跳到正文

算法、任务与模态

Personalization 最新动态

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

63 条精选近 30 天 16 条共收录 112 条

更新

精选归档 · 第 4 页

1月1日周四第 61–63 条
  1. OpenReview · EEG72

    用于基于 EEG 的困倦检测的选择性迁移学习

    基于摘要分析。研究针对基于 EEG 的困倦检测中个体训练数据采集成本高、跨被试差异可能导致负迁移的问题，提出选择性迁移学习方法：利用目标被试的少量先导数据筛选其他被试的辅助数据，以改善个体化检测器的性能。 核心机制不是无差别合并其他被试的数据，而是让目标被试的先导数据参与辅助数据选择。作者将该方法建立在团队此前的发现之上：与困倦相关的 EEG 特征在同一个体的不同会话间具有稳定性，先导数据可用于校准或训练困倦检测器。该跨会话稳定性是作者引用的前期依据，不能据此认定本研究已完成独立的跨会话泛化验证。摘要同时提到利用由其他被试数据建立的既有 BCI 模型，但辅助数据选择与模型复用如何衔接尚未验证。 作者报告，经验结果支持结合其他被试的既有模型与相对少量的目标被试先导数据，其检测性能可优于仅基于该被试先导数据建立的 BCI。摘要未提供具体性能指标、改善幅度、被试数量或先导数据规模，因此不能量化其收益，也不能将该结果延伸为任意跨被试或跨会话协议下均有效。 复现时需核对辅助数据的选择准则、EEG 特征、检测模型、困倦标签定义，以及先导数据与测试数据的划分关系；还需确认与不筛选辅助数据的迁移方法如何对照，才能判断收益是否来自选择机制。实验协议、消融及统计信息尚未验证。该研究直接面向 EEG 困倦检测，其阅读价值在于考察少量个体校准数据能否指导跨被试知识复用，而非证明其对其他 BCI 任务同样有效。

    阅读价值：值得核对其依据目标被试先导数据筛选其他被试辅助数据的机制，以及相对于仅用先导数据训练的收益，具体筛选准则和评估协议尚未验证。

12月31日周二
  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。

12月31日周一
  1. OpenReview · EEG70

    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。该研究面向持续监测癫痫发作的便携式 EEG 设备，提出一款 8 通道可扩展 EEG 采集 SoC，将患者特异性的 Support Vector Machine（SVM）分类处理器与采集、记录功能集成，旨在兼顾小尺寸、低功耗和减少通信开销。主要研究对象是癫痫发作监测硬件系统，而非通用 BCI 解码算法。 技术动机包括不同患者的 EEG 发作模式差异、低功耗可变动态范围仪表电路与发作检测处理器的集成，以及持续传输 EEG 带来的通信负担。患者特异性 SVM 用于应对个体差异，片上分类则意在减少对片外检测的依赖；摘要未说明特征构造、SVM 核函数、训练数据需求或参数更新方式。 作者援引的前期工作在芯片上提取 EEG 特征，相较传输原始 EEG 数据，作者转述其功耗降至约 1/14，但该方案仍需传输数据并在片外分类。此数字属于引用工作的对照背景，不能作为本研究 SoC 的实测功耗收益。本文摘要未给出自身的检测性能、功耗、记录容量或通信节省量。 复现与评估需核对模拟前端指标、可扩展方式、片上分类与记录流程，以及患者特异性训练和测试的划分。被试规模、数据来源、检测指标、误报率、检测延迟、实验协议、消融及统计信息尚未验证，不能据此判断临床有效性或其在其他 EEG 任务中的适用性。

    阅读价值：值得阅读其将患者特异性 SVM 癫痫发作分类与 EEG 采集、记录集成到低功耗 SoC 的系统设计，但功耗收益与检测性能仍需全文核对。