脑机接口 / BCI

EEG-to-Voice Decoding of Spoken and Imagined speech Using Non-Invasive EEG

通过非侵入性EEG解码 spoken 和 imagined 语音

Hanbeot Park, Yunjeong Cho, Hunhee Kim

专题命中 EEG解码 ：EEG(title,abstract)；brain-computer interface(abstract)；neural signal(abstract)；分类 eess.SP、cs.LG

AI总结 本研究提出了一种无需显式时间对齐的EEG-to-Voice方法，通过非侵入性EEG信号直接重建说话和想象语音，结合生成器、语音编码器和自动语音识别模块，实现了稳定的声学重建和可比的语言准确性。

Comments 20 pages, 7 figures, 4 tables

Decoding EEG Speech Perception with Transformers and VAE-based Data Augmentation

基于变换器和基于VAE的数据增强的EEG语音感知解码

Terrance Yu-Hao Chen, Yulin Chen, Pontus Soederhaell, Sadrishya Agrawal, Kateryna Shapovalenko

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 EEG解码 ：EEG(title,abstract)；brain-computer interface(abstract)；分类 cs.LG、cs.HC

AI总结 本研究利用VAE和变换器模型提升EEG语音解码性能，通过数据增强和序列到序列架构改进语音感知任务。

Comments 19 pages, 15 figures, 2 tables

Emotion classification using EEG headset signals and Random Forest

基于EEG头戴设备信号和随机森林的情感分类

Ricardo Vasquez, Diego Riofrío-Luzcando, Joe Carrion-Jumbo, Cesar Guevara

专题命中 EEG解码 ：EEG(title,abstract)；brain-computer interface(abstract)；分类 cs.LG、cs.HC

AI总结 本研究利用EEG信号和随机森林模型对人类情感进行分类，实现了高准确率的情感预测与实时识别。

Comments Preprint. Published version: https://doi.org/10.23919/CISTI58278.2023.10211789

Journal ref In 2023 18th Iberian Conference on Information Systems and Technologies (CISTI), 2023

Clinically Calibrated Machine Learning Benchmarks for Large-Scale Multi-Disorder EEG Classification

临床校准的机器学习基准用于大规模多障碍EEG分类

Argha Kamal Samanta, Deepak Mewada, Monalisa Sarma, Debasis Samanta

机构 * Department of Electronics ； Electrical Communication Engineering Indian Institute of Technology, Kharagpur West Bengal, India ； Department of Computer Science ； Engineering Indian Institute of Technology, Kharagpur West Bengal, India ； Subir Chowdhury School of Quality ； Reliability Indian Institute of Technology, Kharagpur West Bengal, India 纠错

专题命中 EEG解码 ：EEG(title,abstract)；分类 cs.LG、cs.HC

AI总结 本研究通过临床校准的机器学习方法，实现了大规模多障碍EEG分类，提升了诊断灵敏度和实际应用价值。

Nonlinear Dynamical Modeling of Human Intracranial Brain Activity with Flexible Inference

非线性动态建模用于人类颅内脑活动的灵活推断

Kiarash Vaziri, Lucine L. Oganesian, HyeongChan Jo, Roberto M. C. Vera, Charles Y. Liu, Brian Lee, Maryam M. Shanechi

机构 * Ming Hsieh Department of Electrical and Computer Engineering, Viterbi School of Engineering, University of Southern California（明希学院电气与计算机工程系，维特比工程学院，南加州大学） ； Keck School of Medicine, University of Southern California（凯克医学院，南加州大学） 纠错

专题命中 EEG解码 ：brain-computer interface(abstract)；分类 q-bio.NC、cs.LG

AI总结 DFINE通过结合线性动态模型与非线性神经网络，有效建模多站点人类颅内脑电图动态，提升神经预测准确性并增强BCIs应用的灵活性。

ZIA: A Theoretical Framework for Zero-Input AI

ZIA：零输入AI的理论框架

Aditi De

机构 * Indian Institute of Technology Roorkee（印度理工学院罗奥基分校） 纠错

专题命中 EEG解码 ：EEG(abstract)；分类 cs.LG、cs.HC

AI总结 ZIA提出了一种基于多模态融合的零输入AI框架，通过整合生物信号和上下文数据实现前瞻性意图预测，提升实时推理效率与准确性。

Somatosensory prediction in premature neonates: iatrogenic pain experience increases repetition suppression and deviance detection of innocuous stimuli in a tactile oddball protocol

早产新生儿的体感预测：医源性疼痛经历会增加对无害刺激的重复抑制和偏差检测

Anne-Lise Marais, Victoria Dumont, Marie Anquetil, Arnaud Mortier, Anne-Sophie Trentesaux, Nadege Roche-Labarbe

专题命中 EEG解码 ：EEG(abstract)；分类 q-bio.NC

AI总结 早产新生儿经历医源性疼痛会增强对无害刺激的体感预测能力，表明子宫内经历促进预测性体感处理的成熟。