标签
该论文提出了 GALA,一种无标签的增量式直推校准方法,可将无标签的 EEG 嵌入配准到已知图像库上,将 THINGS-EEG-2 上的跨受试者 top-1 准确率从 28% 提升至 67%,并在 60 种评估设置中优于其他无标签方法。
论文提出 SPD-MetaFormer,一种面向小数据脑信号解码的无注意力架构,基于 SPD 流形上均匀加权的 Fréchet 聚合,并发现现有流形注意力模型(MAtt、GBWAtt)学到的权重接近均匀分布,因此简化设计即可获得有竞争力的 EEG 基准结果。
本文提出了TriDim,一种用于EEG解码的可重用模块,它能保留空间和时间结构,在多个数据集上实现最先进的性能,并改进现有模型。
研究人员提出Brain-CLIPLM,一个两阶段脑电到文本解码框架,利用对比学习提取语义锚点,并结合基于检索的大语言模型(LLM)及思维链(CoT)推理进行句子重建。该方法在测试中达到67.55%的Top-5句子检索准确率和85.00%的Top-25准确率,显著优于直接解码基线模型,跨被试评估证实了其良好的泛化能力。研究结果表明,脑电到文本解码应聚焦于恢复压缩后的语义内容,而非完整句子重建。