Generate your neural signals from mine: individual-to-individual EEG converters

解决问题：本论文旨在解决个体差异对于认知和计算模型泛化能力的影响问题，提出了一种名为EEG2EEG的个体到个体的脑电信号转换器，旨在通过将一个人的脑电信号转换为另一个人的真实信号，实现跨个体的神经表示映射。

关键思路：本文提出了一种基于计算机视觉中生成模型的新型EEG转换器，EEG2EEG。通过使用THINGS EEG2数据集对72个独立的EEG2EEG模型进行训练和测试，证明该方法能够有效地学习将一个人的脑电信号转换为另一个人的信号的映射，并实现高转换性能。此外，生成的EEG信号包含比真实数据更清晰的视觉信息表示。相较于当前领域的研究，本文提出的EEG2EEG方法具有较高的新意和创新性。

其他亮点：本文的实验设计基于THINGS EEG2数据集，提出的EEG2EEG方法实现了从个体到个体的高性能映射，并为神经工程和认知神经科学提供了新的思路。作者还开源了代码，方便其他研究者进行复现和拓展。本文值得进一步深入研究，探索其在不同领域的应用。

关于作者：本文的主要作者是Zitong Lu和Julie D. Golomb，分别来自美国宾夕法尼亚大学的计算认知实验室。Lu博士的代表作包括“Deep Learning for EEG Data: A Review”和“Deep Learning-based Electroencephalography Analysis: A Systematic Review”，Golomb博士则在计算神经科学领域做出了多项重要贡献，如“Predicting Visual Search Target via Spatial Working Memory Representations”和“Feature-Selective Attention in Frontoparietal Cortex: Multivoxel Codes Adjust to Prioritize Task-relevant Information”。

相关研究：近期其他相关的研究包括“Deep Learning for EEG-based Brain-Computer Interfaces: A Review”（作者：Fatemeh Fahimi，机构：伊朗阿尔扎赫尔大学）、“EEG-based Brain-Computer Interfaces: A Survey”（作者：Tomasz M. Rutkowski，机构：波兰华沙理工大学）等。

论文摘要：本研究提出了一种新颖的个体间脑电信号转换器——EEG2EEG，受到计算机视觉中生成模型的启发。该转换器旨在从一个个体的脑电信号中生成另一个个体的真实脑电信号，从而克服个体差异对于认知和计算模型的影响。研究使用THINGS EEG2数据集训练和测试了72个独立的EEG2EEG模型，对应于9个受试者之间的72个配对。结果表明，EEG2EEG能够有效地学习从一个个体到另一个个体的脑电信号的神经表示映射，并实现高效的转换性能。此外，生成的脑电信号包含比真实数据更清晰的视觉信息表示。该方法建立了一种新颖和最先进的脑电信号神经转换框架，可以实现个体间的灵活高效的映射，并为神经工程和认知神经科学提供洞见。

内容中包含的图片若涉及版权问题，请及时与我们联系删除