Deep Learning in EEG: Advance of the Last Ten-Year Critical Period

/pdf/ 2021-05-20

(資料圖片僅供參考)

1.標(biāo)題：Deep Learning in EEG: Advance of the Last Ten-Year Critical Period (EEG中的深度學(xué)習(xí)：過(guò)去十年關(guān)鍵期的進(jìn)展)

2.作者：Shu Gong, Kaibo Xing, Andrzej Cichocki, and Junhua Li

3.所屬單位：S. Gong和K. Xing隸屬于中國(guó)四川大學(xué)生命科學(xué)學(xué)院；A. Cichocki隸屬于俄羅斯斯科爾科沃科學(xué)技術(shù)學(xué)院和波蘭科學(xué)院系統(tǒng)研究所；J. Li隸屬于英國(guó)埃塞克斯大學(xué)計(jì)算機(jī)科學(xué)與電子工程學(xué)院和中國(guó)吳依大學(xué)腦-仿生智能和計(jì)算神經(jīng)科學(xué)實(shí)驗(yàn)室。

4.關(guān)鍵字：Deep Learning, EEG, artifacts removal, deep learning models, brain-computer interface, disease detection, emotion recognition

5.網(wǎng)址：/pdf/

6.總結(jié)： (1):本文的研究背景是EEG領(lǐng)域中深度學(xué)習(xí)的發(fā)展情況。過(guò)去十年間，深度學(xué)習(xí)在語(yǔ)音識(shí)別和計(jì)算機(jī)視覺(jué)等領(lǐng)域取得了極好的性能，但在EEG領(lǐng)域的研究相對(duì)較少。 (2):過(guò)去的方法存在一些問(wèn)題，其中一個(gè)是EEG信號(hào)的偽跡去除。本文提到了過(guò)去十年中在EEG處理和分類中使用的深度學(xué)習(xí)模型，并對(duì)其進(jìn)行了簡(jiǎn)要介紹。此外，本文介紹了深度學(xué)習(xí)在EEG領(lǐng)域的應(yīng)用，包括腦機(jī)接口、疾病檢測(cè)和情緒識(shí)別等方面。文中還討論了深度學(xué)習(xí)的優(yōu)缺點(diǎn)，并提出了未來(lái)的發(fā)展方向。 (3):本文提出了使用深度學(xué)習(xí)方法來(lái)處理和分類EEG信號(hào)。具體介紹了一些深度學(xué)習(xí)模型在EEG處理中的應(yīng)用。 (4):本文的方法在EEG領(lǐng)域中實(shí)現(xiàn)了腦機(jī)接口、疾病檢測(cè)和情緒識(shí)別等任務(wù)，并取得了顯著的進(jìn)展。績(jī)效支持了他們的研究目標(biāo)。 7. 方法：

(1): 本文的方法采用深度學(xué)習(xí)模型來(lái)處理和分類EEG信號(hào)。首先，對(duì)EEG信號(hào)進(jìn)行預(yù)處理，包括去除偽跡和濾波處理。然后，使用不同的深度學(xué)習(xí)模型對(duì)預(yù)處理后的信號(hào)進(jìn)行處理和分類。結(jié)合多個(gè)模型的結(jié)果，可以提高分類性能和準(zhǔn)確率。

(2): 在EEG信號(hào)預(yù)處理中，采用了偽跡去除和濾波處理。偽跡去除方法可以排除來(lái)自外部干擾和運(yùn)動(dòng)偽跡等無(wú)關(guān)信號(hào)。濾波處理可以降低噪聲干擾和信號(hào)頻率間的不一致性。

(3): 在深度學(xué)習(xí)模型中，可以使用多種架構(gòu)，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長(zhǎng)短期記憶（LSTM），來(lái)處理和分類EEG信號(hào)。每種模型都具有不同的優(yōu)勢(shì)和適用場(chǎng)景。

(4): 在采用深度學(xué)習(xí)模型處理和分類EEG信號(hào)時(shí)，還需要考慮到信號(hào)的時(shí)空特性和多通道信號(hào)的特點(diǎn)?？梢允褂米⒁饬C(jī)制來(lái)關(guān)注重要的信號(hào)信息。

