深度度度学习与局部敏感采矿用于自我纠正源分离神经尖端信号的神经尖端信号

科学领域:

• 神经工程是神经工程.
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 自动化源分离算法对于将神经生理信号分解为尖端源至关重要.
• 噪音较大或复杂的录音会导致这些算法出现错误,降低性能,需要手动校正.

研究的目的:

• 提出一种用于神经生理信号分解的自动错误校正方法.
• 研究深度度度度学习 (DML) 技术,以识别和分配尖端事件.
• 开发一种改进的DML方法,以准确纠错错误.

主要方法:

• 利用深度度度度学习 (DML) 框架来创建嵌入式空间,用于增强事件.
• 调查了不同的DML技术,以保护类内语义结构.
• 引入了局部敏感采矿,这是对DML损失的采样增量.

主要成果:

• 拟议的DML框架成功地生成了嵌入空间,用于识别和分配尖端事件.
• 位置敏感采矿显著增强了嵌入空间的本地语义结构.
• 该方法自动识别错误标记的尖端事件,并具有很高的准确性.

结论:

• 使用DML和局部敏感挖矿开发的自动化错误纠正方法有效.
• 这种方法减少了手动清理神经生理学数据的需要.
• 这些发现推动了神经工程和神经科学领域的自动化分析.