【脑机接口每日论文速递】2023年7月27日

MindSculpt: Using a Brain-Computer Interface to Enable Designers to Create Diverse Geometries by Thinking

https://arxiv.org/pdf/2303.03632  发表日期：2023-03-06

1.标题：MindSculpt: 使用脑-计算机接口让设计师通过思考创建多样的几何形状

2.作者：Qi Yang, Jesus G. Cruz-Garza, Saleh Kalantari

3.所属单位：Qi Yang

4.关键字：Brain Computer Interface, Design Tool, Intuitive Interaction, Design Cognition, Artificial Intelligence, Machine Learning

5.网址：https://arxiv.org/pdf/2303.03632  Github: None

 

6.总结：

- (1): 本文研究的背景是将脑-计算机接口与设计工具相结合，探索通过思考创造多样几何形状的可能性。

- (2): 过去的方法是基于鼠标和键盘的计算机辅助设计工具，但它们往往限制了设计理念的产生和概念设计过程。而本文提出的方法通过脑-计算机接口实现了直接将用户的想象转化为数字原型，并且可以实时进行设计反馈，从而缩短了想法生成和实现之间的延迟。这个方法的动机是改进设计创造力和直观性。

- (3): 本文提出的研究方法是将监督机器学习方法应用于脑波数据，通过支持向量机模型识别参与者在思考四种不同的几何形状时产生的脑波模式。同时，将这些几何形状在设计软件中进行实时生成。

- (4): 通过与没有设计经验的参与者进行实验，研究人员发现MindSculpt工具易于使用，并能够促进设计理念和艺术创造。该方法实现了通过思考生成多样几何形状的任务，并在性能方面取得了积极的结果，支持其目标。

7. 结论：

- (1): 本文的意义在于探索并实现了将脑-计算机接口与设计工具相结合的可能性，通过思考创造多样几何形状。这为设计领域的创新和创造力提供了新的思路和方法。

- (2): 创新点：本文的创新点在于通过脑-计算机接口实现了将设计师的思考直接转化为数字原型，并实现了实时反馈。这一方法突破了以往鼠标和键盘作为设计工具的限制，提高了设计创造力和直观性。

性能表现：通过脑波数据的监测和机器学习算法的运用，本文实现了对参与者思考不同几何形状时产生的脑波模式的识别，实时生成对应几何形状。实验结果表明，MindSculpt工具易于使用，并能够促进设计理念和艺术创造。

工作量：从文中所述的实验过程来看，本文涉及到对脑波数据的处理和分析、机器学习模型的训练和优化、设计软件的开发等工作量较大。然而，具体的工作量并未详细说明。

Deep comparisons of Neural Networks from the EEGNet family

https://arxiv.org/pdf/2302.08797  发表日期：2023-02-17

1. 标题：Deep comparisons of Neural Networks from the EEGNet family（EEGNet家族神经网络的深入比较）

2. 作者：Csaba Márton Köllőd, András Adolf, Gergely Márton, István Ulbert

3. 所属单位：Roska Tamás Doctoral School of Sciences and Technology, Budapest, Hungary; Faculty of Information Technology and Bionics, Pázmány Péter Catholic University, Budapest, Hungary; Cognitive Neuroscience and Psychology, Research Centre for Natural Sciences, Budapest, Hungary

4. 关键词：BCI, EEG, Neural Networks, EEGNet

5. 网址：https://arxiv.org/pdf/2302.08797

 

6. 总结：

- (1): 本文的研究背景是对于运动意向（Motor Imagery, MI）脑电图（Electroencephalography, EEG）信号分类，提出了基于人工神经网络的方法，并比较了不同网络的性能。

- (2): 过去的方法通常仅使用BCI竞赛数据集中的少量受试者的MI EEG数据进行分类，且主要采用带通滤波器进行降噪和提高信号质量。这种方法存在数据量小和性能不确定性的问题。本文的动机是使用较大规模的开放数据集来对比不同的神经网络，并探索迁移学习对于降噪后数据的分类结果是否有进一步改善。

- (3): 本文提出了5种知名神经网络（Shallow ConvNet, Deep ConvNet, EEGNet, EEGNet Fusion, MI-EEGNet）的对比分析，使用开放数据集和BCI竞赛4 2a数据集来获取统计显著性的结果，并使用FASTER算法移除EEG中的伪影作为信号处理步骤。同时，还对迁移学习方法进行了研究，以进一步改善降噪后数据的分类结果。

- (4): 本文的方法在分类准确性以及两个额外的指标（相对随机水平的准确性提高和迁移学习效果）上进行了评估。实验结果显示，研究者不应忽视Shallow ConvNet和Deep ConvNet，因为它们的性能可能优于EEGNet家族中后期发布的方法。

7. 方法：

- (1): 本文主要探究了基于人工神经网络的方法在运动意向（MI）脑电图（EEG）信号分类中的应用。具体而言，使用了5种不同的神经网络模型（Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet Fusion、MI-EEGNet）进行比较分析。

- (2): 为了获得可靠的实验结果，本文采用了开放数据集和BCI竞赛4 2a数据集作为样本数据。同时，还使用了FASTER算法对EEG信号进行了预处理，以移除可能存在的伪影。

