An F-ratio-Based Method for Estimating the Number of Active Sources in MEG
本研究提出一种基于F比统计的方法，通过序贯比较完整模型与简化模型来准确估计MEG中活动源的数量，并在模拟、物理模型和人类数据上验证其优于AIC和MDL等现有方法。
2023-06-09 eess.SP
Effectiveness of Data Augmentation in Cellular-based Localization Using Deep Learning
最近，基于深度学习的定位系统由于其相对于传统方法的更高性能而受到关注。然而，获得基于深度学习的系统的预期性能需要大量数据来训练模型。获取这些数据通常是一个繁琐的过程，这阻碍了这种深度学习方法的利用。在本文中，我们介绍了一些技术，用于解决基于深度学习的蜂窝定位系统的数据收集问题。其基本思想是生成反映从小型收集数据集观察到的无线数据的典型模式的合成数据。在蜂窝定位案例研究中使用不同的Android手机对所提出的数据增强技术进行评估表明，我们可以分别将室内和室外场景中的定位系统的性能提高157%和50.5%。这突出了所提出的技术用于实现基于深度学习的定位系统的前景。
2019-06-11 eess.SP
Probabilistic Structure Learning for EEG/MEG Source Imaging with Hierarchical Graph Prior
Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Picower Institute for Learning and Memory（皮考尔学习与记忆研究所）；MIT（麻省理工学院）；The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
脑源成像是利用脑电（EEG）或脑磁图（MEG）记录无创地表征脑活动的重要方法。传统的EEG/MEG源成像（ESI）方法通常假设在不同时间点的源活动是不相关的，或者在整个研究期间存在相似的时空模式。前一种假设使ESI分析对噪声敏感，而后者使ESI分析无法解释随时间变化的活动模式。为了有效地处理噪声，同时保持大脑激活模式之间的灵活性和连续性，我们提出了一种新的概率ESI模型的基础上的层次图先验。根据我们的方法，生成树约束，确保活动模式具有时空连续性。提出了一种基于交替凸搜索的有效算法来求解该模型，并证明了该算法的收敛性。综合数值研究，使用合成数据的真实大脑模型进行不同水平的信号噪声比（SNR）从传感器和源空间。我们还研究了EEG/MEG数据在一个真正的应用程序中，我们的ESI重建是神经学上合理的。所有的结果表明，该算法显着改善的基准方法的源定位性能，特别是在高噪声水平。
2019-06-05 cs.LG eess.SP stat.AP
Fast Direct Localization for Millimeter Wave MIMO Systems via Deep ADMM Unfolding
部署在毫米波系统中的大规模阵列实现了高角分辨率性能，这反过来又促进了亚米级定位服务。虽然次优，到目前为止，最流行的定位方法是基于所谓的两步程序，其中三角测量应用于聚合的到达角（AoA）测量从协作基站。这主要是由于现有的直接定位方法在大规模系统中的计算成本过高。为了解决这个问题，我们提出了一个基于深度展开的快速直接定位求解器。首先将直接定位问题转化为联合$l_1$ - $l_{2,1}$范数稀疏恢复问题，然后采用交替方向乘子法（ADMM）求解.接下来，我们开发了一个深度ADMM展开网络（DAUN）来从训练数据中学习ADMM参数设置，并为DAUN提出了一个位置细化算法。最后，仿真结果显示了所提出的DAUN的优势，基线求解器在更好的定位精度，更快的收敛速度和显着降低计算复杂度。
2023-02-06 eess.SP
Multiview Variational Deep Learning with Application to Scalable Indoor Localization
利用许多接收机测量的无线电信道状态信息（CSI）是用于利用具有判别模型的机器学习来定位发射设备的良好资源。然而，CSI定位是不平凡的，当无线电地图是复杂的，如在建筑物走廊。本文介绍了一种基于WiFi信道状态信息的视点选择性深度学习（VSDL）室内定位系统。使用从多组接入点（AP）获得的CSI的多视图训练在监督变分深度网络上生成潜在特征。然后将此信息应用于用于主导视图分类的附加网络，以提高定位的回归精度。由于拒绝了来自多个视图的非信息性潜在特征，我们可以实现0.77 m的定位精度，其优于30 $\%$在真实建筑环境中的实际应用中的最佳已知精度。据我们所知，这是第一种方法，应用变分推理，并构建一个可扩展的无线电定位系统。此外，我们的工作研究了多视图数据的监督学习方法，其中信息和非信息视图共存。
