Статистические данные > Методология [представлена 19 февраля 2026 года, последний пересмотренный вариант 15 сентября 2026 (настоящая версия v3)] Название: Sparse Bayesian Modeling of EEG Channel Vanger Interface View PDF HTML (экспериментальный) Резюме: Электроэнцефалографические интерфейсы (ЭЕГ), основанные на использовании P300 в мозге и компьютерах, позволяют поддерживать связь без физического перемещения путем обнаружения стимулирующих нейронных ответов. Точный и эффективный процесс декодирования по-прежнему сопряжен с трудностями в силу высокой масштабности, временной зависимости и сложных взаимосвязей между каналами ЭЭГ. Существующие подходы часто предусматривают независимое отношение к каналам или использование моделей черного ящика, что ограничивает интерпретируемость и индивидуализацию. Мы предлагаем малое байезийское временнóе регрессионное устройство, которое прямо моделирует парные взаимосвязи ЭЭГ при выборе временных параметров, когда расслабленный порог Гауссианского процесса предварительно вызывает структурированную спаренность как в конкретных каналах, так и во взаимодействии эффектов, что позволяет интерпретируемо определить важные для задач каналы и пары каналов. Применительно к публичному набору данных P300 с помощью заклинателя, насчитывающего 55 участников, наш метод обеспечивает 96,4 процента точности среднего уровня символов при всех повторениях последовательности и достигает наилучших общих показателей декодирования между конкурирующими…
Sparse Bayesian Modeling of EEG Communications Channel Affectives (Спарсе Байезианская модель взаимодействия каналов ЭЭГ) повышает эффективность взаимодействия P300 мозга и компьютеров
arXiv:2602.17772v3 Аннонс-тип: заменить резюме: электроэнцефалографические (ЭЕГ) интерфейсы с мозгом P300 (БЦП) позволяют поддерживать связь без физического перемещения путем обнаружения нейронных реакций, создаваемых стимуляторами. Точный и эффективный процесс декодирования по-прежнему сопряжен с трудностями в силу высокой масштабности, временной зависимости и сложных взаимосвязей между каналами ЭЭГ. Существующие подходы часто предусматривают независимое отношение к каналам или использование моделей черного ящика, что ограничивает интерпретируемость и индивидуализацию. Мы предлагаем малое байезийское временнóе регрессионное устройство, которое прямо моделирует парные взаимосвязи ЭЭГ при выборе временных параметров, когда расслабленный порог Гауссианского процесса предварительно вызывает структурированную спаренность как в конкретных каналах, так и во взаимодействии эффектов, что позволяет интерпретируемо определить важные для задач каналы и пары каналов. Применительно к публичному набору данных P300-коллектора, состоящего из 55 участников, наш метод обеспечивает 96,4 медианную точность на уровне персонажей с использованием