论文阅读笔记：Electroencephalogram Helps Few-Shot Learning

原创 已于 2025-08-14 16:02:36 修改 · 987 阅读 · 12 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#论文阅读 #笔记 #脑机接口 #人工智能

于 2025-08-11 16:01:11 首次发布

这篇文章主要介绍了一种用EEG辅助图片分类的方法，实现在少样本条件下的图像分类。代码：https://github.com/SaMueL1u/EEG_HELPS_FEW_SHOT_LEARNING.git

一、研究背景和目的

对于机器来说，利用有限的样本学习信息实现图像分类是很困难的，但对于人脑而言，人脑具有泛化性，可以通过少数几个例子就可以轻松识别新物体；研究认为人脑的这种泛化能力可体现在 EEG 信号中，所以该文章考虑将EEG加入图像分类的少样本训练中，以辅助图像分类。

二、研究方法：两阶段法

1、第一阶段：预训练编码器

图像经过图像编码器得到I^+，和该图像一类的EEG经过EEG编码器后得到的特征为e^+，和该图像不是一类的EEG经过EEG编码器后得到的特征为e^-，利用Si

最低0.47元/天 解锁文章
学习笔记03 脑电分析-论文阅读总结
2401_89643394的博客
07-31 670
本研究基于EEG技术探究不同冥想状态的脑电特征差异，通过改进PSO-NGN-Fuzzy-XGBoost混合模型实现了四种冥想状态的高精度分类。研究从频域、时域和非线性维度提取21种特征，结合神经气体网络降维和粒子群优化，发现前额叶高频活动、β/α比值等关键区分特征。实验表明短时样本分类准确率近100%，长时样本受疲劳影响准确率下降。研究发现冥想状态与特定脑区（如前额叶）及频段（如β波）活动密切相关，为冥想训练和神经调节设备开发提供了理论依据。
文献阅读笔记：脉冲神经网络最新文献整理-II
Grow into a more wonderful you
09-10 906
研究前沿：2025年脉冲神经网络（SNN）应用进展 本文汇总了2025年SNN领域7项最新研究：1）韩国团队开发基于伯努利分布的SNN模型用于植物叶片病害检测；2）首尔大学提出节能型首次脉冲时间编码方法；3）清华大学开发多室时空反向传播的高效学习算法；4）加拿大研究显示FORCE训练下SNN学习速度受噪声影响；5）中国团队研发抗随机攻击的fMRI-SNN语音识别系统；6）印度学者将优化SNN应用于宫颈癌自动分类；7）印度团队提出基于3D NoC的高性能SNN计算架构。这些研究展现了SNN在生物医学、节能计算
精读论文4——《Deep learning for electroencephalogram (EEG) classification tasks: a review》
m0_62353117的博客
03-10 4885
这篇文章是一篇关于用于EEG分类的深度学习方法的综述：发表在Journal of Neural Engineering Which EEG classification tasks have been explored with deep learning? 共有六种分类的任务：运动想象任务（Motor imagery tasks）、脑力工作任务（Mental workload tasks）、癫痫检测任务（Seizure detection tasks）、睡眠阶段评分任务（Sleep stage sc.
EEG-GNN论文阅读和分析：《EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks》
KPer_Yang的博客
01-13 5118
EEG-GNN论文阅读和分析：《EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks》
AMDET: Attention based Multiple Dimensions EEG Transformer for Emotion 论文精读
sxn0121的博客
05-28 1838
Abstract—Affective computing is an important subfield of artificial intelligence, and with the rapid development of braincomputer interface technology, emotion recognition based on EEG signals has received broad attention. It is still a great chall
