MindSculpt: Using a Brain-Computer Interface to Enable Designers to Create Diverse Geometries by Thinking

https://arxiv.org/pdf/2303.03632 ?發(fā)表日期：2023-03-06

1.標題：MindSculpt: 使用腦-計算機接口讓設計師通過思考創(chuàng)建多樣的幾何形狀

2.作者：Qi Yang, Jesus G. Cruz-Garza, Saleh Kalantari

3.所屬單位：Qi Yang

4.關鍵字：Brain Computer Interface, Design Tool, Intuitive Interaction, Design Cognition, Artificial Intelligence, Machine Learning

5.網址：https://arxiv.org/pdf/2303.03632 ?Github: None

?

6.總結：

- (1): 本文研究的背景是將腦-計算機接口與設計工具相結合，探索通過思考創(chuàng)造多樣幾何形狀的可能性。

- (2): 過去的方法是基于鼠標和鍵盤的計算機輔助設計工具，但它們往往限制了設計理念的產生和概念設計過程。而本文提出的方法通過腦-計算機接口實現了直接將用戶的想象轉化為數字原型，并且可以實時進行設計反饋，從而縮短了想法生成和實現之間的延遲。這個方法的動機是改進設計創(chuàng)造力和直觀性。

- (3): 本文提出的研究方法是將監(jiān)督機器學習方法應用于腦波數據，通過支持向量機模型識別參與者在思考四種不同的幾何形狀時產生的腦波模式。同時，將這些幾何形狀在設計軟件中進行實時生成。

- (4): 通過與沒有設計經驗的參與者進行實驗，研究人員發(fā)現MindSculpt工具易于使用，并能夠促進設計理念和藝術創(chuàng)造。該方法實現了通過思考生成多樣幾何形狀的任務，并在性能方面取得了積極的結果，支持其目標。

7. 結論：

- (1): 本文的意義在于探索并實現了將腦-計算機接口與設計工具相結合的可能性，通過思考創(chuàng)造多樣幾何形狀。這為設計領域的創(chuàng)新和創(chuàng)造力提供了新的思路和方法。

- (2): 創(chuàng)新點：本文的創(chuàng)新點在于通過腦-計算機接口實現了將設計師的思考直接轉化為數字原型，并實現了實時反饋。這一方法突破了以往鼠標和鍵盤作為設計工具的限制，提高了設計創(chuàng)造力和直觀性。

性能表現：通過腦波數據的監(jiān)測和機器學習算法的運用，本文實現了對參與者思考不同幾何形狀時產生的腦波模式的識別，實時生成對應幾何形狀。實驗結果表明，MindSculpt工具易于使用，并能夠促進設計理念和藝術創(chuàng)造。

工作量：從文中所述的實驗過程來看，本文涉及到對腦波數據的處理和分析、機器學習模型的訓練和優(yōu)化、設計軟件的開發(fā)等工作量較大。然而，具體的工作量并未詳細說明。

Deep comparisons of Neural Networks from the EEGNet family

https://arxiv.org/pdf/2302.08797 ?發(fā)表日期：2023-02-17

1. 標題：Deep comparisons of Neural Networks from the EEGNet family（EEGNet家族神經網絡的深入比較）

2. 作者：Csaba Márton K?ll?d, András Adolf, Gergely Márton, István Ulbert

3. 所屬單位：Roska Tamás Doctoral School of Sciences and Technology, Budapest, Hungary; Faculty of Information Technology and Bionics, Pázmány Péter Catholic University, Budapest, Hungary; Cognitive Neuroscience and Psychology, Research Centre for Natural Sciences, Budapest, Hungary

4. 關鍵詞：BCI, EEG, Neural Networks, EEGNet

5. 網址：https://arxiv.org/pdf/2302.08797

?

