BrainGB: A Benchmark for Brain Network Analysis with Graph Neural Networks
Emory University（埃默里大学）；University of California, Los Angeles（加州大学洛杉矶分校）；University of Pittsburgh（匹兹堡大学）；Lehigh University（理海大学）
使用结构或功能连接绘制人脑的连接体已经成为神经成像分析的最普遍的范例之一。最近，基于几何深度学习的图神经网络（GNN）由于其建模复杂网络数据的能力而引起了广泛的兴趣。尽管GNN在许多领域都表现出色，但目前还没有系统地研究如何为大脑网络分析设计有效的GNN。为了弥合这一差距，我们提出了BrainGB，这是一个使用GNN进行大脑网络分析的基准。BrainGB通过（1）总结功能和结构神经成像模式的大脑网络构建管道和（2）模块化GNN设计的实现来简化这一过程。我们在跨队列和模式的数据集上进行了广泛的实验，并推荐了一套在大脑网络上进行有效GNN设计的通用配方。为了支持基于GNN的大脑网络分析的开放和可重复研究，我们在https://braingb.us上托管BrainGB网站，其中包含模型，教程，示例以及开箱即用的Python包。我们希望这项工作将提供有用的经验证据，并为未来的研究在这个新颖的和有前途的方向提供见解。
2022-11-29 cs.LG cs.NE q-bio.NC
Myelin and saltatory conduction
髓鞘，少突胶质细胞及其在大脑病理生理学中的功能相关性的基本教程。
2017-08-01 q-bio.NC q-bio.TO
Automatic Sleep Stage Classification with Cross-modal Self-supervised Features from Deep Brain Signals
Tsinghua University（清华大学）
人类睡眠阶段的检测被广泛用于神经和精神疾病的诊断和干预。部分植入脑深部电刺激器的患者可以从脑深部记录其神经活动。基于脑深部记录的睡眠阶段分类具有为患者提供更精确治疗的巨大潜力。现有的基于局部场电位的睡眠阶段分类器的准确性和通用性仍然有限。我们提出了一种适用的跨模态迁移学习方法，用于植入设备的睡眠阶段分类。这种端到端的深度学习模型包含跨模态自监督特征表示、自注意和分类框架。我们用12名帕金森病患者的脑深部记录数据测试了该模型。睡眠阶段分类的最佳总准确率达到83.2%。结果表明，语音自监督特征可以有效地捕捉睡眠阶段的转换模式。提出了一种新的从声信号到局部场电位的迁移学习方法。该方法为临床数据规模不足提供了有效的解决方案。这种睡眠阶段分类模型可以适用于帕金森病患者日常生活中的慢性和连续监测睡眠，并可能用于深度脑机接口（如闭环深度脑刺激）中的更精确治疗。
2023-02-07 cs.LG eess.SP q-bio.NC
A Survey on Deep Learning-based Non-Invasive Brain Signals:Recent Advances and New Frontiers
University of New South Wales（新南威尔士大学）；Harvard University（哈佛大学）；University of Technology Sydney（悉尼科技大学）；Macquarie university（麦考瑞大学）；Lehigh University（里海大学）
脑机接口（Brain-Computer Interface，BCI）通过将人的大脑信号解码为计算机设备可识别的指令，将人的神经世界与外部物理世界连接起来。近年来，深度学习显著提升了脑机接口系统的性能。在这篇文章中，我们系统地研究了脑机接口的脑信号类型和脑信号分析的相关深度学习概念。然后，我们提出了一个全面的调查深度学习技术用于脑机接口，通过总结超过230的贡献，最在过去五年中发表。最后，我们讨论了基于深度学习的脑机接口的应用领域，开放的挑战和未来的发展方向。
2020-10-21 cs.HC cs.LG eess.SP
BrainWave: A Brain Signal Foundation Model for Clinical Applications
Computer Science and Technology（计算机科学与技术）；Zhejiang University（浙江大学）；Chinese Academy of Sciences（中国科学院）；INSIDE Institute for Biological and Artificial Intelligence（生物与人工智能研究所）；Research Institute of Intelligent and Complex Systems（智能与复杂系统研究所）；Fudan University（复旦大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；University of Chicago（芝加哥大学）
