Cette étude passe en revue les méthodes d'apprentissage profond pour le décodage EEG inter-sujets, s'attaquant à la variabilité élevée entre les sujets et le décalage de domaine. Elle catégorise la littérature en familles méthodologiques telles que l'alignement de caractéristiques et l'apprentissage contrastif, soulignant l'évaluation rigoureuse et les limitations théoriques.
Cet article présente le modèle Convolutional Variational Deep Embedding (Conv-VaDE) pour l'analyse des microétats EEG. Il améliore l'interprétabilité en apprenant conjointement la reconstruction topographique et le regroupement probabiliste doux, permettant le décodage génératif de prototypes de clusters en topographies vérifiables.
Cet article explore l'interprétabilité mécaniste des modèles fondamentaux d'EEG en appliquant des Autoencodeurs Creux (SAE) pour extraire des dictionnaires de caractéristiques disperses de leurs embeddings. Il compare la monosémanticité et l'enchevêtrement à travers différentes architectures de transformateurs EEG, ancrant ces caractéristiques dans une taxonomie clinique, et introduit le pilotage conceptuel pour quantifier la sélectivité et révéler les échecs de représentation.
Cette recherche examine si les LLM peuvent servir de prisme pour comprendre les représentations neurales de la valence émotionnelle dans le cerveau humain, en se concentrant sur l'EEG. L'étude construit un axe de valence à partir des LLM et démontre sa correspondance avec l'activité neuronale humaine, suggérant une représentation partagée.
Cet article présente un cadre d'évaluation au niveau des régions pour la prédiction de la charge de travail cognitive basée sur l'EEG, analysant les contributions des régions du cuir chevelu définies anatomiquement. Il réalise une analyse à grande échelle sur quatre ensembles de données publics pour quantifier l'importance des régions en utilisant une approche agnostique au modèle et basée sur les performances.
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.