2020-08-25 eess.SP
Localization with Deep Neural Networks using mmWave Ray Tracing Simulations
世界正在朝着更快的数据转换发展，更有效的用户本地化是首要要求。这项工作研究了使用深度学习技术进行无线定位，同时考虑毫米波（mmWave）和低于6 GHz的频率。学习新的神经网络模型的能力使得定位过程更容易和更快。在这项研究中，深度神经网络（DNN）被用于在两个静态场景中定位用户设备（UE）。我们提出了两种不同的方法来训练神经网络，一个使用信道参数（功能），另一个使用信道响应向量，并使用初步的计算机模拟比较其性能。我们观察到，前一种方法产生高的定位精度考虑到所有的用户有一个固定的多径分量（MPC）的数量，这种方法是依赖于MPC的数量。另一方面，后一种方法独立于MPC，但与第一种方法相比，它的性能相对较差。
2020-02-28 eess.SP
Deep Semantic Segmentation for Multi-Source Localization Using Angle of Arrival Measurements
针对动态环境下多源定位研究不足的问题，提出基于UNet、UNet++语义分割的深度学习框架，利用运动平台的到达角测量数据定位静止多源，在高噪声等复杂场景下仍能准确定位。
2025-06-11 eess.SP
A Deep-learning-based Method for PIR-based Multi-person Localization
基于热释电红外（PIR）传感器的无设备定位（DFL）因其低成本、低功耗、隐私保护等优点而备受关注。然而，大多数现有的基于PIR的DFL方法需要高部署密度来实现高定位精度。最近，一些工作提出，可以通过深入分析PIR传感器的模拟输出来降低部署密度。然而，这些方法还不能很好地处理多人场景下的定位任务。在本文中，我们提出了一种新的基于PIR的多人定位神经网络，它适当地利用了一系列的领域知识。具体而言，建议的网络包括两个模块：一个是用于确定的人数，另一个是用于确定他们的位置。同时，将人数统计模块进一步设计为两级网络：一级用于信号分离，另一级用于单人检测。定位模块也被设计成两级网络：一级用于信号提取，另一级用于单人定位。通过上述方法，在保持定位精度的前提下，将传统PIR方法的部署密度降低了约76%.
2020-04-09 eess.SP
Scenario-Agnostic Deep-Learning-Based Localization with Contrastive Self-Supervised Pre-training
本文提出CSSLoc框架，利用对比自监督预训练学习场景无关的无线信号表示，无需位置标签即可提升定位精度，并在典型室内场景中优于现有深度学习方法。
2025-08-05 eess.SP
Current Source Localization Using Deep Prior with Depth Weighting
Kobe University（神户大学）；Chiba University（千叶大学）
提出了一种基于深度先验的神经元电流源定位方法，该方法利用卷积网络表示电流源的更复杂的先验分布。深度先验被认为是一种不需要使用训练数据进行学习的无监督学习方法，并且随机初始化的神经网络用于使用单个观察来更新源位置。在我们以前的工作中，已经提出了一种基于深度先验的大脑中的电流源定位方法，但性能与传统方法（如sLORETA）的性能几乎不一样。为了改进基于Deep-Prior的方法，本文在Deep-Prior中引入了电流源的深度权值，深度权值相当于给表面电流分配更多的惩罚。对模拟脑磁图数据进行的电流源估计实验证实了该方法的有效性。
2022-03-26 cs.CV cs.LG eess.SP
Sparse wavelet-based solutions for the M/EEG inverse problem
本文针对EEG和MEG逆问题的强不确定性，提出在空间小波域引入稀疏正则化或先验，结合LASSO回归或稀疏贝叶斯学习，从传感器数据中实现脑活动的局部化与压缩估计，并在模拟和真实MEG数据上验证了定位性能。
2023-06-27 eess.SP stat.AP