针对个体差异、病症多样等导致的神经信号建模难题，该研究提出首个适配侵入/非侵入式记录的脑信号基础模型BrainWave，经超4万小时数据预训练，在疾病诊断等任务上达最优，且具备强泛化能力，开源后将助力临床与神经科学研究。
2026-09-29 cs.AI cs.LG eess.SP
Brain Signals Analysis Based Deep Learning Methods: Recent advances in the study of non-invasive brain signals
Cleveland State University（克利夫兰州立大学）
大脑信号构成了由数百万大脑神经元（神经细胞和脑细胞）处理的信息。这些脑信号可以使用各种非侵入性技术记录和分析，如脑电图（EEG），脑磁图（MEG）以及脑成像技术，如磁共振成像（MRI），计算机断层扫描（CT）和其他，这将在本文中简要讨论。本文讨论了目前新兴的技术，例如使用不同的深度学习（DL）算法来分析这些大脑信号，以及这些算法如何通过应用信号解码策略来帮助确定一个人的神经状态。
2021-12-30 cs.AI cs.CV cs.LG
EEG-GAN: Generative adversarial networks for electroencephalograhic (EEG) brain signals
University of Freiburg（弗莱堡大学）
生成对抗网络（GANs）最近在涉及图像的生成应用中非常成功，并开始应用于时间序列数据。在这里，我们将EEG-GAN描述为生成脑电图（EEG）大脑信号的框架。我们对Wasserstein GANs的改进训练进行了修改，以稳定训练并研究一系列对时间序列生成至关重要的架构选择（最明显的是上采样和下采样）。为了进行评估，我们考虑并比较了不同的指标，如Inception评分，Frechet inception距离和切片Wasserstein距离，共同表明我们的EEG-GAN框架生成了自然的EEG示例。因此，它在神经科学和神经学背景下开辟了一系列新的生成应用场景，例如脑机接口任务中的数据增强，EEG超采样或损坏数据段的恢复。产生特定类别和/或具有特定属性的信号的可能性也可能为研究大脑信号的潜在结构开辟新的途径。
2018-06-05 cs.LG eess.SP q-bio.NC
MindBigData 2022 A Large Dataset of Brain Signals
了解我们的大脑是最艰巨的任务之一，如果不使用技术，我们就无法完成这项任务。MindBigData旨在提供与各种人类活动相关的大脑信号的全面和更新的数据集，因此它可以激发使用机器学习算法作为从原始大脑活动“解码”性能到其相应（标签）精神（或物理）任务的基准。使用商业的自我，脑电图设备或定制的由我们建立的探索技术的极限。我们描述了每个子数据集的数据收集过程，以及用于捕获它们的每个耳机。此外，我们报告了脑机接口或BCI领域的可能应用，这些应用可能会影响数十亿人的生活，几乎每个领域都有，比如医疗保健游戏改变用例，工业或娱乐等等，最后为什么不直接使用我们的大脑来“去中介”感官，作为最终的HCI（人机交互）设备？这就是我们所说的从打字到触摸再到说话再到思考的过程。
2022-12-27 cs.CV cs.LG eess.SP
FAST-Brain: A Flow-Aligned Spatio-Temporal Surrogate Brain Model
FAST-Brain提出流对齐时空代理模型，结合图卷积与Transformer，直接预测BOLD信号，在低维子空间假设下误差随内在维度缩放，实验证明其在恢复功能连接等方面达到最先进性能。
2026-09-29 cs.LG q-bio.NC
ToFFi -- Toolbox for Frequency-based Fingerprinting of Brain Signals
Nicolaus Copernicus University（尼古拉·哥白尼大学）；Polish Academy of Sciences（波兰科学院）；Université de Montréal（蒙特利尔大学）；Institute of Physiology and Pathology of Hearing（生理与病理研究所）；University of Dundee（邓迪大学）