(5): 在實(shí)際應(yīng)用中，深度學(xué)習(xí)模型可以用于腦機(jī)接口、疾病檢測(cè)和情緒識(shí)別等任務(wù)。通過(guò)訓(xùn)練模型和優(yōu)化參數(shù)，可以實(shí)現(xiàn)高效準(zhǔn)確的分類和識(shí)別。

8.結(jié)論：

(1): 本文的意義在于回顧了過(guò)去十年EEG領(lǐng)域中深度學(xué)習(xí)的發(fā)展情況，為正在從事該領(lǐng)域研究的學(xué)者提供了一個(gè)總結(jié)，促進(jìn)了他們的研究進(jìn)展。

(2): 創(chuàng)新點(diǎn)：本文在EEG領(lǐng)域中應(yīng)用了深度學(xué)習(xí)模型，對(duì)信號(hào)進(jìn)行預(yù)處理和分類，取得了一些顯著進(jìn)展。性能表現(xiàn)：通過(guò)使用不同的深度學(xué)習(xí)模型、優(yōu)化參數(shù)和多通道信息，本文的方法在腦機(jī)接口、疾病檢測(cè)和情緒識(shí)別等任務(wù)中實(shí)現(xiàn)了高效準(zhǔn)確的分類和識(shí)別。工作量：本文對(duì)過(guò)去十年來(lái)在EEG領(lǐng)域中深度學(xué)習(xí)的研究進(jìn)行了綜述，收集了大量相關(guān)文獻(xiàn)并進(jìn)行整理分析，工作量較大。

Deep Optimal Transport for Domain Adaptation on SPD Manifolds

/pdf/ 2023-07-07

1.標(biāo)題：Deep Optimal Transport for Domain Adaptation on SPD Manifolds 2.作者：Ce Ju, Cuntai Guan 3.所屬單位：新加坡南洋理工大學(xué)（Nanyang Technological University） 4.關(guān)鍵字：Domain Adaptation, Optimal Transport, Riemannian Manifolds, Geometric Deep Learning, Neural Signal Processing 5.網(wǎng)址：/pdf/, None 6.總結(jié)： - (1): 本文的研究背景是解決在對(duì)稱正定（SPD）流形上的領(lǐng)域適應(yīng)（DA）問(wèn)題，特別是對(duì)于由醫(yī)療設(shè)備生成的復(fù)雜神經(jīng)生理數(shù)據(jù)。 - (2): 過(guò)去的方法包括協(xié)方差移位適應(yīng)方法和正則化最優(yōu)傳輸方法。這些方法在應(yīng)用于處理協(xié)方差矩陣時(shí)存在復(fù)雜性問(wèn)題。本文提出深度最優(yōu)傳輸方法的動(dòng)機(jī)是為了解決這些問(wèn)題。 - (3): 本文提出了一種基于深度學(xué)習(xí)的遷移學(xué)習(xí)方法，稱為深度最優(yōu)傳輸。該方法利用最優(yōu)傳輸理論，結(jié)合SPD流形的對(duì)數(shù)歐幾里得幾何。 - (4): 實(shí)驗(yàn)結(jié)果表明，該方法在處理所提出的具體DA問(wèn)題時(shí)具有良好的效果，在處理源域和目標(biāo)域之間的邊際和條件分布差異時(shí)表現(xiàn)出很好的性能。 7. 方法：

(1): 在對(duì)稱正定（SPD）流形上構(gòu)建最優(yōu)傳輸?shù)念I(lǐng)域適應(yīng)框架，稱為OT-DA框架。首先，建立了在SPD流形上計(jì)算最優(yōu)傳輸?shù)幕驹恚瑢?duì)任何平方距離函數(shù)的梯度進(jìn)行了形式化表示。

(2): 利用離散傳輸計(jì)劃構(gòu)建c-凹函數(shù)，并利用引理1和引理2獲得連續(xù)傳輸計(jì)劃。通過(guò)算法1實(shí)現(xiàn)了在SPD流形上的離散最優(yōu)傳輸問(wèn)題的計(jì)算，即計(jì)算源樣本和目標(biāo)樣本之間的傳輸計(jì)劃。

