研究背景及研究目的 癫痫是一种自发性且严重的神经系统疾病，表现为反复发作，全球有大约5000万人受其影响[1]。尽管近年来抗癫痫药物（ASM）的发展有所进步，药物难治性癫痫（Drug-Resistant Epilepsy，DRE）仍影响着20%到30%的癫痫患者[1-3]。DRE患者不仅面临巨大的经济、社会和心理负担，但需长时间的药物试验才能确诊。早期识别高风险患者，可以为施行如癫痫手术、神经调控或生酮饮食等治疗方式提供更早的干预。 以往的研究已指出DRE的风险因素包括：早期发病、高频率发作、脑电图（EEG）异常、神经缺陷、认知障碍、创伤史和颅内结构病变等[5-9]。然而，对于新诊断的癫痫患者，这些因素的重要性尚不明确，因此需要综合工具来早期识别高风险患者。 脑电图在癫痫领域扮演着不可或缺的...
深度睡眠网络：基于单通道EEG的自动睡眠阶段评分模型 背景介绍 睡眠对于人体健康具有重要影响，监测人们的睡眠质量在医学研究和实践中至关重要。通常，睡眠专家通过分析多种生理信号（如脑电图 (EEG)、眼动电图 (EOG)、肌电图 (EMG) 和心电图 (ECG)）进行睡眠阶段评分。这些信号被称为多导睡眠图 (Polysomnogram, PSG)，经分类后用于确定个体的睡眠状态。然而，这种手动方法耗时且费力，需要专家持续数夜对多个传感器进行记录并分析。 基于多信号（如EEG、EOG和EMG）或单信号EEG的自动睡眠阶段评分方法已得到广泛研究。然而，大多数现有方法依赖于手工特征提取，这通常根据数据集的特性进行设计，无法推广到具有异质性的更大人群中。此外，较少方法考虑了用于识别睡眠阶段转换规则的时...
MI-EEG解码中基于注意力机制的时间依赖学习卷积神经网络（CNN） 研究背景与问题描述 脑机接口（Brain-Computer Interface, BCI）系统提供了一种通过实时翻译大脑信号与计算机进行通信的新途径。近年来，BCI技术逐渐在为瘫痪患者提供辅助和预防性护理方面发挥了重要作用。现有的许多BCI系统依赖于非侵入性且相对便捷的脑电图（EEG）信号记录来追踪大脑活动。然而，即使在同一MI任务期间，不同时期产生不同MI相关模式的时间依赖性特性也往往被忽略，从而大大限制了MI-EEG解码性能。 论文来源与作者信息 论文《A Temporal Dependency Learning CNN with Attention Mechanism for MI-EEG Decoding》于202...
脑机接口（Brain-Computer Interface, BCI）是将神经系统与外部环境连接的一种通讯手段。运动想象（Motor Imagery, MI）是BCI研究的基石，它指在运动执行前的内在演练（Internal Rehearsal）。非侵入性技术如脑电图（Electroencephalography, EEG）因其成本效益高与便利性，可以高时间分辨率记录神经活动。当受试者想象移动身体特定部位时，大脑特定区域会发生能量变化（ERD/ERS），这些变化可以通过EEG记录并用于辨别运动意图。MI基础的BCI系统已经取得显著进展，能够控制外骨骼和光标，特别是与虚拟现实技术结合，用于中风康复的潜力更为显著。 目前，MI解码方法的高性能是这种系统成功的关键。然而，相比于依赖外部刺激的其它BC...
脑机接口（Brain-Computer Interface, BCI）作为一种新增强通信与控制技术近年来逐渐崭露头角。基于电生理特征（如脑电图，EEG）的BCI中，运动想象（Motor Imagery, MI）是一个重要分支，通过解码用户的运动意图用于临床康复、智能轮椅控制、及光标控制等领域。然而，由于EEG信号的复杂性，如低信噪比（Signal-to-Noise Ratio, SNR）、非平稳性、低空间分辨率和高时间分辨率等特点，准确解码运动意图仍具有挑战性。现有的MI基BCI解码主要使用传统机器学习和深度学习方法。传统机器学习通常分为特征提取和特征分类两个独立步骤，方法包括快速傅里叶变换（Fast Fourier Transform, FFT）、通用空间模式（Common Spatial...
