Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Smart Logistics Model for Supply Chain Management via Brain-Inspired Geometric Deep Networks.

Biomimetics (Basel, Switzerland)·2026
Same author

Developing an Artificial Intelligence Solution to Autosegment the Edentulous Maxillary Bone for Implant Planning.

European journal of dentistry·2026
Same author

GAN-Based Cross-Modality Brain MRI Synthesis: Paired Versus Unpaired Training and Comparison with Diffusion and Transformer Models.

Biomimetics (Basel, Switzerland)·2026
Same author

An Intelligent Multi-Task Supply Chain Model Based on Bio-Inspired Networks.

Biomimetics (Basel, Switzerland)·2026
Same author

State-Dependent CNN-GRU Reinforcement Framework for Robust EEG-Based Sleep Stage Classification.

Biomimetics (Basel, Switzerland)·2026
Same author

A Bionic Sensing Platform for Cell Separation: Simulation of a Dielectrophoretic Microfluidic Device That Leverages Dielectric Fingerprints.

Biomimetics (Basel, Switzerland)·2025

相关实验视频

Updated: Jul 9, 2025

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software
06:50

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software

Published on: October 30, 2018

9.5K

从大脑活动中通过改进的深度网络提取突出的算术数据.

Nastaran Khaleghi1, Shaghayegh Hashemi2, Sevda Zafarmandi Ardabili3

  • 1Department of Electrical and Computer Engineering, University of Tabriz, Tabriz 51666-16471, Iran.

Sensors (Basel, Switzerland)
|December 9, 2023
PubMed
概括
此摘要是机器生成的。

这项研究引入了一种新的CNN-GAN模型来解码大脑,将脑电图 (EEG) 信号映射到视觉刺激中. 该模型准确地从EEG数据中重建了MNIST数字,证明了先进的大脑与计算机接口的潜力.

关键词:
蒙尼斯特主义者 (Mnist)数学内容的内容深度学习是一种深度学习.一个电脑电图 (electroencephalogram) 是一个电脑电图.视觉感知 视觉感知 视觉感知

更多相关视频

Modeling the Functional Network for Spatial Navigation in the Human Brain
05:55

Modeling the Functional Network for Spatial Navigation in the Human Brain

Published on: October 13, 2023

1.1K
Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
08:51

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

5.7K

相关实验视频

Last Updated: Jul 9, 2025

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software
06:50

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software

Published on: October 30, 2018

9.5K
Modeling the Functional Network for Spatial Navigation in the Human Brain
05:55

Modeling the Functional Network for Spatial Navigation in the Human Brain

Published on: October 13, 2023

1.1K
Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
08:51

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

5.7K

科学领域:

  • 神经科学是一个神经科学.
  • 人工智能的人工智能
  • 计算机视觉 计算机视觉

背景情况:

  • 自动大脑解码需要从环境刺激中解释神经活动.
  • 分析视觉刺激大脑记录有助于理解视觉感知对大脑活动的影响.

研究的目的:

  • 调查算术概念对与视觉相关的大脑记录的影响.
  • 提出一个高效的卷积神经网络-生成对抗网络 (CNN-GAN),用于将脑电图 (EEG) 映射到突出的图像特征.

主要方法:

  • 开发了一个CNN-GAN模型,CNN部分利用深度-1D卷积来分类大脑信号.
  • 美国有线电视新闻网将EEG信号分为10个类别,对应于修改国家标准与技术研究所 (MNIST) 数字.
  • 美国有线电视新闻网的输出被输入到一个微调的GAN中,用于图像重建.

主要成果:

  • 在14个频道的MindBigDataEEG记录中,CNN组件实现了95.4%的平均分类准确率.
  • CNN-GAN模型表现出高性能,SSIM和CC的突出度量分别为92.9%和97.28%.
  • 通过微调训练CNN-GAN权重来实现成功的基于EEG的MNIST数字重建.

结论:

  • 拟议的CNN-GAN模型有效地将EEG信号映射到视觉刺激,使MNIST数字的准确分类和重建成为可能.
  • 这项研究推进了大脑解码能力,特别是在理解视觉感知和神经活动之间的关系方面.
  • 这些发现表明,在认知神经科学中开发复杂的大脑-计算机接口和应用程序的巨大潜力.