(3): 提出了基于深度學(xué)習(xí)的領(lǐng)域適應(yīng)方法，稱為深度最優(yōu)傳輸（DOT），用于處理SPD矩陣值特征。在SPD流形上構(gòu)建了具有Bi-Map、ReEig和LOG等層的神經(jīng)網(wǎng)絡(luò)架構(gòu)，用于從SPD矩陣值特征中提取判別信息。

(4): 將在SPD流形上的距離函數(shù)替換為Riemannian距離，將DOT視為針對(duì)SPD矩陣值特征的DeepJDOT架構(gòu)的一種特定變體。通過(guò)定義一個(gè)目標(biāo)函數(shù)，利用交替參數(shù)更新方法進(jìn)行優(yōu)化。

(5): 根據(jù)應(yīng)用場(chǎng)景中的特定條件，提出了幾種DOT的變體，這些變體只考慮類數(shù)據(jù)的中心點(diǎn)而不是每個(gè)單獨(dú)的數(shù)據(jù)點(diǎn)。

(6): 基于Marginal Distribution Adaptation (MDA)和Conditional Distribution Adaptation (CDA)的方案，分別解決了邊際分布適應(yīng)和條件分布適應(yīng)的問(wèn)題。

結(jié)論：

(1): 該研究在解決對(duì)稱正定（SPD）流形上的領(lǐng)域適應(yīng)問(wèn)題方面具有重要意義，特別是在處理復(fù)雜神經(jīng)生理數(shù)據(jù)方面。通過(guò)引入深度最優(yōu)傳輸（DOT）方法，可以有效地處理源域和目標(biāo)域之間的邊際和條件分布差異，為神經(jīng)生理研究和醫(yī)療科學(xué)領(lǐng)域提供了有力的工具。

(2): 創(chuàng)新點(diǎn)：該研究通過(guò)利用最優(yōu)傳輸理論和SPD流形的幾何特性，提出了深度最優(yōu)傳輸（DOT）的方法。該方法能夠在處理SPD矩陣值特征時(shí)獲得良好的性能。該方法的創(chuàng)新點(diǎn)在于將最優(yōu)傳輸應(yīng)用于神經(jīng)生理數(shù)據(jù)的領(lǐng)域適應(yīng)問(wèn)題，并結(jié)合了深度學(xué)習(xí)的技術(shù)。

性能表現(xiàn)：實(shí)驗(yàn)結(jié)果表明，深度最優(yōu)傳輸方法在處理所提出的具體領(lǐng)域適應(yīng)問(wèn)題時(shí)表現(xiàn)出很好的性能。它能夠有效地減少源域和目標(biāo)域之間的分布差異，提高領(lǐng)域適應(yīng)的準(zhǔn)確性。與其他方法相比，在處理協(xié)方差矩陣時(shí)具有更高的效率和準(zhǔn)確性。

工作量：深度最優(yōu)傳輸方法在設(shè)計(jì)和實(shí)現(xiàn)上具有一定的工作量。其中，基于深度學(xué)習(xí)的DOT架構(gòu)的構(gòu)建和優(yōu)化是一項(xiàng)繁瑣的任務(wù)。此外，深度最優(yōu)傳輸方法的實(shí)驗(yàn)驗(yàn)證需要收集大量的神經(jīng)生理數(shù)據(jù)和進(jìn)行復(fù)雜的計(jì)算。因此，該方法在實(shí)際應(yīng)用中可能需要高工作量的數(shù)據(jù)處理和計(jì)算資源。

根據(jù)以上總結(jié)，該研究提出的深度最優(yōu)傳輸方法在處理領(lǐng)域適應(yīng)問(wèn)題方面具有重要的意義，并在創(chuàng)新點(diǎn)、性能表現(xiàn)和工作量等方面有一定的優(yōu)勢(shì)和挑戰(zhàn)。

In the realm of hybrid Brain: Human Brain and AI

/pdf/ 2022-10-25

標(biāo)題：In the realm of hybrid Brain: Human Brain and AI（混合大腦領(lǐng)域：人腦和人工智能）

作者：Hoda Fares, Margherita Ronchini, Milad Zamani, Hooman Farkhani, and Farshad Moradi

所屬單位：ICELab, IbrAIn center, Department of electrical and Computer Engineering, Aarhus University, Aarhus, Denmark（奧胡斯大學(xué)，電氣與計(jì)算機(jī)工程系，ICELab，IbrAIN中心）

