相关实验视频
Updated: Jul 13, 2025
Cortical Source Analysis of High-Density EEG Recordings in Children
Published on: June 30, 2014
深度学习可解释性方法对EEG的实证比较,使用模拟的基底真相
Akshay Sujatha Ravindran1,2,3, Jose Contreras-Vidal4,5
1Noninvasive Brain-Machine Interface System Laboratory, Department of Electrical and Computer Engineering, University of Houston, Houston, 77204, USA. akshay.s.ravindran@gmail.com.
深度学习 (DL) 模型的可解释性对于脑电图 (EEG) 是至关重要的. 在EEG神经解码方面,DeepLift被证明是强大的,与其他在审查下失败的方法不同.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 深度学习 (DL) 增强了脑电图 (EEG) 解码,但缺乏可解释性.
- 了解DL模型解释对于可靠的基于EEG的应用程序至关重要.
结论:
- 提供了对EEG中DL神经解码器模型解释方法的综述.
- 为选择和解释解释方法提供建议.
- 强调了像DeepLift这样强大的方法对EEG分析的重要性.
更多相关视频
08:22Author Spotlight: Advancing the Study of Brain-Heart Interplay with a Comprehensive EEGLAB Plugin for Multimodal Signal Analysis
Published on: April 26, 2024
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015