，并显著降低传感节点总能耗。作者进一步称，既有技术仅降低传输能耗，而其方法还能降低采集能耗，并消除压缩所需的处理能耗。摘要没有提供重建指标、能耗数值、硬件条件或对照细节，因此这些结论仍需结合全文核对；作者关于首次利用通道间相关性的表述也尚未独立确认。 复现时需核对 EEG 数据来源、通道配置、压缩采样率、重建误差指标及逐通道基线，并厘清采集、处理与传输能耗的计量边界。还需检查低秩与行稀疏假设在不同信号片段中的适用性，以及伪迹或通道相关性变化对重建的影响。本文直接研究 EEG 采集与重建，但摘要未验证重建后信号能否保持 BCI 解码所需信息；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其多通道联合重建与传感端能耗设计，尤其是通道间相关性如何支持低秩及变换域行稀疏建模，但重建收益与能耗降低的实验依据尚未验证。

  2. OpenReview · Representation learning74

    监督字典学习与稀疏表示综述

    基于摘要分析。本文综述监督字典学习与稀疏表示（S-DLSR），关注如何让学习到的字典及稀疏表示更适合分类，而不只是准确重构输入信号。作者提出按标签信息融入学习过程的方式，将相关算法划分为六类，并梳理各类算法之间的联系与统一框架，为应用研究者选择和组合方法提供指导。 机制与贡献：传统字典学习与稀疏表示（DLSR）以原始信号和字典空间中的稀疏表示之间的重构误差最小化为基础。摘要指出，这一目标适用于去噪、修复和编码等问题，但不必然产生最具分类判别力的表示；S-DLSR 则将标签信息引入字典和／或稀疏表示的学习。本文的贡献是方法分类、联系梳理及应用指导，而非发布一个新的分类模型。摘要未给出六类方法的具体名称、损失形式或算法细节，尚不能据此比较各类方法的监督需求和计算成本。 证据边界：摘要将 DLSR 描述为在多个领域取得较强表现的表示方法，但未提供可核对的实验数据、划分协议、基线或指标，因此不能据此认定某种 S-DLSR 方法优于其他方法。综述覆盖范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，在 EEG 分类中，加入标签约束的稀疏表示可能比仅优化重构的表示更能保留任务相关差异。可复用部分是字典表示、稀疏编码及监督约束思路；需根据 EEG 的时间、频率或通道结构改造输入表示，并保证字典学习仅使用训练数据。低信噪比可能使字典拟合伪迹，跨被试差异和通道变化可能削弱表示稳定性，小样本监督也可能导致过拟合。一个小规模检验是在固定 EEG 特征、分类器及 Cross-subject 划分下，对比重构型 DLSR 与一种明确的 S-DLSR 方法，检查判别约束是否带来稳定收益。已有 EEG 相关工作尚未检索确认，该假设不代表本文已验证 BCI 效果。

    阅读价值：该综述按标签信息融入字典及稀疏表示的方式梳理 S-DLSR，有助于理解重构目标与分类判别目标的差异并选择方法，但具体分类框架及其对 EEG 的适用性尚未验证。

12月31日周二
  1. OpenReview · EEG75

    同步 EEG-fMRI 研究中用于去除 BCG 伪迹的耦合基学习与正则化重建

    基于摘要分析。该研究针对同步 EEG-fMRI 采集中幅度显著大于真实 EEG 的心冲击图（ballistocardiogram，BCG）伪迹，提出 Direct Recording-Joint Incoherent Basis（DRJIB）方法，将受污染的观测分解为 BCG 与潜在 EEG 成分，重点处理连续、非事件相关 EEG 的伪迹去除与信号保留问题。 核心机制是利用新实验装置获取的 BCG-only 与 EEG-only 信号学习两类基表示，而非假定 BCG 与 EEG 子空间正交或独立。其代价函数结合用于自动维度选择的组稀疏惩罚，以及鼓励两类基不相干的能量项，得到成对的低维、半正交基表示；随后将受污染数据拟合到基于这些基的生成模型，并通过正则化完成重建。摘要未给出损失函数的具体形式、正则化参数或优化细节。 作者报告，在具有挑战性的非事件相关 EEG 研究中，相较 Optimal Basis Set（OBS）基线，DRJIB 在分离并保留连续 BCG 与 EEG 信号方面表现出近 12 倍优势。这是初步定量结果，摘要未明确该倍数对应的指标、计算方式及误差范围，不能将其解释为 Accuracy 提升或其他特定性能增益。 复现时需要核对 BCG-only 与 EEG-only 信号的采集装置和条件、参考信号与混合记录的匹配方式、基学习及重建参数，以及 OBS 对照的具体实现。被试数量、数据划分、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。该研究直接面向 EEG-fMRI 伪迹处理，但摘要结果不构成 BCI 解码性能改善的证据。

    阅读价值：值得关注其利用独立采集的 BCG-only 与 EEG-only 信号学习耦合基、再进行正则化重建的去伪迹机制，但作者报告的近 12 倍优势仍需核对具体指标、采集条件与评估协议。

1月1日周日
  1. OpenReview · EEG70

    基于约束 ICA 去除 MRI 内采集的视觉诱发电位 EEG 信号中的心冲击图与眼电伪迹

    基于摘要分析。该研究针对同步 EEG–fMRI 采集中 BCG（心冲击图）与 EOG（眼电）伪迹干扰微弱诱发响应的问题，提出用约束独立成分分析（cICA）同时识别并去除两类伪迹，以恢复 MRI 内采集的视觉诱发电位（VEP）。研究对象是 MRI 环境下的 EEG 去伪迹与诱发电位恢复，而非 BCI 解码性能。 核心机制是为 BCG 和 EOG 伪迹设计参考函数，将其作为 cICA 的约束，引导算法识别对应的独立成分（ICs）；随后移除这些成分并重构 EEG，再提取 VEP。相较于摘要中的标准模板减法对照，该方法的关键区别在于利用参考信息约束成分识别，而不是直接进行模板相减。参考函数的具体构造、约束形式、优化过程及成分选择规则尚未验证。 评估中，作者分别从 cICA 与标准模板减法处理后的 MRI 内 EEG 生成 VEP，并与 MRI 外采集 EEG 得到的 VEP 比较。作者报告，cICA 优于标准 BCG 伪迹去除方法，但摘要未提供量化指标或明确说明所谓效率特点，因此不能据此判断改善幅度、统计显著性或计算效率。 复现与证据核对需关注 MRI 内外采集条件是否可比、视觉刺激及 VEP 提取流程、参考函数所需的辅助记录，以及去除伪迹成分时是否保留真实诱发响应。被试数、采集参数、实验协议、消融及统计信息尚未验证；摘要也不足以确认该方法对其他 EEG 任务或 BCI 在线应用的有效性。

    阅读价值：值得阅读的具体原因是以伪迹参考函数约束 cICA，同时识别 MRI 内 EEG 的 BCG 与 EOG 成分，并以 MRI 外 VEP 作为参照评估去伪迹效果；性能优势目前仅有摘要中的定性报告。