光谱指纹（SF）是人类大脑感兴趣区域的独特功率谱特征（ROI，Keitel & Gross，2016）。SF允许准确的ROI识别，并且可以用作非神经典型组所表现出的差异的生物标志物。目前，还没有开源的通用工具来计算光谱指纹。我们通过为基于频率的指纹识别（ToFFi）创建模块化，高度可配置的MATLAB语言来填补这一空白。它可以使用解剖（AAL，Desikan-Killiany），功能（Schaefer）或其他自定义体积脑包裹提供的ROI将MEG/EEG信号转换为独特的频谱表示。可编程设计支持再现性和并行计算。
2021-10-19 cs.LG q-bio.NC
Electroencephalography source connectivity: toward high time/space resolution brain networks
人脑是一个大规模的网络，其功能依赖于空间分布区域之间的动态交互。在快速发展的网络神经科学领域，两个尚未解决的挑战是潜在的突破。首先，应该通过非侵入性和易于使用的神经成像技术来估计功能性脑网络。其次，这些技术的时间/空间分辨率应该足够高，以评估所识别的网络的动态。新兴的证据表明，脑电图（EEG）源连接方法可以提供解决这两个问题，只要头皮EEG信号进行适当的处理。因此，EEG源连接方法的性能强烈依赖于信号处理（SP），涉及各种方法，如预处理技术，逆解，信号之间的统计耦合和网络科学。本教程式综述的主要目的是概述EEG源连接。我们描述的主要贡献，SP社区带来了这一研究领域。我们强调需要认真解决的方法问题，以获得相关的结果，我们强调目前的局限性，需要进一步调查。我们还报告了在正常和病理大脑状态下的具体应用中获得的结果。最后指出了信号处理方法和应用的发展方向
2018-01-08 q-bio.NC
MindBigData 2023 MNIST-8B The 8 billion datapoints Multimodal Dataset of Brain Signals
本文发布MindBigData 2023 MNIST-8B，一个含80亿数据点、基于单受试者128通道EEG并对应MNIST全部70,000个数字的多模态脑信号数据集。
2023-06-01 cs.CV cs.LG q-bio.NC
On the use of Pairwise Distance Learning for Brain Signal Classification with Limited Observations
Instituto Superior Tecnico（高等技术学院）；Universitat Politecnica de Catalunya（加泰罗尼亚理工大学）
越来越多的使用脑电图获得脑信号数据，为研究电生理脑活动和进行神经元疾病的门诊诊断创造了新的机会。这项工作提出了一种成对的远程学习方法，精神分裂症的分类依赖于信号的光谱特性。鉴于有限数量的观察（即病例和/或对照个体）在临床试验中，我们提出了一个连体神经网络架构，学习一个判别特征空间，从成对组合的观察每个通道。通过这种方式，信号的多变量阶数被用作数据增强的一种形式，进一步支持网络泛化能力。卷积层与余弦对比损失下学习的参数，提出了充分探索来自大脑信号的光谱图像。对病例对照人群的结果表明，使用所提出的神经网络提取的特征导致对光谱特征的改进的精神分裂症诊断（准确性和灵敏度+10pp），从而表明存在非平凡的、有区别的电生理脑模式。
2019-09-06 cs.CV cs.LG cs.NE
Multimodal Higher-Order Brain Networks: A Topological Signal Processing Perspective
Federal University of Pernambuco（伯南布哥联邦大学）；Universitas Mercatorum（Mercatorum大学）；University of Amsterdam（阿姆斯特丹大学）
本文提出基于拓扑信号处理的多模态框架，通过高阶拓扑域建模脑部，利用扩散MRI和静息态fMRI学习个体化脑细胞复合体，揭示高阶相互作用的拓扑特征及其与行为的关联。
2026-03-31 eess.SP q-bio.NC
Method for Evaluating the Number of Signal Sources and Application to Non-invasive Brain-computer Interface
Institute of Artificial Intelligence（人工智能研究所）；M.V.Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Rebis LLC（Rebis有限责任公司）；Aicumene LLC（Aicumene有限责任公司）；Neurosputnik LLC（Neurosputnik有限责任公司）
本文提出基于多谐波信号模型的脑机接口数据分析方法，解决信号源数量评估问题，并通过非侵入式脑机接口数据验证其有效性。
