Spyros Kasapis在希腊塞萨洛尼基出生和长大。他17岁时移居美国,并在伍斯特理工学院完成了航空工程学士和硕士学位,他专注于控制和自动驾驶飞机路径计划。他搬到了安阿伯(Ann Arbor),获得了海军建筑和海洋工程学的第二大硕士学位,以及他的博士学位,该学位专注于视觉识别的机器学习应用。他曾在NASA Goddard太空飞行中心担任实习生,在那里他使用SDO卫星数据帮助了Van Allen辐射带的特征,同时还是NASA JPL 2022 Planetary Science Science Summer Schoom Schoom School Cohort的成员,在那里他从事Gelatto小星际小行星小行星小行星样本返回任务建议。他目前是NASA AMES研究中心的博士后研究员。他的研究兴趣包括使用机器学习来检测太阳能区域的出现和SEP预测。
摘要 - 目的:基于卷积神经网络(CNN)的深度学习已使用头皮脑电图(EEG)在脑部计算机界面(BCIS)方面取得了成功。然而,对所谓的“黑匣子”方法的解释及其在立体情节摄影(SEEG)基于BCIS(SEEG)的BCIS中的应用仍然在很大程度上未知。因此,在本文中,对SEEG信号深度学习方法的解码性能进行了评估。方法:招募了三十例癫痫患者,并设计了包括五种手和前臂运动类型的范式。六种方法,包括过滤库公共空间模式(FBCSP)和五种深度学习方法(EEGNET,浅层和深CNN,Resnet,Resnet和一个名为STSCNN的深CNN变体),用于对SEEG数据进行分类。进行了各种实验,以研究Resnet和STSCNN的窗口,模型结构以及解码过程的影响。结果:EEGNET,FBCSP,浅CNN,DEEP CNN,STSCNN和RESNET的平均分类精度分别为35±6.1%,38±4.9%,60±3.9%,60±3.3%,61±3.2%和63±3.1%。对所提出方法的进一步分析表明,在光谱域中不同类别之间的可分离性明显。结论:重新连接和STSCNN分别达到了第一高的解码精度。STSCNN证明了额外的空间卷积层是有益的,并且可以从空间和光谱的角度部分解释解码过程。意义:这项研究是第一个研究Seeg信号深度学习的表现的研究。此外,本文证明了所谓的“黑盒”方法可以部分解释。
梅特卡夫:我是一名维京裔美国人。我的祖父母于 1900 年左右从北大西洋的四个维京首都奥斯陆、伯金、莱兹和都柏林来到纽约市。他们通婚,然后搬到布鲁克林并生儿育女,然后我的父母就出生了:我的父亲罗伯特·梅特卡夫和母亲露丝·梅特卡夫。我需要提一下,我的祖母曾在纽约码头打击有组织犯罪。她为纽约海滨委员会工作,因此在我们成长的过程中,我们经常被黑手党故事所吸引。我的父亲是一名工程师,但实际上是一名技术员。最终,在 30 年后,他们授予他“工程师”的头衔。但他是一名工会成员,他拒绝离开工会,因此 30 年来他一直是一名技术员,最终成为工会中唯一的工程师。然后他实现了他人生的两个目标。他和我妈妈有两个目标。一个是退休,另一个是送我去上大学,成为家里第一个上大学的成员。