【脑机接口每日论文速递】2023年7月25日

A Deep-Learning-Based Neural Decoding Framework for Emotional Brain-Computer Interfaces

https://arxiv.org/pdf/2303.04391 2023-03-08

1.标题：基于深度学习的情感脑机接口的神经解码框架

2.作者：Xinming Wu, Ji Dai

3.所属单位：广东省脑连接图与行为重点实验室

4.关键字：deep learning, confidence learning, emotion decoding, brain-computer interface, Emo-Net

5.网址：https://arxiv.org/pdf/2303.04391

 

6.总结：

(1): 该研究的背景是情感脑机接口技术的发展，精确地从神经活动片段中解读情感对于该技术的发展至关重要。

(2): 过去的方法包括神经解码算法，但是近年来其进展有限。可能的原因之一是深度学习算法依赖于训练样本，但训练所使用的神经数据通常来自于非人类灵长类动物，并且被大量噪音所混淆，从而误导了深度学习模型的训练。该方法的动机是因为很难从人类的角度准确确定动物的情感，我们假设标签错误是代表不同情感的神经数据中的主要噪声。

(3): 本文提出了一个名为Emo-Net的神经解码框架，包括置信度学习组件和深度学习组件。该框架完全依赖数据，并能够从行为猴子的多个数据集中解码情感。除了提高解码能力，Emo-Net还显著改善了基本深度学习模型的性能，使得在动物模型中实现情感识别成为可能。

(4): 该方法实现了从神经数据解码情感并提升了深度学习模型的性能。该框架可能为情感的神经基础提供新的认识，并推动实现闭环情感脑机接口的实现。

7.方法：

（1）建立非人类灵长类动物实验和神经响应数据集：通过在一只成年雄性猕猴身上植入记录装置，记录猴子在观看不同类型面孔刺激时的神经活动。使用眼动仪和触发系统控制实验过程，并使用信号处理方法将神经活动转化为固定长度的神经响应矩阵。

（2）评估神经数据集中的标签错误：考虑到实验动物情感状态的不一致性，使用辅助模型对神经响应样本的标签进行评估和调整，纠正明显的标注错误，并增强具有多重标签的样本的分类能力。

（3）构建Emo-Net框架：Emo-Net是一种混合框架，结合了置信度学习和深度学习，用于情感识别。其中，置信度学习组件利用辅助模型评估神经数据的不确定性，并根据不确定性对数据进行剪枝和损失重加权。深度学习分类器提取特征并进行情感识别。

（4）优化Emo-Net框架：根据不确定性进行数据剪枝和损失重加权，提高模型的训练效果和泛化能力。

（5）评估Emo-Net的解码性能：使用十折交叉验证和独立测试集评估Emo-Net在情感识别任务上的性能，并与其他基线模型进行比较。

（6）应用Emo-Net框架实现情感识别：利用Emo-Net框架对不同的情感刺激下的神经响应进行情感识别，并为情感脑机接口的实现提供基础。

8.结论：

(1): 这部作品的意义是通过提出Emo-Net神经解码框架，实现了情感脑机接口的情感解码，并提升了深度学习模型的性能。该框架为从神经数据中解码情感提供了一种新的方法，并为实现闭环情感脑机接口的研究提供了基础。

(2): 创新点：本文的创新点在于将置信度学习和深度学习相结合，通过对神经数据进行剪枝和损失重加权，提高了情感解码的准确性。 相对于传统的神经解码算法，该方法在数据处理和模型训练方面有了显著的改进。

性能表现：Emo-Net框架的解码性能在十折交叉验证和独立测试集上进行了评估，并与其他基线模型进行了比较。结果显示，Emo-Net在情感识别任务上取得了优异的表现，显著提高了情感解码的准确性和稳定性。

工作量：本研究在数据集的搜集、标注和清理方面投入了大量的工作量。同时，构建Emo-Net框架也需要进行深度学习模型的设计和调优，以及标签评估和数据剪枝等步骤。虽然需要一定的工作量，但这些工作对于情感脑机接口技术的发展具有重要意义。

 

Device JNEEG to convert Jetson Nano to brain-Computer interfaces. Short report

https://arxiv.org/pdf/2301.11110 2023-01-23

1.标题：Device JNEEG to convert Jetson Nano to brain-Computer interfaces. Short report (将Jetson Nano转换为脑-计算机界面的设备 JNEEG。短篇报告)

2.作者：Ildar Rakhmatulin

3.所属单位：未提供作者单位信息

4.关键字：JetsonNano, JNEEG, BCI, EEG, machine learning, Nvidia

5.网址：https://arxiv.org/pdf/2301.11110, https://github.com/HackerBCI/EEG-with-JetsonNano

 

6.总结：

(1): 本文的研究背景是人工智能在近年来取得的重大进展对神经科学领域产生了影响，针对提取实时脑电图（EEG）信号的不同体系结构需要大量计算资源的问题进行了研究。