2024-09-26 cs.CV cs.HC eess.SP
Graph Frequency Analysis of Brain Signals
本文介绍了从图谱角度分析功能脑网络和信号的方法。频率和滤波器的概念，传统上定义的信号上支持的规则域，如离散时间和图像网格，最近已被推广到不规则图形域，并定义了大脑图形频率与不同水平的空间平滑度跨大脑区域。大脑网络频率还可以将大脑信号分解为对应于平滑或快速变化的片段。当感兴趣的网络表示功能连接时，我们将图频率与主成分分析联系起来。当受试者掌握一个简单的运动技能时，这些方法被用来分析大脑网络和信号。我们观察到，对应于不同图形频率的大脑信号在整个学习过程中表现出不同程度的适应性。此外，我们注意到大脑网络的图形频谱特性与执行任务的暴露水平之间存在很强的关联，并在不同的任务熟悉度下识别出最有贡献和最重要的频率特征。
2016-05-03 cs.CE cs.SI q-bio.NC
Denoising and Frequency Analysis of Noninvasive Magnetoencephalography Sensor Signals for Functional Brain Mapping
脑磁图（Magnetoencephalography，MEG）是一种重要的无创、无危害的脑功能成像技术，可测量脑内神经元电流产生的磁场。然而，大多数情况下，MEG传感器数据收集过程中的固有噪声水平大到足以掩盖感兴趣的信号。本文提出了一种基于小波变换和多分辨率信号分解技术的阈值去噪技术，并通过应用结果进行了验证。此后，对去噪的MEG信号执行不同的频率分析，以识别去噪信号中存在的脑振荡的主要频率。还提供了去噪信号的时频图（频谱图）。
2015-03-19 physics.ins-det q-bio.NC
Learning Signal Subgraphs from Longitudinal Brain Networks with Symmetric Bilinear Logistic Regression
现代神经成像技术与最先进的数据处理管道相结合，使得收集不同年龄个体大脑连接体的纵向观察成为可能。研究大脑连接性如何随时间变化与人类认知特征的关系具有重大的科学意义。在脑连接组学中，个体的结构性脑网络对应于脑区域之间的一组互连。我们提出了一个对称的双线性逻辑斯谛回归学习一组小的子图相关的二进制结果从纵向脑网络，以及估计的时间效应的子图。我们强制提取的信号子图具有团结构，其具有吸引人的解释，因为它们可以与神经电路相关。每个信号子图的时间效应反映了其对结果的预测效果如何随时间变化，这可能会提高我们对大脑结构老化和神经系统疾病之间相互作用的理解。这种方法在纵向脑连接组学和认知能力数据上的应用显示了有趣的发现，即额叶和颞叶中的一小组脑区域之间的相关互连具有比竞争对手更好的预测性能。
2019-08-15 q-bio.NC stat.AP
BrainMAE: A Region-aware Self-supervised Learning Framework for Brain Signals
The Pennsylvania State University（宾夕法尼亚州立大学）；Institute for Computational and Data Sciences, The Pennsylvania State University（宾夕法尼亚州立大学计算与数据科学研究所）
针对fMRI脑网络表示学习中Fixed-FC无法捕捉时间动态且Dynamic-FC易受噪声影响的问题，提出区域感知自监督框架BrainMAE，通过图注意力机制和掩码自编码捕捉时间动态并提升鲁棒性，在四个下游任务中显著优于基线。
2024-06-24 cs.LG q-bio.NC q-bio.QM
EEG2IMAGE: Image Reconstruction from EEG Brain Signals
使用想象视觉的脑信号重建图像可以为残疾人提供增强的视觉，从而导致脑机接口（BCI）技术的进步。深度学习的最新进展推动了使用生成对抗网络（GAN）从大脑信号合成图像的研究领域。在这项工作中，我们提出了一个框架，合成的图像从大脑活动记录的脑电图（EEG）使用小尺寸的EEG数据集。当受试者要求可视化某些类别的物体和英语字符时，使用EEG从受试者的头部头皮记录这种大脑活动。我们使用的对比学习方法，在建议的框架中提取特征的脑电信号和合成的图像提取的特征，使用条件GAN。我们修改损失函数来训练GAN，这使得它能够使用少量图像合成128 × 128图像。此外，我们进行消融研究和实验，以显示我们提出的框架的有效性超过其他国家的最先进的方法，使用小的EEG数据集。
2023-03-18 cs.HC q-bio.NC
