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

/pdf/ 2021-05-20

1.标题：Deep Learning in EEG: Advance of the Last Ten-Year Critical Period (EEG中的深度学习：过去十年关键期的进展)

(资料图片仅供参考)

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

3.所属单位：S. Gong和K. Xing隶属于中国四川大学生命科学学院；A. Cichocki隶属于俄罗斯斯科尔科沃科学技术学院和波兰科学院系统研究所；J. Li隶属于英国埃塞克斯大学计算机科学与电子工程学院和中国吴依大学脑-仿生智能和计算神经科学实验室。

4.关键字：Deep Learning, EEG, artifacts removal, deep learning models, brain-computer interface, disease detection, emotion recognition

5.网址：/pdf/

6.总结： (1):本文的研究背景是EEG领域中深度学习的发展情况。过去十年间，深度学习在语音识别和计算机视觉等领域取得了极好的性能，但在EEG领域的研究相对较少。 (2):过去的方法存在一些问题，其中一个是EEG信号的伪迹去除。本文提到了过去十年中在EEG处理和分类中使用的深度学习模型，并对其进行了简要介绍。此外，本文介绍了深度学习在EEG领域的应用，包括脑机接口、疾病检测和情绪识别等方面。文中还讨论了深度学习的优缺点，并提出了未来的发展方向。 (3):本文提出了使用深度学习方法来处理和分类EEG信号。具体介绍了一些深度学习模型在EEG处理中的应用。 (4):本文的方法在EEG领域中实现了脑机接口、疾病检测和情绪识别等任务，并取得了显著的进展。绩效支持了他们的研究目标。 7. 方法：

(1): 本文的方法采用深度学习模型来处理和分类EEG信号。首先，对EEG信号进行预处理，包括去除伪迹和滤波处理。然后，使用不同的深度学习模型对预处理后的信号进行处理和分类。结合多个模型的结果，可以提高分类性能和准确率。

(2): 在EEG信号预处理中，采用了伪迹去除和滤波处理。伪迹去除方法可以排除来自外部干扰和运动伪迹等无关信号。滤波处理可以降低噪声干扰和信号频率间的不一致性。

(3): 在深度学习模型中，可以使用多种架构，如卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆（LSTM），来处理和分类EEG信号。每种模型都具有不同的优势和适用场景。

(4): 在采用深度学习模型处理和分类EEG信号时，还需要考虑到信号的时空特性和多通道信号的特点。可以使用注意力机制来关注重要的信号信息。

(5): 在实际应用中，深度学习模型可以用于脑机接口、疾病检测和情绪识别等任务。通过训练模型和优化参数，可以实现高效准确的分类和识别。

8.结论：

(1): 本文的意义在于回顾了过去十年EEG领域中深度学习的发展情况，为正在从事该领域研究的学者提供了一个总结，促进了他们的研究进展。

(2): 创新点：本文在EEG领域中应用了深度学习模型，对信号进行预处理和分类，取得了一些显著进展。性能表现：通过使用不同的深度学习模型、优化参数和多通道信息，本文的方法在脑机接口、疾病检测和情绪识别等任务中实现了高效准确的分类和识别。工作量：本文对过去十年来在EEG领域中深度学习的研究进行了综述，收集了大量相关文献并进行整理分析，工作量较大。

Deep Optimal Transport for Domain Adaptation on SPD Manifolds

/pdf/ 2023-07-07

1.标题：Deep Optimal Transport for Domain Adaptation on SPD Manifolds 2.作者：Ce Ju, Cuntai Guan 3.所属单位：新加坡南洋理工大学（Nanyang Technological University） 4.关键字：Domain Adaptation, Optimal Transport, Riemannian Manifolds, Geometric Deep Learning, Neural Signal Processing 5.网址：/pdf/, None 6.总结： - (1): 本文的研究背景是解决在对称正定（SPD）流形上的领域适应（DA）问题，特别是对于由医疗设备生成的复杂神经生理数据。 - (2): 过去的方法包括协方差移位适应方法和正则化最优传输方法。这些方法在应用于处理协方差矩阵时存在复杂性问题。本文提出深度最优传输方法的动机是为了解决这些问题。 - (3): 本文提出了一种基于深度学习的迁移学习方法，称为深度最优传输。该方法利用最优传输理论，结合SPD流形的对数欧几里得几何。 - (4): 实验结果表明，该方法在处理所提出的具体DA问题时具有良好的效果，在处理源域和目标域之间的边际和条件分布差异时表现出很好的性能。 7. 方法：

(1): 在对称正定（SPD）流形上构建最优传输的领域适应框架，称为OT-DA框架。首先，建立了在SPD流形上计算最优传输的基本原理，对任何平方距离函数的梯度进行了形式化表示。

(2): 利用离散传输计划构建c-凹函数，并利用引理1和引理2获得连续传输计划。通过算法1实现了在SPD流形上的离散最优传输问题的计算，即计算源样本和目标样本之间的传输计划。