(2): 过去的方法通常将EEG设备仅作为数据传输器，实际的数据处理在第三方设备中进行。本文的动机是为了开发一种能够将Jetson Nano作为脑-计算机界面的设备，利用其机器学习工具对数据进行直接处理，以解决高成本和不紧凑的问题。

(3): 本文提出的研究方法是开发了一个名为JNEEG的模块，它通过将Jetson Nano与Texas Instruments ADS1299模拟数字转换器连接，实现脑-计算机界面的功能。该模块通过C语言进行信号读取，并使用Python进行数据读取和可视化。

(4): 该方法在实验中成功测量了脑电信号并展示了良好的性能。通过测试结果，该设备符合规格要求，具有低噪声水平、对抗电磁干扰以及成功检测α脑波的能力。这是一个具有潜力的研究方向，可以作为脑-计算机界面（BCI）的实际应用。该设备可以同时测量8个脑电信号，且可以增加电极数量来提高信号读取通道数目。另外，该设备允许利用Jetson Nano的深度学习能力进行实时控制机械对象的研究。

7.结论：

(1): 本研究的意义在于开发了一种新型的脑-计算机界面设备，将Jetson Nano与Texas Instruments ADS1299模拟数字转换器相连接，实现了脑电图（EEG）信号的实时提取和处理。这一创新为神经科学领域中的脑-计算机界面研究提供了一种低成本、紧凑且高性能的解决方案。此外，该设备还利用Jetson Nano的机器学习能力，可以用于实时控制机械对象，具有广泛的应用潜力。

(2): 创新点：该研究的创新点在于将Jetson Nano作为脑-计算机界面设备，实现了脑电图信号的实时提取和处理。

性能表现：该设备在实验中成功测量脑电信号，并展示了良好的性能，包括低噪声水平、抗电磁干扰能力以及成功检测α脑波的能力。

工作量：该设备使用C语言进行信号读取，并使用Python进行数据读取和可视化，工作量适中。

An inverse modeling method to estimate undertain spatial configurations from 2d information and time-based visual discriminations

https://arxiv.org/pdf/2302.10738 2023-02-21

1. 标题：一个从二维信息和基于时间的视觉判别中估计不确定空间配置的反向建模方法（An inverse modeling method to estimate uncertain spatial configurations from 2d information and time-based visual discriminations）

2. 作者：Pierre CUTELLIC

3. 所属单位： ETH Zürich (ETH苏黎世)

4. 关键字： Neurodesign, Design Computing and Cognition, Brain-Computer Interfaces, Generative Design, Computer Vision.

5. 网址：https://arxiv.org/pdf/2302.10738

6. 总结：

(1): 本文的研究背景是考虑到人类视觉辨别能力在计算生成的解决方案中的信息比例问题。

(2): 过去的方法主要是关于脑机接口领域和人类视觉处理的相关研究。然而，由于信息传输速率受到限制，使得人类对特定感知模式的信息量有限。本文的动机是解决这个信息瓶颈问题，通过介绍一种逆向建模方法来从生成的图片序列中提取空间信息。

(3): 本文提出的研究方法是一种基于逆向图形学的逆向建模方法，用于从快速连续显示的生成图片中检索空间信息。

(4): 本文的方法实现了从二维信息中估计不确定空间配置的任务，并取得了良好的性能，对人机交互中的信息流维持起到了关键作用。

7.结论：

(1): 本研究的意义在于提出了一种逆向建模方法，可以从生成的图片序列中估计不确定的空间配置。这对于解决人类视觉辨别在计算生成的解决方案中信息比例问题具有重要意义。

(2): 创新点：本文创新地应用逆向图形学方法，通过从连续显示的生成图片中提取空间信息，解决了信息传输受限的问题。这为脑机接口和人机交互领域提供了新的研究思路和方法。

性能表现：本文方法在估计不确定空间配置的任务中取得了良好的性能，能够有效提取出二维信息中的空间关系。这一性能表现为研究领域提供了新的技术支持。

工作量：本文的方法虽然具有一定的工作量，但通过有效的逆向建模方法和图形学技术，实现了从生成图片中提取空间配置的任务。这为计算生成设计和视觉处理领域的进一步研究提供了可行的方法。

 

参考文献

[1]Wu, Xinming and Ji Dai. “A Deep-Learning-Based Neural Decoding Framework for Emotional Brain-Computer Interfaces.”ArXivabs/2303.04391 (2023): n. pag.

[2]Rakhmatulin, Ildar. “Device JNEEG to convert Jetson Nano to brain-Computer interfaces. Short report.”ArXivabs/2301.11110 (2023): n. pag.

[3]Cutellic, Pierre. “An inverse modeling method to estimate undertain spatial configurations from 2d information and time-based visual discriminations.”ArXivabs/2302.10738 (2023): n. pag.

 

创作声明：包含 AI 辅助创作