Integrating EEG and MEG signals to improve motor imagery classification in brain-computer interfaces
我们提出了一种融合的方法，结合功能，同时记录脑电图（EEG）和脑磁图（MEG）信号，以提高分类性能的运动图像为基础的脑机接口（BCI）。我们将我们的方法应用于一组15名健康受试者，并发现与alpha和beta波段的标准单模态方法相比，分类性能有显着增强。总之，我们的研究结果表明，考虑多模式方法作为补充工具，以改善非侵入性脑机接口的影响的优势。
2018-03-26 q-bio.NC
Optimal signal transmission and timescale diversity in a model of human brain operating near criticality
本研究开发人脑二阶平均场模型，发现临界性是实现最优信号传输与时间尺度多样性的统一机制，结构连接体与临界性共同塑造了大脑的内在时间尺度层级。
2024-12-22 physics.bio-ph q-bio.NC
Natural brain-information interfaces: Recommending information by relevance inferred from human brain signals
从万维网等大型文档集中查找相关信息是我们日常生活中的一项常见任务。用户的兴趣或搜索意图的估计是必要的，以推荐和检索相关的信息，从这些集合。我们介绍了一个大脑信息接口，用于推荐信息的相关性直接从大脑信号推断。在实验中，参与者被要求阅读维基百科上关于一系列主题的文档，同时记录他们的脑电图。基于词的相关性的预测，个人的搜索意图建模，并成功地用于检索新的，相关的文件从整个英文维基百科语料库。结果表明，用户对数字内容的兴趣可以从阅读引起的大脑信号建模。所引入的大脑相关性范例使得能够在没有任何显式用户交互的情况下推荐信息，并且可以应用于各种信息密集型应用。
2016-07-12 cs.HC cs.IR q-bio.NC
Topological Time Frequency Analysis of Functional Brain Signals
提出一种结合持久同调与时频表示的拓扑框架，用于分析功能性脑信号，可提取多尺度拓扑特征并识别0维与1维结构，在静息态fMRI数据上验证了其有效性与应用潜力。
2025-04-21 physics.data-an q-bio.NC
MarmoNet: a pipeline for automated projection mapping of the common marmoset brain from whole-brain serial two-photon tomography
RIKEN Center for Brain Science（理化学研究所脑科学中心）；Keio University School of Medicine（庆应义塾大学医学院）；Okinawa Institute of Science and Technology（冲绳科学技术大学院大学）；Kyoto University（京都大学）；Janelia Farm Research Campus（珍妮莉亚农场研究园区）
了解大脑中的连通性是了解大脑如何处理信息的重要前提。在Brain/MINDS项目中，对绒猴大脑的连接性研究使用轴突投射的双光子显微镜荧光图像，以介观尺度从定义的大脑区域收集神经元连接性。图像的处理需要轴突示踪剂信号的检测和分割。目标是检测尽可能多的示踪剂信号，同时不将其他背景结构误分类为信号。这可能是具有挑战性的，因为成像噪声、杂乱的图像背景、失真或变化的图像对比度会导致问题。我们正在开发MarmoNet，这是一个处理和分析普通绒猴大脑示踪图像数据的管道。该管道采用了基于人工卷积神经网络（CNN）和图像配准技术的最先进的机器学习技术，以稳健的方式提取和映射所有相关信息。流水线以完全自动化的方式处理新图像。本报告介绍了管道示踪剂信号分析部分的现状。
2019-08-02 cs.LG eess.IV q-bio.NC
Entropy analyses of spatiotemporal synchronizations in brain signals from patients with focal epilepsies
研究了20例不同脑源性、不同发作类型、不同年龄和性别的癫痫患者的脑内脑电图（EEG）数据（近7亿个数据）。多通道单变量振幅分析表明，时间依赖性香农熵可以用来预测局灶性癫痫发作发作在不同的致痫性脑区的不同患者。利用熵的空间或时间差异，进一步研究了癫痫发作间期和发作间期患者致痫区和非致痫区脑信号同步化的形成和时间演变。
2010-02-18 physics.bio-ph physics.data-an q-bio.NC