6. 總結：

- (1): 本文的研究背景是對于運動意向（Motor Imagery, MI）腦電圖（Electroencephalography, EEG）信號分類，提出了基于人工神經網絡的方法，并比較了不同網絡的性能。

- (2): 過去的方法通常僅使用BCI競賽數據集中的少量受試者的MI EEG數據進行分類，且主要采用帶通濾波器進行降噪和提高信號質量。這種方法存在數據量小和性能不確定性的問題。本文的動機是使用較大規(guī)模的開放數據集來對比不同的神經網絡，并探索遷移學習對于降噪后數據的分類結果是否有進一步改善。

- (3): 本文提出了5種知名神經網絡（Shallow ConvNet, Deep ConvNet, EEGNet, EEGNet Fusion, MI-EEGNet）的對比分析，使用開放數據集和BCI競賽4 2a數據集來獲取統計顯著性的結果，并使用FASTER算法移除EEG中的偽影作為信號處理步驟。同時，還對遷移學習方法進行了研究，以進一步改善降噪后數據的分類結果。

- (4): 本文的方法在分類準確性以及兩個額外的指標（相對隨機水平的準確性提高和遷移學習效果）上進行了評估。實驗結果顯示，研究者不應忽視Shallow ConvNet和Deep ConvNet，因為它們的性能可能優(yōu)于EEGNet家族中后期發(fā)布的方法。

7. 方法：

- (1): 本文主要探究了基于人工神經網絡的方法在運動意向（MI）腦電圖（EEG）信號分類中的應用。具體而言，使用了5種不同的神經網絡模型（Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet Fusion、MI-EEGNet）進行比較分析。

- (2): 為了獲得可靠的實驗結果，本文采用了開放數據集和BCI競賽4 2a數據集作為樣本數據。同時，還使用了FASTER算法對EEG信號進行了預處理，以移除可能存在的偽影。

- (3): 為了進一步改善降噪后數據的分類結果，本文還研究了遷移學習方法在MI EEG信號分類中的效果。通過將降噪后的數據集和源領域的預訓練模型進行結合，探索了遷移學習對分類準確性的影響。

- (4): 為了評估各種方法的性能，本文使用分類準確性作為主要指標，并與隨機水平的準確性提高指標進行對比。此外，還對遷移學習方法的效果進行了評估。

- (5): 最終的實驗結果顯示，Shallow ConvNet和Deep ConvNet的性能可能優(yōu)于EEGNet家族中較新發(fā)布的方法。因此，在MI EEG信號分類中，研究者應當綜合考慮不同的神經網絡模型，以獲得更好的性能表現。

8. 結論：

- (1): 本文的意義在于通過對EEGNet家族的神經網絡進行深入比較，對MI EEG信號分類任務進行了探索。通過評估不同網絡模型的性能和遷移學習的效果，為未來的BCI研究提供了有價值的參考。

- (2): 創(chuàng)新點：本文的創(chuàng)新點在于利用大規(guī)模的開放數據集進行對比分析，而非僅僅依賴于少量受試者的數據。同時，本文還研究了遷移學習方法對降噪后數據分類結果的影響，提出了一種新的評價指標。

性能表現：通過實驗結果，本文發(fā)現Shallow ConvNet和Deep ConvNet的性能可能優(yōu)于EEGNet家族中較新發(fā)布的方法。

工作量：本文的工作量較大，涉及多個神經網絡模型的實驗比較，使用了多個開放數據集和BCI競賽數據集，并進行了詳細的數據預處理和統計分析。

Decoding Neural Activity to Assess Individual Latent State in Ecologically Valid Contexts

https://arxiv.org/pdf/2304.09050 ?發(fā)表日期：2023-04-18

1.標題：Decoding Neural Activity to Assess Individual Latent State in Ecologically Valid Contexts（解碼神經活動以評估生態(tài)有效環(huán)境下個體潛在狀態(tài)）

2.作者：Stephen M. Gordon, Jonathan R. McDaniel, Kevin W. King, Vernon J. Lawhern, Jonathan Touryan

3.所屬單位：DCS Corporation, Alexandria, VA（董事會公司，弗吉尼亞州亞歷山大市）

4.關鍵字：Decoding, Neural Activity, Individual Latent State, Ecologically Valid Contexts（解碼，神經活動，個體潛在狀態(tài)，生態(tài)有效環(huán)境）

5.網址：https://arxiv.org/pdf/2304.09050 或 Github: None

?