学习笔记（三）：WiFi-Sleep
a_beatiful_knife的博客
06-06 3381
学习笔记（三）：使用商用无线网络设备的睡眠阶段监控 《WiFi-Sleep: Sleep Stage Monitoring Using Commodity Wi-Fi Devices》读书笔记   本文利用来自多天线的CSI信息，以信号处理方法来提取准确的呼吸和身体运动信息。并引入深度学习方法，结合临床睡眠医学先验知识，在有限的数据源(即只有呼吸和身体运动信息)下实现阶段睡眠监测。结果表明，以多导睡眠图(黄金参考标准)来衡量WiFi-Sleep的性能时，WiFi-Sleep达到81.8%的准确性，相当于雷
阅读：An unsupervised eye blink artifact detection method for real-time electroencephalogram processing
GuFrank的博客
07-23 219
摘要：据报道，眨眼伪影会影响额部脑电图信号的θ和α节律，由于个体差异较大，很难在无监督的情况下准确检测到。在本研究中，我们提出了一种不使用任何标记训练数据自动实时检测眨眼伪影的新方法。该方法将基于数字滤波器的瞬态伪影检测方法与自动阈值分割算法相结合。...
推荐文章：EEG-GCNN —— 以图卷积网络革新脑电信号诊断
gitblog_00084的博客
06-13 540
推荐文章：EEG-GCNN —— 以图卷积网络革新脑电信号诊断 项目地址:https://gitcode.com/neerajwagh/eeg-gcnn 在神经科学与人工智能的交汇点，一项创新工具正在引领变革——EEG-GCNN（Electroencephalogram-guided Graph Convolutional Neural Network）。由伊利诺伊大学厄巴纳-香槟分校生物工程系...
阅读《Detection of Eye Blink Artifacts from Single Prefrontal Channel Electroencephalogram》小结-含code
GuFrank的博客
07-19 280
本文结合数字滤波器和基于规则的决策系统，提出了一种从单通道额叶脑电信号中检测眨眼伪影的新方法，并通过24例健康受试者的脑电信号数据集验证了该方法的性能。
Negative-Sample-Free Contrastive Self-Supervised Learning for Electroencephalogram-Based Motor Imagery Classification的代码怎么跑
04-28
### 关于 Negative-Sample-Free Contrastive Self-Supervised Learning 的运行方法 Negative-Sample-Free Contrastive Self-Supervised Learning 是一种无负样本对比自监督学习框架，其核心在于通过正样本之间的...
论文笔记（一百零六）RynnVLA-002: A Unified Vision-Language-Action and World Model
xzs1210652636的博客
12-02 1043
本文提出了RynnVLA-002，一个将视觉-语言-动作(VLA)模型与世界模型相统一的创新框架。该模型通过联合学习环境动态和动作规划，实现了视觉理解与动作生成的相互促进。研究采用了混合架构设计，结合离散联合建模和连续的Action Transformer头，有效解决了自回归动作生成中的错误累积问题，提升了泛化能力和推理速度。实验结果表明，在LIBERO仿真基准上，RynnVLA-002取得了97.4%的成功率；在真实机器人任务中，其集成的世界模型使整体成功率提升了50%，显著优于单独的VLA或世界模型。
【论文笔记】​嵌套学习 Nested Learning: The Illusion of Deep Learning Architectures​
心宝的博客
11-29 147
本文提出了一种称为"嵌套学习"的新学习范式，将机器学习模型视为一组嵌套的多层优化问题。该框架揭示了现有深度学习方法通过压缩自身上下文流来学习数据的本质，并解释了大模型中上下文学习能力的涌现。核心贡献包括：(1) 将优化器重新解释为关联记忆模块，提出了深度优化器；(2) 开发了自修改序列模型，通过学习自身更新算法实现自我改进；(3) 提出连续统记忆系统，超越了传统长短期记忆的局限。实验表明，结合这些创新的HOPE架构在语言建模、持续学习和长上下文推理任务中表现优异。嵌套学习为深度学习提供了