Optimal Transport for Brain-Image Alignment: Unveiling Redundancy and Synergy in Neural Information Processing
University of Tulsa（图拉大学）；Tsinghua University（清华大学）；Clemson University（克莱姆森大学）；The University of Arizona（亚利桑那大学）
本文提出基于最优传输的脑图像对齐方法，替代均方误差实现全局匹配，控制传输量抑制冗余，应用于脑字幕生成，在十项指标上超越先前最佳，并揭示大脑信息处理的冗余与协同。
2025-10-06 cs.AI cs.CV cs.LG
Peripheral brain interfacing: Reading high-frequency brain signals from the output of the nervous system
提出利用肌肉传感器和深度学习解码脊髓运动神经元输出，以非侵入性方式估算并读取中枢神经系统部分神经活动，为人机接口提供新途径。
2025-06-27 q-bio.NC
Dark Signals in the Brain: Augment Brain Network Dynamics to the Complex-valued Field
本文提出物理信息驱动的数据驱动框架，用Hilbert变换引入作为共轭动量的潜在“暗信号”，将全脑活动提升到复值场，显著提升预测与拟合并揭示有效连接的年龄及任务重构。
2025-09-29 q-bio.NC
EEG Signal Processing and Classification for the Novel Tactile-Force Brain-Computer Interface Paradigm
所提出的研究探讨了在何种程度上，传递到手持操纵杆的手的推力刺激可以作为一个平台，脑机接口（BCI）。四个压力方向用于唤起触觉脑电位反应，从而定义了一个战斗力脑机接口（tfBCI）。我们提出了大脑信号处理和分类程序，导致成功的接口结果。实验结果与七个主题进行在线BCI实验提供了一个验证的手的位置tfBCI范例，而通过显着的信息传输率照亮的概念的可行性。
2013-10-17 cs.HC q-bio.NC
On why a few points suffice to describe spatiotemporal large-scale brain dynamics
最近引入的启发式信号处理方案显示了如何通过稀疏时空点过程有效地表示大脑信号。该方法已被验证不同的相关条件下，证明保留和压缩的信号信息的一个令人惊讶的大部分。在本文中，这种压缩成功的条件进行了调查，以及这种良好的性能的根本原因。结果表明，关键在于所考虑的时间序列的相关性。据发现，具有长程相关性的信号特别适合于这种类型的压缩，其中拐点包含大部分的信息。由于这种类型的相关性在自然界的信号中无处不在，包括音乐、天气模式、生物信号等，我们期望这种方法成为分析这些问题的有用工具。
2017-07-03 q-bio.NC
Seeing through the Brain: Image Reconstruction of Visual Perception from Human Brain Signals
Microsoft Research Asia（微软亚洲研究院）
针对EEG噪声大、时序动态且难解码的问题，本文提出NeuroImagen流水线，通过多层级感知信息解码和潜在扩散模型，从便携脑电信号重建高分辨率视觉刺激图像。
2023-08-16 cs.AI cs.CV cs.MM
Phase/amplitude synchronization of brain signals during motor imagery BCI tasks
脑功能特征的提取是脑机接口定义的关键步骤。在过去的十年中，功能连接（FC）估计已越来越多地探索基于他们的能力，捕捉多变量脑信号之间的同步。然而，潜在的神经生理机制和它们可以在多大程度上提高BCI相关任务的性能，仍然知之甚少。为了解决这一知识差距，我们考虑了一组20名健康受试者在脑电图为基础的手部运动想象（MI）的任务。我们研究了两个完善的FC估计，即频谱和相干性，并研究了它们是如何调制的MI任务。我们通过提取每个EEG传感器的连接强度来表征所得到的FC网络，并将其与标准功率谱特征的判别功率进行比较。在组水平上，结果表明，虽然频谱相干的网络功能增加了控制侧运动区，那些基础上的相干性下降。我们证明，这种相反的，但互补的行为分别由大脑信号之间的幅度和相位同步的增加决定。在个人层面上，我们证明了在MI精神状态分类中包括这些网络连接特征会导致准确性的整体提高。总之，我们的研究结果提供了新的见解，振荡机制subserving大脑网络的变化，在MI和提供新的视角，以提高BCI的性能。
