XiaoMi-AI文件搜索系统
World File Search System加权组合
无需用户特定训练即可为 SSVEP BCI 拼写者迁移学习一组 DNN
摘要 — 目标：用脑电图 (EEG) 测量的稳态视觉诱发电位 (SSVEP) 在脑机接口 (BCI) 拼写器中产生不错的信息传输速率 (ITR)。然而，目前文献中高性能的 SSVEP BCI 拼写器需要对每个新用户进行初始冗长而累人的用户特定训练以适应系统，包括使用 EEG 实验收集数据、算法训练和校准（所有这些都在实际使用系统之前）。这阻碍了 BCI 的广泛使用。为了确保实用性，我们提出了一种基于深度神经网络 (DNN) 集合的全新目标识别方法，该方法不需要任何类型的用户特定训练。方法：我们利用先前进行的 EEG 实验的参与者的现有文献数据集，首先训练一个全局目标识别器 DNN，然后针对每个参与者进行微调。我们将这组经过微调的 DNN 集合转移到新的用户实例，根据参与者与新用户的统计相似性确定 k 个最具代表性的 DNN，并通过集合预测的加权组合来预测目标字符。结果：在两个大规模基准和 BETA 数据集上，我们的方法实现了令人印象深刻的 155.51 比特/分钟和 114.64 比特/分钟 ITR。代码可用于重现性：https://github.com/osmanberke/Ensemble-of-DNNs 结论：在两个数据集上，对于所有刺激持续时间在 [0.2-1.0] 秒内的情况，所提出的方法都明显优于所有最先进的替代方案。意义：我们的 Ensemble-DNN 方法有可能促进 BCI 拼写器在日常生活中的实际广泛部署，因为我们提供最高性能，同时允许立即使用系统而无需任何用户特定的训练。索引词 — 脑机接口、BCI、EEG、SSVEP、集成、深度学习、迁移学习
关联级数展开和特征模式方法
功能性脑网络由底层结构网络塑造和约束。然而，功能网络不仅仅是结构网络的一对一反映。已经提出了几种理论来理解结构网络和功能网络之间的关系。然而，如何将这些理论统一起来仍不清楚。两种现有的最新理论指出：1）功能网络可以通过结构网络中的所有可能路径来解释，我们将其称为级数展开方法；2）功能网络可以通过结构网络特征模式的加权组合来解释，即所谓的特征模式方法。为了阐明这些方法从结构网络估计功能网络的独特或共同解释力，我们分析了这两种现有观点之间的关系。使用线性代数，我们首先表明特征模式方法可以用级数展开方法来表示，即，与不同跳数相关的结构网络上的路径对应于该网络特征向量的不同权重。其次，我们为特征模方法和级数展开方法的系数提供了明确的表达式。这些理论结果通过来自扩散张量成像 (DTI) 和功能性磁共振成像 (fMRI) 的实证数据得到了验证，表明基于这两种方法的映射之间存在很强的相关性。第三，我们通过分析和实证证明，特征模方法对测量功能数据的拟合度始终至少与级数展开方法的拟合度一样好，并且结构数据中的误差会导致级数展开方法估计系数的较大误差。因此，我们认为应该优先使用特征模方法而不是级数展开方法。结果适用于加权邻接矩阵的特征模以及图拉普拉斯算子的特征模。总的来说，这些结果为统一现有的脑网络结构功能关系理论迈出了重要的一步。