基于卷积神经网络（CNN）的图像分割流程用于个体化猫脊髓刺激建模 背景与研究动机 脊髓刺激（Spinal Cord Stimulation, SCS）是一种被广泛应用于慢性疼痛管理的治疗方法。近年来，它也被用于调节神经活动，旨在恢复失去的自主或感知运动功能。个性化的建模和治疗计划是确保SCS安全有效的重要方面。然而，生成所需细节和准确性水平的脊柱模型需要耗时且劳动密集的手工图像分割，由人类专家进行。因此，迫切需要自动化分割算法，以便在数据有限的情况下也能生成高质量的解剖模型。 论文来源 本文由Alessandro Fasse、Taylor Newton、Lucy Liang、Uzoma Agbor、Cecelia Rowland、Niels Kuster、Robert Gaunt、Elvir...
背景介绍 网络剪枝（Network Pruning）是设计高效卷积神经网络（CNNs）模型的重要技术。其通过减少内存占用和计算要求，同时保持或提高总体性能，使得在资源受限设备（如手机或嵌入式系统）上部署CNNs变得可行。当前的假设是许多模型参数过多，即包含大量不必要或冗余的参数，剪枝这些冗余参数可以生成更小且更高效的模型，这不仅适用于资源受限设备，还可以在某些情况下提高模型的泛化能力。 现有的剪枝方法中，滤波器剪枝（Filter Pruning）和权重剪枝（Weight Pruning）都是流行的技术。权重剪枝是一种非结构化剪枝，指根据个别权重的重要性对其进行剪枝而不考虑任何特定的结构或模式。而滤波器剪枝则是结构化剪枝方法的一种，它依据某些标准对整个滤波器进行剪枝，同时保持网络的整体结构。 ...
基于卷积神经网络对头部冲击动力学测量去噪的研究与应用 研究背景 轻度脑外伤（MTBI）是一种全球性的健康威胁。人类在诸如跌倒、交通事故和运动等情况下常面临MTBI的风险。据统计，2016年全球有超过2700万例脑外伤病例，其中80%为“轻度”脑外伤，即症状相对较轻但可能引发长期病理变化。MTBI病情分类通常通过格拉斯哥昏迷量表评分进行，分数高于12的患者被归类为轻度脑外伤患者。虽然急性期后症状可能迅速恢复，但长期来看患者可能会出现慢性创伤性脑病（CTE）等并发症。 为了量化头部冲击对脑的影响，研究人员开发了多种可穿戴传感器技术来测量头部运动学参数，这些系统包括头部冲击遥测系统（HITS）、XPatch、头带/头巾传感器以及装置在牙托上的传感器。然而，由于这些传感器与人体接口的固有不完美，它们...
跨主体脑机接口：基于卷积神经网络的领域对抗训练实现实时注意力解码 学术背景 注意力解码在我们日常生活中扮演着至关重要的角色，其基于脑电图（EEG）的实现已经引起了广泛关注。然而，由于EEG信号在个体间的显著差异性，为每个人训练一个通用的模型在实践中是不可行的。因此，本文提出了一种端到端的脑机接口（BCI）框架，旨在解决这一挑战，特别是利用了时间和空间的一维卷积神经网络（1D CNN）及领域对抗训练策略（Domain-Adversarial Training）。 传统注意力解码方法通常依赖于预定义的特征提取和模式分类技术，如线性判别分析（LDA）和支持向量机（SVM），但这些方法在处理跨主体数据时表现出局限。另外，深度学习方法虽然在分类性能上表现出色，但如何处理EEG信号的显著个体差异性依旧是...
GMConv:实现对神经网络卷积核有效感受野的调节 前言 卷积神经网络（Convolutional Neural Networks，简称CNNs）通过卷积核的使用在计算机视觉任务上取得了显著的成功，包括图像分类、目标检测等。然而，近年来视觉转换器（Vision Transformers，简称ViTs）的出现逐渐受到关注，因为它们在视觉识别任务中表现优异，有时甚至超越了CNNs。尽管如此，改善CNNs的努力从未止步，许多研究工作致力于设计新的CNN架构，特别是大核卷积CNNs在准确性等方面展现了与最先进的ViTs相媲美的表现。 本文研究的重点在于CNN中的有效感受野（Effective Receptive Fields，简称ERFs），ERF表示特定输入像素对输出像素的贡献。研究发现ERFs通...