机构名称：
¥ 1.0
近十年来，由于神经科学、可穿戴/移动生物传感器和分析技术的发展，脑机接口 (BCI) 引起了越来越多的研究兴趣。其最终目标是通过映射、辅助、增强或修复人类的认知或感觉运动功能，提供一条从大脑到外部世界的通路。最近，出现了许多先进的机器学习技术，如深度学习、迁移学习等。深度学习方法在图像和视频分析、自然语言处理、语音识别等方面取得了巨大成功，最近也开始在 BCI 中得到应用。迁移学习通过利用来自其他相关任务的数据或知识来提高新任务的学习能力，在 BCI 中尤其有用，可以应对不同个体或任务之间的差异，从而加速学习并提高绩效。先进的深度迁移学习技术也可以集成在一起，以充分利用这两个领域的优势。尽管使用先进的深度学习和/或迁移学习方法进行 BCI 研究变得越来越流行，但迄今为止仍存在许多未解决的基本问题，例如深度学习表示来自多个模态的一些基于 EEG 的 BCI 数据，将数据从一个模态映射到另一个模态以实现跨源 BCI 数据分析，识别和利用来自两个或多个不同信号源的元素之间的关系进行全面的 BCI 数据分析，融合来自两个或多个信号源的信息以进行更准确的预测，在模态及其表示之间传递知识，以及根据观察到的数据恢复缺失的模态数据。在过去十年中，已经开发了几种基于 EEG 的 BCI 方法和技术，并在一些现实世界的例子中（例如神经科学、医学和康复）显示出有希望的结果，这导致大量展示准确性/性能和比较的论文，但大多数都没有发展到实时、翻译或应用。然后，这些论文没有取得好成绩，要么是因为缺乏新颖性（已知技术），要么是因为没有生物/医学/实验/临床翻译。出于上述所有原因，它激励我们开发和开发有效的高级深度学习和/或迁移学习算法来解决 BCI 和康复领域的基本问题。本神经科学前沿研究主题 (RT)（神经假体部分）是从 RT“脑机接口高级深度迁移杠杆研究”中发表的 22 篇论文中精选出来的。我们对这些论文进行了简要总结，如下所示。
关于大脑的高级深度转移杠杆研究......
主要关键词
相关文件推荐