- (3): 为了进一步改善降噪后数据的分类结果，本文还研究了迁移学习方法在MI EEG信号分类中的效果。通过将降噪后的数据集和源领域的预训练模型进行结合，探索了迁移学习对分类准确性的影响。

- (4): 为了评估各种方法的性能，本文使用分类准确性作为主要指标，并与随机水平的准确性提高指标进行对比。此外，还对迁移学习方法的效果进行了评估。

- (5): 最终的实验结果显示，Shallow ConvNet和Deep ConvNet的性能可能优于EEGNet家族中较新发布的方法。因此，在MI EEG信号分类中，研究者应当综合考虑不同的神经网络模型，以获得更好的性能表现。

8. 结论：

- (1): 本文的意义在于通过对EEGNet家族的神经网络进行深入比较，对MI EEG信号分类任务进行了探索。通过评估不同网络模型的性能和迁移学习的效果，为未来的BCI研究提供了有价值的参考。

- (2): 创新点：本文的创新点在于利用大规模的开放数据集进行对比分析，而非仅仅依赖于少量受试者的数据。同时，本文还研究了迁移学习方法对降噪后数据分类结果的影响，提出了一种新的评价指标。

性能表现：通过实验结果，本文发现Shallow ConvNet和Deep ConvNet的性能可能优于EEGNet家族中较新发布的方法。

工作量：本文的工作量较大，涉及多个神经网络模型的实验比较，使用了多个开放数据集和BCI竞赛数据集，并进行了详细的数据预处理和统计分析。

Decoding Neural Activity to Assess Individual Latent State in Ecologically Valid Contexts

https://arxiv.org/pdf/2304.09050  发表日期：2023-04-18

1.标题：Decoding Neural Activity to Assess Individual Latent State in Ecologically Valid Contexts（解码神经活动以评估生态有效环境下个体潜在状态）

2.作者：Stephen M. Gordon, Jonathan R. McDaniel, Kevin W. King, Vernon J. Lawhern, Jonathan Touryan

3.所属单位：DCS Corporation, Alexandria, VA（董事会公司，弗吉尼亚州亚历山大市）

4.关键字：Decoding, Neural Activity, Individual Latent State, Ecologically Valid Contexts（解码，神经活动，个体潜在状态，生态有效环境）

5.网址：https://arxiv.org/pdf/2304.09050 或 Github: None

 

6.总结：

- (1): 本文的研究背景是在生态有效的环境中很少有方法能够独立地分离认知过程，更不清楚这些约束条件下观察到的神经活动模式在实验室外是否能够准确推断个体的潜在状态、与之相关的认知过程或接近行为。

- (2): 过去的方法主要是通过高度控制的实验室研究来定义认知过程，但是这些方法难以在更真实的环境中应用。本文提出的方法借鉴了脑-计算机接口领域的领域泛化方法，旨在解决这个问题。本文的方法围绕对神经活动模式的高维解释进行泛化，以可靠地应用于不同的实验数据集。

- (3): 本文提出的研究方法是使用预训练模型解码内在潜在状态和神经活动模式。首先，通过两个高度控制的实验室范式训练两个领域泛化模型。然后，将这些训练好的模型应用于一个在具有六个自由度的运动模拟器上执行多个并发驾驶相关任务的生态有效范式。通过预训练模型，推导出潜在状态和相关的神经活动模式的估计。

- (4): 本文的方法实现了对复杂任务和性能的估计，并验证了实验室范式在生态有效环境中的生态效度。随着通过潜在状态模型评估的神经活动模式越来越类似于训练数据中观察到的模式，我们发现了与原始实验室范式观察一致的行为和任务绩效变化。这些结果支持了原始高度控制的实验设计的生态效度，并为理解在复杂任务中观察到的神经活动和行为之间的关系提供了一种方法。

7.结论：

- (1): 这部作品的意义在于提供了一种方法，通过解码神经活动来评估个体在生态有效的环境下的潜在状态。这有助于我们理解观察到的神经活动模式与个体的认知过程和行为之间的关系。

- (2): 创新点：本文的创新在于借鉴了脑-计算机接口领域的领域泛化方法，通过预训练模型解码神经活动和潜在状态。这种方法使得在生态有效环境中应用高度控制的实验室研究成为可能。

  性能表现：本文的方法成功实现了对复杂任务和性能的估计，并验证了实验室范式在生态有效环境中的生态效度。通过预训练模型的应用，找到了与训练数据中类似的神经活动模式，并观察到了与原始实验室范式一致的行为和任务绩效变化。

  工作量：本文的研究方法需要进行两个高度控制的实验室范式的训练，然后将这些训练好的模型应用于复杂任务的生态有效范式。虽然存在一定的工作量，但通过预训练模型的应用，可以准确地推断出神经活动和潜在状态的估计。

参考文献：
[1] Yang, Qi et al. “MindSculpt: Using a Brain-Computer Interface to Enable Designers to Create Diverse Geometries by Thinking.” ArXiv abs/2303.03632 (2023): n. pag.

[2] Köllod, Csaba Márton et al. “Deep comparisons of Neural Networks from the EEGNet family.” ArXiv abs/2302.08797 (2023): n. pag.

[3] Gordon, Stephen M. et al. “Decoding Neural Activity to Assess Individual Latent State in Ecologically Valid Contexts.” ArXiv abs/2304.09050 (2023): n. pag.

创作声明：包含 AI 辅助创作