XiaoMi-AI文件搜索系统
World File Search SystemBrainnet
brainnet：用暹罗网络改善基于脑电波的生物识别识别
摘要 - 通过捕获大脑活动的消费者可穿戴设备的出现，已提出使用脑电波来验证用户身份的使用，以作为密码的方便替代品。最近在脑生物识别方面的工作显示出可行的性能，但考虑实用性的适用性不足。我们提出了一种新的解决方案Brainnet，该解决方案训练一个暹罗网络，以测量两个脑电图（EEG）输入的相似性，并使用时间锁定的大脑反应而不是连续的心理活动来提高准确性。这种方法消除了对脑电波识别系统进行检验的需求，这是当前解决方案中的常见陷阱，促进了实际部署。此外，Brainnet在验证模式下达到0.14％的误差率（EER），在识别模式下达到0.34％，即使在看不见的攻击者场景下进行评估时，也表现出色的状态。索引术语 - 脑生物识别技术，用户身份验证，计算机安全，脑电图（EEG）
BrainNet：使用分层图扩散学习从 SEEG 检测癫痫波
癫痫是最严重的神经系统疾病之一，影响着世界人口的 1-2%。癫痫的诊断在很大程度上取决于对癫痫波的识别，即患者大脑中紊乱的脑电波活动。现有的研究已经开始采用机器学习模型通过皮层脑电图 (EEG) 检测癫痫波，EEG 是指通过对患者头皮表面进行无创检查以记录大脑电活动而获得的大脑数据。然而，最近发展的立体脑电图 (SEEG) 方法提供比传统 EEG 更精确的立体信息，并且已广泛应用于临床实践。因此，在本文中，我们提出了第一个数据驱动的研究来在现实世界的 SEEG 数据集中检测癫痫波。SEEG 在提供新机遇的同时，也带来了一些挑战。在临床实践中，癫痫波活动被认为在大脑的不同区域之间传播。这些传播路径，也称为致痫网络，被视为癫痫手术中的关键因素。然而，如何为每位患者提取精确的致痫网络仍然是神经科学领域的一个悬而未决的问题。此外，癫痫波和 SEEG 数据的性质不可避免地会导致标签极度不平衡和严重噪声。为了应对这些挑战，我们提出了一个新模型（BrainNet），该模型联合学习动态扩散图并建模脑波扩散模式。此外，我们的模型通过采用多个自监督学习任务和分层框架，有效地帮助抵抗标签不平衡和严重噪声。通过对从多名患者获得的大量真实 SEEG 数据集进行实验，我们发现 BrainNet 的表现优于来自时间序列分析的几个最新的最先进基线。
白质大脑结构可预测语言表现和学习成功
图 2 左半球的网络基序 1 ，其在训练前的流行程度与第 1 天的基线表现相关。 （a）九个大脑区域的矢状面和轴向视图（使用 BrainNet viewer；Xia et al., 2013 创建），其中网络组件具有最高（绝对）连接（标签根据 Glasser et al., 2016 ，在图 b 中）。 （b）网络基序中最强连接的弦图，线条粗细表示基序内连接的绝对权重，颜色表示符号（红色：正，蓝色：负）。请注意，网络基序中具有负权重的连接实际上与基序流行程度呈负相关。然后，绘制 185 个大脑区域中的 67 个，网络基序的主要成分（图 a）以彩色突出显示。 （c）训练前网络流行度（右奇异向量V）与训练第一天受试者在双中心嵌入任务中的表现的回归图（r=.567，p=.046）
通过可解释的人工智能了解阿尔茨海默病的结构连通性
在以下工作中，我们使用深度 BrainNet 卷积神经网络 (CNN) 的改进版本，该网络在阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 患者的扩散加权 MRI (DW-MRI) 纤维束成像连接组上进行训练，以更好地了解该疾病的结构连接组学。我们表明，使用相对简单的连接组 BrainNetCNN 对大脑图像进行分类和可解释的 AI 技术，可以强调与 AD 有关的大脑区域及其连接。结果表明，组间结构差异较大的连接区域也是先前 AD 文献中报道的区域。我们的研究结果支持了对结构连接组进行深度学习是一种强大的工具，可以利用来自扩散 MRI 纤维束成像的连接组内的复杂结构。据我们所知，我们的贡献是第一个应用于退行性疾病结构分析的可解释 AI 工作。关键词：结构连接组、扩散加权 MRI、深度学习、显著图、阿尔茨海默病