2019-12-05 q-bio.NC stat.AP
A New Approach in MRI Signal Processing for Detecting the Axonal Organization of the Brain
本文介绍了一种在弥散磁共振成像中重建脑白质纤维通路的新方法。通常，信号强度值将在较高扩散率的方向上较小。所提出的方法挑选的扩散灵敏度梯度方向（dSGD），信号强度是微小的。将这些视为最大扩散率的方向，我们生成围绕拾取的dSGD均匀分布的方向。这些新计算的均匀间隔的方向被认为是在重建过程中使用的梯度方向。现有的算法如均匀梯度方向（UGD）算法在梯度方向上存在冗余，自适应梯度方向（AGD）算法存在每个体素求解两次线性方程组的约束。这两个限制在本研究中同时被拒绝。在多室混合模型中，利用所提出的方法估计梯度方向，计算纤维取向。仿真和实际数据实验验证了该方法的可行性。
2022-07-24 eess.IV q-bio.NC
Fusion Learning from Dynamic Functional Connectivity: Combining the Amplitude and Phase of fMRI Signals to Identify Brain Disorders
Guangdong Provincial Key Laboratory of Multimodal Big Data Intelligent Analysis（广东省多模态大数据智能分析重点实验室）；School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院）
提出多尺度融合学习框架MSFL，结合滑动窗口相关和相位同步两种互补的动态功能连接特征，在自闭症和抑郁症数据集上显著优于现有模型。
2026-06-12 cs.AI q-bio.NC
Human Brain Mapping based on COLD Signal Hemodynamic Response and Electrical Neuroimaging
为了了解人脑的工作，需要与大脑功能相关的测量。这些测量应尽可能是非侵入性的。在测量过程中应尽可能少地干扰大脑。各种模态的整合在理解人类大脑的认知和行为变化方面起着至关重要的作用。它是关于在某些病理条件下神经功能和功能障碍的特定方面的汇聚证据的重要来源。皮质血流的局灶性变化与神经元活动的变化紧密相关。这构成了映射血流动力学反应和推断皮质处理原则的选项，即使是复杂的任务。EEG的高时间分辨率和NIRS良好的空间分辨率使得这种同步测量成为研究人类大脑中大规模神经元网络时空动力学的独特方法。这种两种技术的结合将有助于克服特定方法的局限性。如脑电图（EEG）对非同步神经事件的不敏感性或近红外光谱（NIRS）对低代谢需求的缺乏。EEG和NIRS的组合将比两种模式中的两种单独分析提供更多信息。
2013-07-16 cs.ET q-bio.NC
Unsupervised learning of control signals and their encodings in $\textit{C. elegans}$ whole-brain recordings
最近在$\textit{C. elegans}$上进行的全脑成像实验已经揭示了神经元群体动力学对低维流形上的运动命令和行为之间的定型转换进行编码。在这个流形上描述动态特性的努力已经使用分段线性模型来描述整个状态空间，但尚不清楚单个全局动态模型如何生成所观察到的动态。在这里，我们提出了一个控制框架，以实现这样一个全球性的动态模型，从而基本的线性动态致动稀疏控制信号。该方法以无监督的方式从数据中学习控制信号，然后使用$\textit{ Dynamic Mode Decomposition with control}$（DMDC）创建第一个可以重建全脑成像数据的全局线性动力学系统。这些控制信号被证明是牵连在行为之间的过渡。此外，我们分析了这些控制信号的时间延迟编码，表明这些转换可以从先前参与行为转换的神经元中预测，但也可以从先前未识别的其他神经元中预测。此外，我们的分解方法允许人们理解所观察到的非线性全局动力学，而不是线性动力学与控制。所提出的数学框架是通用的，可以推广到其他神经感觉系统，可能揭示过渡和他们的编码在一个完全无监督的方式。
2020-04-13 q-bio.NC q-bio.QM
Brain-IT-VQA: From Brain Signals to Answers
Weizmann Institute of Science（魏茨曼科学研究所）