Edge Sparse Basis Network: A Deep Learning Framework for EEG Source Localization
Southern University of Science and Technology（南方科技大学）；Wake Forest School of Medicine（维克森林医学院）；KU Leuven（鲁汶大学）
脑电源定位是脑电分析中的一个重要技术问题。尽管存在许多用于脑电源定位的数值方法，但它们都依赖于强先验，并且深源是难以处理的。在这里，我们提出了一个深度学习框架，使用空间基函数分解的EEG源定位。该框架结合了边缘稀疏先验和高斯源基，称为边缘稀疏基网络（ESBN）。通过合成数据和运动任务中的真实脑电数据验证了ESBN的性能。结果表明，监督ESBN优于传统的数值方法在合成数据和无监督的微调提供了更多的焦点和准确的定位在真实数据。我们提出的深度学习框架可以扩展到其他源先验，ESBN的实时性可以促进EEG在脑机接口和临床中的应用。
2021-06-16 cs.LG eess.SP
QuickLoc: Adaptive Deep-Learning for Fast Indoor Localization with Mobile Devices
Colorado State University（科罗拉多州立大学）
室内定位服务是在未来城市中实现智能网络物理系统的关键方面。这些服务有望重塑在各种室内和地下环境中导航和跟踪人员和资产的过程。随着智能手机拥有量的不断增加，通过深度学习实现基于便携式指纹的室内定位奠定了基础。然而，随着对精确定位的需求增加，相关联的深度学习模型的计算复杂性也增加。我们提出了一种方法，用于减少基于深度学习的室内定位框架的计算需求，同时保持定位精度目标。我们提出的方法在多个智能手机上进行了部署和验证，与最知名的基于基线深度学习的室内定位模型相比，预测延迟减少了42%，预测能量减少了45%。
2021-04-15 cs.LG cs.NI eess.SP
Improving the Performance of Deep Learning for Wireless Localization
室内定位系统通常基于WiFi或蓝牙低功耗（BLE）信标的接收信号强度指示符（RSSI）测量。在这种系统中，两种最常见的技术是三边测量和指纹识别，后者提供更高的精度。在指纹技术中，深度学习（DL）算法通常用于基于在接收器处接收的多个信标的RSSI测量来预测接收器的位置。在本文中，我们解决了将深度学习应用于无线定位的两个实际问题-将解决方案从一个无线环境转移到另一个\emph{and}小尺寸的标记数据集。首先，我们将自动超参数优化应用于用于室内无线定位的深度神经网络（DNN）系统，这使得系统易于移植到新的无线环境。其次，我们展示了如何使用未标记的数据集来增强一个典型的小标记数据集。通过应用这两种技术，我们观察到DL的性能有所提高。此外，所有相关代码都是免费提供的。
2020-06-16 cs.NI eess.SP
Decoding non-invasive brain activity with novel deep-learning approaches
Christ Church College University of Oxford（牛津大学基督堂学院）
本研究针对非侵入式脑电生理信号解码，提出应对信号变异性的深度学习解码与预测方法，并构建高试次内部言语脑数据集，揭示了内部言语解码的挑战性。
2025-10-13 cs.LG eess.SP q-bio.NC
Manifold-regression to predict from MEG/EEG brain signals without source modeling
Inserm（法国国家健康与医学研究院）；Paris Diderot University（巴黎第七大学）；Lariboisière Hospital（拉里博瓦西耶医院）；Assistance Publique Hôpitaux de Paris（巴黎公共援助医院）；Université Paris-Saclay（巴黎萨克雷大学）；Inria（法国国家信息与自动化研究所）；CEA（法国原子能和替代能源委员会）
