Este estudio revisa métodos de deep learning para la decodificación de EEG entre sujetos, abordando el desafío de la alta variabilidad inter-sujeto y el cambio de dominio. Clasifica la literatura actual en familias metodológicas como alineación de características y aprendizaje contrastivo, enfatizando la evaluación rigurosa y las limitaciones teóricas.
Este artículo presenta el modelo Convolutional Variational Deep Embedding (Conv-VaDE) para el análisis de microestados EEG. Mejora la interpretabilidad al aprender conjuntamente la reconstrucción topográfica y la agrupación probabilística suave, permitiendo la decodificación generativa de prototipos de clústeres en topografías verificables.
Este artículo investiga la interpretabilidad mecánica de los modelos fundamentales de EEG aplicando Sparse Autoencoders (SAEs) para extraer diccionarios de características dispersas de sus incrustaciones. La investigación evalúa la monosemanticidad y el entrelazamiento en distintas arquitecturas de transformadores de EEG, fundamenta estas características en una taxonomía clínica e introduce la dirección de conceptos para cuantificar la selectividad y exponer fallas representacionales.
Esta investigación explora si los LLM pueden servir como lente para comprender las representaciones neuronales de la valencia emocional en el cerebro humano, centrándose en el EEG. El estudio construye un eje de valencia a partir de LLM y demuestra su mapeo en la actividad neural humana, sugiriendo una representación compartida.
Este artículo introduce un marco de evaluación a nivel de región para la predicción de la carga de trabajo cognitiva basada en EEG, analizando las contribuciones de regiones del cuero cabelludo definidas anatómicamente. Realiza un análisis a gran escala en cuatro conjuntos de datos públicos para cuantificar la importancia de la región utilizando un enfoque agnóstico al modelo y basado en el rendimiento.
CIPHER é um modelo baseado em Conformer para inferência de fonemas a partir de EEG de alta densidade, visando decodificar informações de fala do cérebro. Embora alcance alta performance em tarefas binárias, mostra desempenho limitado na discriminação de fonemas de 11 classes, sendo posicionado como um estudo de benchmark e comparação de características.