(3): 提出了基于深度学习的领域适应方法，称为深度最优传输（DOT），用于处理SPD矩阵值特征。在SPD流形上构建了具有Bi-Map、ReEig和LOG等层的神经网络架构，用于从SPD矩阵值特征中提取判别信息。

(4): 将在SPD流形上的距离函数替换为Riemannian距离，将DOT视为针对SPD矩阵值特征的DeepJDOT架构的一种特定变体。通过定义一个目标函数，利用交替参数更新方法进行优化。

(5): 根据应用场景中的特定条件，提出了几种DOT的变体，这些变体只考虑类数据的中心点而不是每个单独的数据点。

(6): 基于Marginal Distribution Adaptation (MDA)和Conditional Distribution Adaptation (CDA)的方案，分别解决了边际分布适应和条件分布适应的问题。

结论：

(1): 该研究在解决对称正定（SPD）流形上的领域适应问题方面具有重要意义，特别是在处理复杂神经生理数据方面。通过引入深度最优传输（DOT）方法，可以有效地处理源域和目标域之间的边际和条件分布差异，为神经生理研究和医疗科学领域提供了有力的工具。

(2): 创新点：该研究通过利用最优传输理论和SPD流形的几何特性，提出了深度最优传输（DOT）的方法。该方法能够在处理SPD矩阵值特征时获得良好的性能。该方法的创新点在于将最优传输应用于神经生理数据的领域适应问题，并结合了深度学习的技术。

性能表现：实验结果表明，深度最优传输方法在处理所提出的具体领域适应问题时表现出很好的性能。它能够有效地减少源域和目标域之间的分布差异，提高领域适应的准确性。与其他方法相比，在处理协方差矩阵时具有更高的效率和准确性。

工作量：深度最优传输方法在设计和实现上具有一定的工作量。其中，基于深度学习的DOT架构的构建和优化是一项繁琐的任务。此外，深度最优传输方法的实验验证需要收集大量的神经生理数据和进行复杂的计算。因此，该方法在实际应用中可能需要高工作量的数据处理和计算资源。

根据以上总结，该研究提出的深度最优传输方法在处理领域适应问题方面具有重要的意义，并在创新点、性能表现和工作量等方面有一定的优势和挑战。

In the realm of hybrid Brain: Human Brain and AI

/pdf/ 2022-10-25

标题：In the realm of hybrid Brain: Human Brain and AI（混合大脑领域：人脑和人工智能）

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

所属单位：ICELab, IbrAIn center, Department of electrical and Computer Engineering, Aarhus University, Aarhus, Denmark（奥胡斯大学，电气与计算机工程系，ICELab，IbrAIN中心）

关键字：Artificial intelligence (AI), Brain-computer interfaces (BCI), neuromorphic engineering, Neuroscience, Neural Interfaces, Neuroprostheses（人工智能（AI），脑机接口（BCI），神经形态工程学，神经科学，神经界面，神经假肢）

网址：/pdf/

总结：

(1): 本文研究背景为近期神经科学和工程技术的发展，使得记录大脑信号并对其进行解码成为可能。

(2): 过去的方法主要集中在治疗性结果上，已经证明了作为辅助和康复技术对于严重运动障碍患者的有效性。然而，过去的方法存在一些问题，包括性能需要进一步改进以在日常生活中使用的挑战。因此，本文具有良好的研究动机来探索结合人工智能和先进脑机接口的研究方法。

(3): 本文提出了一种基于脑机接口技术的脑启发式人工智能方法，它结合了脑启发式人工智能算法和神经形态硬件，用于处理来自大脑的数据。

(4): 本文的方法实现了更好的对深层脑区域的访问和对大脑功能和工作机制的理解，从而提高了脑机接口系统的稳定性和效率。通过结合脑启发式人工智能算法和神经形态硬件，本文的方法成功解码了多模态神经信号并提供了反馈给用户。绩效支持了他们的目标，为诊断、预测和治疗神经和精神障碍提供了新的可能性。

结论：

(1): 本文的意义在于探索将人工智能和先进脑机接口技术相结合的研究方法，为治疗和康复技术的发展提供新的可能性，并为诊断、预测和治疗神经和精神障碍提供更好的解决途径。

(2): 创新点：本文创新性地提出了一种基于脑机接口技术的脑启发式人工智能方法，通过结合脑启发式人工智能算法和神经形态硬件来处理来自大脑的数据，实现了对深层脑区域的更好访问和大脑功能工作机制的理解。

性能表现：本文方法成功解码了多模态神经信号并提供反馈给用户，体现了较好的绩效，为未来的研究和应用提供了良好的基础。

工作量：在研究过程中，作者们充分利用了神经科学和工程技术的发展，通过实验和分析，提出了脑启发式人工智能算法和基于神经形态硬件的解码方法，完成了对混合大脑领域的初步探索。

参考文献：

【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.

创作声明：包含 AI 辅助创作