脑磁图和脑电图（M/EEG）可以实时无创地揭示神经元动力学，因此在医学和神经科学中受到重视。最近的进展，在建模脑行为的关系，突出了黎曼几何总结的空间相关的时间序列从M/EEG的协方差方面的有效性。然而，伪迹抑制后，M/EEG数据往往是秩亏的，这限制了黎曼概念的应用。在这篇文章中，我们专注于秩降维协方差矩阵的回归任务。我们研究了两种黎曼方法，矢量化的M/EEG传感器之间的协方差通过投影到一个切空间。Wasserstein距离很容易适用于秩缩减的数据，但缺乏仿射不变性。这可以通过找到一个共同的子空间，其中协方差矩阵是满秩，使仿射不变的几何距离。我们研究了这两种方法在合成生成模型中的意义，这使我们能够控制线性模型预测的估计偏差。我们表明，Wasserstein和几何距离允许生成模型上的完美样本外预测。然后，我们评估的方法对真实数据的有效性，在预测年龄从M/EEG协方差矩阵。研究结果表明，数据驱动的黎曼方法优于不同的传感器空间估计器，并且它们接近需要MRI采集和繁琐的数据处理的生物制药驱动的源定位模型的性能。我们的研究表明，所提出的黎曼方法可以作为基本的积木自动化大规模分析M/EEG。
2019-11-22 cs.LG eess.SP stat.ML
Super-resolution Ultrasound Localization Microscopy through Deep Learning
Eindhoven University of Technology（埃因霍温理工大学）；Academic Medical Center, University of Amsterdam（阿姆斯特丹大学学术医学中心）；The University of Washington（华盛顿大学）
超声定位显微镜通过在众多成像帧上精确定位单个超声造影剂（微泡），实现了超分辨率血管成像。然而，高密度区域的微气泡点扩散响应之间的显着重叠的分析产生高的定位误差，限制了该技术的低浓度条件。因此，需要长的采集时间来充分覆盖血管床。在这项工作中，我们提出了一种快速和精确的方法，从高密度对比增强超声成像数据获得超分辨率血管图像。这种方法，我们称之为深度超声定位显微镜（Deep-ULM），利用现代深度学习策略，并采用卷积神经网络在密集场景中执行定位显微镜。这种端到端的全卷积神经网络架构使用在线合成数据进行有效训练，从而在各种成像条件下实现体内鲁棒推理。我们表明，深度学习在具有挑战性的造影剂密度下实现了超分辨率，无论是在计算机上还是在体内。Deep-ULM适用于实时应用，在标准PC上每秒可解析约70个高分辨率补丁（128 x128像素）。利用GPU计算，这个数字增加到每秒1250个补丁。
2018-12-13 cs.CV eess.IV eess.SP
Deep Reinforcement Learning (DRL): Another Perspective for Unsupervised Wireless Localization
位置是空间化物联网（IoT）数据的关键。然而，使用低成本IoT设备进行鲁棒的无监督定位（即，没有具有已知位置标签的训练数据的定位）。因此，本文提出了一种基于深度强化学习（DRL）的无监督无线定位方法。主要贡献如下。(1)本文提出了一种方法来模拟一个连续的无线定位过程的马尔可夫决策过程（MDP），并在DRL框架内处理它。(2)为了减轻在使用未标记数据时获得奖励的挑战（例如，日常生活中的众包数据），本文提出了一种奖励设置机制，该机制从未标记的无线接收信号强度（RSS）中提取鲁棒的地标数据。(3)为了减轻使用DRL进行本地化时对模型重新训练的要求，本文使用RSS测量与代理位置一起构建DRL输入。该方法是通过使用多个蓝牙5智能耳标在牧场的现场测试数据进行测试。同时，实验验证过程也反映了DRL在无线定位中的优势和挑战。
2020-04-09 cs.LG eess.SP stat.ML
DeepPos: Deep Supervised Autoencoder Network for CSI Based Indoor Localization
Amirkabir University of Technology（阿米尔卡比尔理工大学）
移动设备的普及促进了许多新应用程序和服务的出现。其中包括基于用户位置提供服务的基于位置的服务（LBS）。已经提出了几种技术来实现LBS，即使在全球定位系统（GPS）具有低定位精度的室内环境中。这些方法使用某些环境测量（如信道状态信息（CSI）或接收信号强度（RSS））来进行用户定位。在本文中，我们将使用CSI和一种新的深度学习算法来设计一个强大而高效的室内定位系统。更准确地说，我们使用监督自动编码器（SAE）使用在训练阶段收集的数据来对环境进行建模。然后，在测试阶段，我们使用训练好的模型，通过检查不同的可能标签来估计未知点的坐标。与以前的指纹识别方法不同，在这项工作中，我们不存储指纹的{CSI/RSS}，而是只使用单个SAE对环境进行建模。该方案的性能，然后在两个室内环境中进行评估，并与类似的方法进行比较。
2018-11-27 cs.AI cs.LG eess.SP