提出 Brain-IT-VQA 框架，基于 fMRI 脑信号解码语言令牌并结合语言模型进行视觉问答，在 NSD-VQA 新基准上显著优于先前方法，并用于分析脑区对视觉信息的贡献。
2026-10-06 cs.AI cs.CV q-bio.NC
Towards an End-to-End Framework for Invasive Brain Signal Decoding with Large Language Models
Cooperative Medianet Innovation Center, Shanghai Jiao Tong University（上海交通大学合作medianet创新中心）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出一个端到端框架，利用大型语言模型的推理能力直接解码侵入式脑信号，取得了媲美最先进级联模型的效果，为语音神经假体和脑机接口研究指明了新方向。
2024-06-17 cs.CL cs.SD eess.AS
One Brain, Omni Modalities: Towards Unified Non-Invasive Brain Decoding with Large Language Models
Tsinghua University（清华大学）；Shanghai AI Laboratory（上海人工智能实验室）；ShanghaiTech University（上海科技大学）
NOBEL通过统一EEG/MEG与fMRI信号，利用大型语言模型实现多模态非侵入式脑解码，提升解码准确性和对视觉语义的解读能力。
2026-02-25 cs.AI cs.CL q-bio.NC
Evaluating Graph Signal Processing for Neuroimaging Through Classification and Dimensionality Reduction
IMT Atlantique（IMT大西洋高等电信学校）
图形信号处理（GSP）是一个很有前途的框架来分析多维神经成像数据集，同时考虑到大脑信号之间的空间和功能依赖性。在目前的工作中，我们应用降维技术的基础上，图形表示的大脑解码大脑活动的真实和模拟的fMRI数据集。我们介绍了从a）几何结构和/或b）休息时大脑区域之间的功能连接获得的七个图，并在进行分类降维时对它们进行比较。我们表明，使用a）和b）的混合图提供了最好的性能。我们还表明，图采样方法比经典的降维，包括主成分分析（PCA）和独立成分分析（ICA）的表现更好。
2017-08-28 cs.CV q-bio.NC stat.ML
A Penny for Your Thoughts: Decoding Speech from Inexpensive Brain Signals
Carnegie Mellon University（卡内基梅隆大学）
本文研究利用EEG信号解码语音，通过在Meta解码器上引入受试者特定注意力、个性化空间注意力和双路径RNN等修改，验证了个性化架构对脑到语音解码的改进潜力。
2025-10-28 cs.AI cs.CL cs.HC
Fractal and Multifractal Properties of Electrographic Recordings of Human Brain Activity: Toward Its Use as a Signal Feature for Machine Learning in Clinical Applications
大脑是一个在多个时间尺度上运行的系统，跨时间尺度的动态特性仍然是一个挑战。研究这种动力学的一个框架是分形几何。然而，目前还没有建立的方法来研究大脑动力学的分形几何，由于在概念和技术上的理解的方法的许多挑战。我们的目标是突出一些应用分形几何脑动力学的实际挑战，并提出解决方案，使其在神经科学中更广泛的使用。使用颅内记录的EEG和模拟数据，我们比较了单分形和多重分形方法对信号方差的敏感性。我们发现两者都与信号方差密切相关，因此没有提供有关信号的新信息。然而，在对信号应用逐时标准化程序后，我们发现，与信号方差、功率和其他已建立的EEG信号测量相比，多重分形测量可以提供非冗余信息。我们还比较了不同的多重分形估计方法，发现Chhabra-Jensen算法性能最好。最后，我们研究了采样频率和历元长度对多重分形特性的影响。使用癫痫发作作为EEG中的一个例子事件，我们表明，可能有一个最佳的时间尺度来检测癫痫发作周围的多重分形特性的时间变化。我们强调的实际问题和我们建议的解决方案应该有助于开发一个强大的方法，分形几何在EEG信号中的应用。我们的分析和观察也有助于从理论上理解大脑的多重分形特性，并可能为大脑信号研究的新发现提供依据。这些对于理解神经功能和开发新的治疗方法至关重要。
2018-12-11 cond-mat.stat-mech cs.IT math.IT