6.總結：

- (1): 本文的研究背景是在生態(tài)有效的環(huán)境中很少有方法能夠獨立地分離認知過程，更不清楚這些約束條件下觀察到的神經活動模式在實驗室外是否能夠準確推斷個體的潛在狀態(tài)、與之相關的認知過程或接近行為。

- (2): 過去的方法主要是通過高度控制的實驗室研究來定義認知過程，但是這些方法難以在更真實的環(huán)境中應用。本文提出的方法借鑒了腦-計算機接口領域的領域泛化方法，旨在解決這個問題。本文的方法圍繞對神經活動模式的高維解釋進行泛化，以可靠地應用于不同的實驗數據集。

- (3): 本文提出的研究方法是使用預訓練模型解碼內在潛在狀態(tài)和神經活動模式。首先，通過兩個高度控制的實驗室范式訓練兩個領域泛化模型。然后，將這些訓練好的模型應用于一個在具有六個自由度的運動模擬器上執(zhí)行多個并發(fā)駕駛相關任務的生態(tài)有效范式。通過預訓練模型，推導出潛在狀態(tài)和相關的神經活動模式的估計。

- (4): 本文的方法實現了對復雜任務和性能的估計，并驗證了實驗室范式在生態(tài)有效環(huán)境中的生態(tài)效度。隨著通過潛在狀態(tài)模型評估的神經活動模式越來越類似于訓練數據中觀察到的模式，我們發(fā)現了與原始實驗室范式觀察一致的行為和任務績效變化。這些結果支持了原始高度控制的實驗設計的生態(tài)效度，并為理解在復雜任務中觀察到的神經活動和行為之間的關系提供了一種方法。

7.結論：

- (1): 這部作品的意義在于提供了一種方法，通過解碼神經活動來評估個體在生態(tài)有效的環(huán)境下的潛在狀態(tài)。這有助于我們理解觀察到的神經活動模式與個體的認知過程和行為之間的關系。

- (2): 創(chuàng)新點：本文的創(chuàng)新在于借鑒了腦-計算機接口領域的領域泛化方法，通過預訓練模型解碼神經活動和潛在狀態(tài)。這種方法使得在生態(tài)有效環(huán)境中應用高度控制的實驗室研究成為可能。

??性能表現：本文的方法成功實現了對復雜任務和性能的估計，并驗證了實驗室范式在生態(tài)有效環(huán)境中的生態(tài)效度。通過預訓練模型的應用，找到了與訓練數據中類似的神經活動模式，并觀察到了與原始實驗室范式一致的行為和任務績效變化。

??工作量：本文的研究方法需要進行兩個高度控制的實驗室范式的訓練，然后將這些訓練好的模型應用于復雜任務的生態(tài)有效范式。雖然存在一定的工作量，但通過預訓練模型的應用，可以準確地推斷出神經活動和潛在狀態(tài)的估計。

參考文獻：
[1] Yang, Qi et al. “MindSculpt: Using a Brain-Computer Interface to Enable Designers to Create Diverse Geometries by Thinking.”?ArXiv?abs/2303.03632 (2023): n. pag.

[2] K?llod, Csaba Márton et al. “Deep comparisons of Neural Networks from the EEGNet family.”?ArXiv?abs/2302.08797 (2023): n. pag.

[3] Gordon, Stephen M. et al. “Decoding Neural Activity to Assess Individual Latent State in Ecologically Valid Contexts.”?ArXiv?abs/2304.09050 (2023): n. pag.

創(chuàng)作聲明：包含 AI 輔助創(chuàng)作

?

?