[论文阅读] AI + 软件工程 | 首测GPT-4.1/Claude Sonnet 4适配能力：LLM多智能体在SE领域的潜力与局限
张较瘦
11-30 1078
本文开展首个关于LLM-based多智能体系统在软件工程（SE）数据集适配任务的实证研究。为实现SE研究工件跨数据集的自动化适配（提升可扩展性与可复现性），以搭载GPT-4.1和Claude Sonnet 4的GitHub Copilot为研究对象，针对ROCODE、LogHub2.0等基准仓库，设计五阶段评估流程（文件理解、代码编辑、命令生成、验证、最终执行），衡量成功率、分析失败模式，并验证提示干预效果。结果表明：当前系统可识别关键文件、生成部分适配代码，但极少产出功能正确的实现；而“提供执行错误信息”
论文阅读《Audit Games with Multiple Defender Resources》
m0_67450301的博客
12-02 817
参数图。
通感一体化(ISAC)波形设计的实验验证研究——论文阅读
DuHz的博客
11-30 1152
本文提出了一种通感一体化(ISAC)波形设计方法，通过实验验证了在相同时间、频率和空间资源下同时实现雷达感知与多用户MIMO-OFDM通信的可行性。研究采用权衡因子γ平衡通信性能（通过最小化多用户干扰）与雷达性能（逼近理想雷达波形），建立了优化模型并构建了原型测试平台。实验结果表明，该方法能够在不牺牲通信质量（星座图、误码率）的前提下实现有效的雷达感知功能，为未来6G通信系统的双功能波形设计提供了实际验证。
Contrastive pseudo learning for openworld deepfake attribution 超细致论文笔记，第一次读论文
weixin_72953218的博客
11-30 1026
早期方法侧重 GAN 生成图像，忽略了 “身份替换 / 表情迁移” 这类更逼真、威胁性更强的伪造攻击；：大多基于封闭场景设计 —— 训练集与测试集的类别分布一致（训练时见过的类型，测试时才需要判断，无新类型），无法适配 “开放世界”（测试时会出现训练未见过的伪造类型）；：真实场景中标注的伪造人脸数据少，但未标注数据多，传统监督学习难以利用海量未标注数据。现有方法的局部性:现有方法主要关注样本的全局相似性，忽略了可能表明篡改的伪造人脸图像的局部一致性，解决方法 - 全局和局部特征。
论文笔记（一百零五）A review of learning-based dynamics models for robotic manipulation
xzs1210652636的博客
12-01 775
本文综述了基于学习的动力学模型在机器人操作中的应用与发展。传统基于物理的动力学模型虽具泛化性，但依赖完整状态信息，而复杂场景中此类信息难以准确获取。学习型模型直接从观测数据中学习状态转移函数，能够捕捉复杂因素与不确定性，并加速实时仿真。研究显示，这些模型显著提升了机器人处理可变形物体、颗粒材料及多物体交互任务的能力。文章重点探讨了状态表示的选择对模型性能的影响，分析了不同模型结构的权衡，并讨论了其与状态估计和控制方法的结合。最后指出了该领域未来的研究方向与挑战。
第2讲：BTC-密码学原理 北大肖臻老师客堂笔记
最新发布
涂涂
12-04 381
比特币依赖两大密码学支柱保障安全性：哈希函数和数字签名。哈希函数通过生成固定长度的"数据指纹"，确保交易和区块内容不可篡改，任何改动都会导致哈希值显著变化。数字签名则利用公钥/私钥体系，让用户能证明交易的真实性并防止抵赖。比特币地址由公钥经多次哈希生成，既保护隐私又便于验证。这两项技术共同构建了去中心化的信任机制：哈希链确保账本历史不可更改，数字签名确认交易授权，全网节点通过数学验证替代中心机构审核。这种设计使比特币在开放网络中实现了防伪、防篡改和防冒充的安全特性。
CentOS7 + 芯片验证工具环境部署全笔记：从虚拟机到 VCS/Verdi 实战
m0_46663240的博客
12-03 706
本文提供从CentOS7虚拟机搭建到芯片验证工具部署的完整指南。首先介绍VMware虚拟机安装CentOS7的详细步骤，包括磁盘分区、用户设置等关键配置。随后讲解网络连接设置、VNC远程服务部署及防火墙配置，实现可视化远程操作。最后涵盖vim编辑器和Shell环境的个性化优化，为后续芯片验证工具安装做好准备。文中包含各环节的常见问题解决方案和实用配置代码，适合芯片验证初学者和Linux运维人员参考使用。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值