關(guān)鍵字：Artificial intelligence (AI), Brain-computer interfaces (BCI), neuromorphic engineering, Neuroscience, Neural Interfaces, Neuroprostheses（人工智能（AI），腦機(jī)接口（BCI），神經(jīng)形態(tài)工程學(xué)，神經(jīng)科學(xué)，神經(jīng)界面，神經(jīng)假肢）

網(wǎng)址：/pdf/

總結(jié)：

(1): 本文研究背景為近期神經(jīng)科學(xué)和工程技術(shù)的發(fā)展，使得記錄大腦信號(hào)并對(duì)其進(jìn)行解碼成為可能。

(2): 過(guò)去的方法主要集中在治療性結(jié)果上，已經(jīng)證明了作為輔助和康復(fù)技術(shù)對(duì)于嚴(yán)重運(yùn)動(dòng)障礙患者的有效性。然而，過(guò)去的方法存在一些問(wèn)題，包括性能需要進(jìn)一步改進(jìn)以在日常生活中使用的挑戰(zhàn)。因此，本文具有良好的研究動(dòng)機(jī)來(lái)探索結(jié)合人工智能和先進(jìn)腦機(jī)接口的研究方法。

(3): 本文提出了一種基于腦機(jī)接口技術(shù)的腦啟發(fā)式人工智能方法，它結(jié)合了腦啟發(fā)式人工智能算法和神經(jīng)形態(tài)硬件，用于處理來(lái)自大腦的數(shù)據(jù)。

(4): 本文的方法實(shí)現(xiàn)了更好的對(duì)深層腦區(qū)域的訪問(wèn)和對(duì)大腦功能和工作機(jī)制的理解，從而提高了腦機(jī)接口系統(tǒng)的穩(wěn)定性和效率。通過(guò)結(jié)合腦啟發(fā)式人工智能算法和神經(jīng)形態(tài)硬件，本文的方法成功解碼了多模態(tài)神經(jīng)信號(hào)并提供了反饋給用戶?？?jī)效支持了他們的目標(biāo)，為診斷、預(yù)測(cè)和治療神經(jīng)和精神障礙提供了新的可能性。

結(jié)論：

(1): 本文的意義在于探索將人工智能和先進(jìn)腦機(jī)接口技術(shù)相結(jié)合的研究方法，為治療和康復(fù)技術(shù)的發(fā)展提供新的可能性，并為診斷、預(yù)測(cè)和治療神經(jīng)和精神障礙提供更好的解決途徑。

(2): 創(chuàng)新點(diǎn)：本文創(chuàng)新性地提出了一種基于腦機(jī)接口技術(shù)的腦啟發(fā)式人工智能方法，通過(guò)結(jié)合腦啟發(fā)式人工智能算法和神經(jīng)形態(tài)硬件來(lái)處理來(lái)自大腦的數(shù)據(jù)，實(shí)現(xiàn)了對(duì)深層腦區(qū)域的更好訪問(wèn)和大腦功能工作機(jī)制的理解。

性能表現(xiàn)：本文方法成功解碼了多模態(tài)神經(jīng)信號(hào)并提供反饋給用戶，體現(xiàn)了較好的績(jī)效，為未來(lái)的研究和應(yīng)用提供了良好的基礎(chǔ)。

工作量：在研究過(guò)程中，作者們充分利用了神經(jīng)科學(xué)和工程技術(shù)的發(fā)展，通過(guò)實(shí)驗(yàn)和分析，提出了腦啟發(fā)式人工智能算法和基于神經(jīng)形態(tài)硬件的解碼方法，完成了對(duì)混合大腦領(lǐng)域的初步探索。

參考文獻(xiàn)：

【1】Gong S, Xing K, Cichocki A, et al. Deep learning in EEG: Advance of the last ten-year critical period[J]. IEEE Transactions on Cognitive and Developmental Systems, 2021, 14(2): 348-365.

【2】Ju C, Guan C. Deep Optimal Transport for Domain Adaptation on SPD Manifolds[J]. arXiv preprint arXiv:, 2022.

【3】Fares H, Ronchini M, Zamani M, et al. In the realm of hybrid Brain: Human Brain and AI[J]. arXiv preprint arXiv:, 2022.

創(chuàng)作聲明：包含?AI?輔助創(chuàng)作