由于脑肿瘤的高发病率和致命性，快速且准确地检测和分类脑肿瘤变得尤为重要。脑肿瘤包括恶性和非恶性两种类型，其异常生长会对大脑造成长期损害。磁共振成像（MRI）是一种常用的脑肿瘤检测方法。然而，依赖于专家手工分析 MRI 影像存在结果不一致的风险，同时仅仅识别肿瘤是不够的，快速确定肿瘤类型以尽早开始治疗同样重要。 为了提高肿瘤检测的速度、可靠性和公正性，本研究探索了多种深度学习（Deep Learning, DL）架构，包括 VGG16、InceptionV3、VGG19、ResNet50、InceptionResNetV2 和 Xception，并提出了基于最佳三种传递学习（Transfer Learning, TL）模型的新模型 IVX16。本文的多类分类模型旨在解决当前主要集中在二分类问题...

睡眠阶段分类在睡眠质量评估和疾病诊断中至关重要。然而，现有的分类方法在处理时间延变的多通道脑信号的空间和时间特征、应对个体生物信号差异以及模型的可解释性方面仍然面临诸多挑战。传统的机器学习方法依赖于复杂的特征工程，而深度学习方法尽管在特征表示学习上表现出色，但在空间-时间特征利用、跨个体泛化能力以及模型可解释性方面仍有待提升。 为了应对上述挑战，北京交通大学的Ziyu Jia等人以及麻省理工学院的Li-Wei H. Lehman提出了一种多视角时空图卷积网络（Multi-View Spatial-Temporal Graph Convolutional Networks, MSTGCN），并结合域泛化用于睡眠阶段分类。 论文来源 这篇论文由北京交通大学计算机与信息技术学院的Ziyu Jia,...

研究背景 脑机接口技术（brain-computer interface, BCI）可以实现大脑与外部设备的直接通信，广泛应用于人机交互、运动康复、医疗等领域。BCI的常见范式包括稳态视觉诱发电位（steady-state visual evoked potentials, SSVEP）、P300、运动想象（motor imagery, MI）等。其中，MI-BCI因其广泛应用前景而备受关注。 MI-BCI通常使用脑电图（electroencephalography, EEG）信号检测运动想象，使得用户能够通过想象运动来控制设备，如电动轮椅、光标和上肢机器人。然而，脑活动的不稳定性和低信噪比（signal-to-noise ratio, SNR），以及个体间信号的差异和EEG信道间的相关性，...

系统评估欧几里德对齐与深度学习在EEG解码中的应用 背景介绍 脑电图（EEG）信号由于其无创性、便携性和低采集成本，广泛用于脑机接口（BCI）任务。然而，EEG信号存在低信噪比、易受电极位置影响及空间分辨率差等缺点。随着深度学习（DL）技术的进展，该技术在BCI领域表现出色，甚至在某些情况下超过了传统的机器学习方法。然而，DL模型对数据需求量大是其主要障碍。多受试者数据的迁移学习（Transfer Learning， TL）通过共享数据能够更高效地训练DL模型。欧几里得对齐（Euclidean Alignment，EA）因其易用性、低计算复杂度和与DL模型兼容性，逐渐受到关注。但现有研究对EA结合DL的全局和个体模型训练效果评估较少。这篇论文旨在系统性评估EA和DL结合对BCI信号解码训练性...