Сегодня мы хотим поделиться с вами нашими материалами, размещёнными в открытых репозиториях.

1. ЭЭГ-фМРТ:

Препринт статьи "Beyond the Surface: Revealing the Depths of Brain Activity by Predicting fMRI from EEG with Deep Learning": https://www.biorxiv.org/content/10.1101/2024.11.20.624528v1

Репозиторий: https://github.com/AIRI-Institute/EEG-BOLD-Decoding

В данном репозитории представлен код интерпретируемой легковесной нейросетевой модели для предсказания подкоркового BOLD сигнала из ЭЭГ, а также Python имплементация предыдущего State-of-the-Art решения от (Singer et al., 2023). Нейросетевая модель не только побеждает по средней корреляции для ряда ROI, но также дает возможность отразить наиболее значимые для нейросети паттерны исходя из финальных весов модели. Код содержит полноценный, задокументированный пайплайн от загрузки данных до создания изображений.

Датасет: https://zenodo.org/records/11246524

По данной ссылке доступна предобработанная и очищенная версия данных 11 человек из совместного ЭЭГ-фМРТ Natural Viewing Dataset (Telesford et al., 2023), использованная для получения результатов из препринта.

2. ReDisCA:

Статья: https://doi.org/10.1016/j.neuroimage.2024.120868

Репозиторий: https://github.com/AIRI-Institute/ReDisCA

Данный репозиторий представляет официальную имплементацию алгоритма ReDisCA для сравнения данных об активности мозга из разных модальностей. В репозитории приведен MATLAB код для репликации результатов, полученных в статье.

Датасет: https://osf.io/8rk67/

По ссылке доступен МЭГ датасет, который использовался в статье для демонстрации возможностей алгоритма.

3. SIGNAL:

Препринт: https://www.biorxiv.org/content/10.1101/2024.11.20.624526v1

Репозиторий: https://github.com/AIRI-Institute/SIGNAL

Данный репозиторий содержит код для алгоритма генерации текстовых стимулов, использованного в SIGNAL датасете, сами стимулы, а также код для обработки ЭЭГ данных и пробинга LLM, использованных в статье.

Датасет: https://huggingface.co/datasets/zhuravlevahana/SIGNAL/tree/main

По ссылке доступен новый датасет Semantic and Inferred Grammar Neurological Analysis of Language (SIGNAL). В датасете представлены 600 предложений на русском языке и 64-канальный ЭЭГ, записанный во время чтения людьми данных предложений. Уникальная структура генерации нескольких вариантов для каждого стимула (корректное предложение, грамматическая ошибка, семантическая ошибка, грамматическая и семантическая ошибки) позволяет анализировать обработку текста людьми и сравнивать её с обработкой текста нейросетевыми моделями.

4. Real-time Neurofeedback (прошлогодняя статья с Journal of Neural Engineering)

Статья: https://iopscience.iop.org/article/10.1088/1741-2552/acf7f3/meta

Репозиторий: https://github.com/ivsemenkov/LowLatencyEEGFiltering

В данном репозитории приведен код для репликации результатов статьи, включая имплементации и пайплайны классических алгоритмов фильтрации ЭЭГ и ряд нейросетевых моделей.

Датасет: https://zenodo.org/records/8207948

По данной ссылке доступен датасет, использованный в статье. Он состоит из 5 синтетических временных рядов разной сложности по 34.5 часа на каждый вариант генерации, а также из 16.3 часов реальных ЭЭГ данных 25 человек, вовлеченных в эксперимент по нейрообратной связи.

Источник: zenodo.org

Комментарии: