微姿势（MG）识别是一项新兴且具有挑战性的任务，由于关节的持续时间短且幅度小所以比常规手势更难识别。为了解决上述问题，针对微姿势骨架数据建模，该论文提出了一种基于几何放大的注意力图卷积网络（MA-GCN）来放大和选择特征。该网络主要由两个模块组成：几何放大模块（GM模块）控制不同关节的放大倍数，空间时间注意力图卷积模块（STA模块）通过对不同关节和帧进行加权选择有效信息，以专注于微妙的运动。作者在两个MG数据集上进行了大量实验证明，其提出的方法取得了显著的性能。
该论文被2023 IEEE International Conference on Image Processing (ICIP)接收，题目为《Geometric Magnification-based Attention Graph Convolutional Network for Skeleton-based Micro-Gesture Recognition》，东南大学的Haolin Jiang为此文的第一作者，东南大学的Wenming Zheng为此文的通讯作者。
近年来，无监督预训练在基于骨架的动作识别中取得了巨大的成功。现有的研究通常都是采用训练单独的模态特定模型（如关节、骨骼和运动），然后通过后期融合策略集成多模态信息的方法进行动作识别。然而这样的方法在模型设计方面存在复杂冗余的问题，并且受限于固定的骨架输入模态。这篇论文提出了一个统一的多模态无监督表示学习框架，称为UmURL，通过利用高效的早期融合策略联合编码多模态特征以降低模型复杂性，并且进一步提出了模态内一致性学习和模态间一致性学习，以确保多模态特征包含每个模态的完整语义。为了评估所提出的方法的性能，在三个大规模数据集（NTU-60、NTU-120和PKU-MMD II）上进行了广泛的实验，证明了UmURL不仅和单模态方法复杂度相当，而且在骨架动作表示学习的各种下游任务场景中取得了新的最先进性能。
该论文被第 31 届国际多媒体会议（ACM International Conference on Multimedia，ACMMM）接收，题目为《Unified Multi-modal Unsupervised Representation Learning for Skeleton-based Action Understanding》，浙江工商大学的Shengkai Sun和北京大学的Daizong Liu为此文的共同第一作者，浙江工商大学的Jianfeng Dong为此文的通讯作者。
在当今科技界的最前沿，脑机接口（Brain-Computer Interface, BCI）技术正以其创新能力和应用潜力，领导未来科技的发展方向。从Neuralink到微美全息，这一领域的重大进展和市场潜力受到全球瞩目。
本篇学习报告基于期刊Frontiers in Neuroscience（中科院一区，IF=4.3）在2023年2月接收的文章《Motor imagery brain–computer interface rehabilitation system enhances upper limb performance and improves brain activity in stroke patients: A clinical study》，本篇论文主要研究了MI-BCI康复训练对脑卒中患者上肢运动功能和大脑活动的影响，通过对MI组和对照组的康复治疗和数据采集，发现MI-BCI康复训练可以显著提高脑卒中患者的上肢运动功能，并且可以改善大脑活动。这些结果表明MI-BCI康复训练是一种有效的康复治疗方法，可以帮助脑卒中患者恢复上肢运动功能。
本篇学习报告基于期刊IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS（中科院1区，IF:6.413）于2023年11月27日接收的文章《Multimodal Brain–Computer Interface for In-Vehicle Driver Cognitive Load Measurement: Dataset and Baselines》。这篇文章介绍了一个新的新的驾驶员认知负荷评估数据集CL - Drive，该数据集包含脑电信号( Electroencephalogram，EEG )和其他生理信号，如心电图( Electroencephalogram，ECG )和皮肤电活动( EDA )，以及眼动跟踪数据。在沉浸式车辆模拟器中，采集了21名受试者在各种驾驶条件下驾驶时的数据，以诱导受试者产生不同程度的认知负荷。
经颅直流电刺激(transcranial direct current stimulation, tDCS)是一种重要的非侵入性神经调控技术，研究发现，tDCS可能会改善UWS的预后。文章使用tDCS与EEG结合来预测UWS患者的预后，假设 tDCS 可以提高 UWS 患者预后评估的灵敏度，为了验证这一假设，设计了一个历史对照试验，将85名UWS患者分为tDCS组(N=35)和无tDCS组(N=50)，在tDCS组中使用40次多靶点阳极 tDCS（前额叶区、左侧 DLPFC 和双侧 FTPCs）。入院时进行昏迷恢复量表修订版（CRS-R）分析，治疗后计算非线性脑电图指数C-ApEn，在发病 12 个月后（随访）采用改良格拉斯哥结果量表（mGOS）进行评估，确定使用非患侧疼痛刺激条件下 Cu-FPu 的 C-ApEn 差异作为预后预测的标准。实验结果显示，结合多靶点tDCS与脑电图，UWS患者的预后评估的灵敏度提高了（tDCS group: 84.6% vs Control group:54.5%）。
中国中医科学院望京医院的 BaoHu Liu 为此文第一作者。中国中医科学院望京医院Dongyu Wu 为此文的通讯作者。
该论文已被Frontiers in Neuroscience（中科院三区，IF=4.3）接收，题目为《tDCS-EEG for Predicting Outcome in Patients With Unresponsive Wakefulness Syndrome》
本篇学习报告基于期刊Computer Methods and Programs in Biomedicine（中科院二区，IF：6.1）于2022年9月发表的文章 “A novel online BCI system using speech imagery and ear-EEG for home appliances control”，作者是来自韩国科学技术院的Netiwit Kaogoen, Jaehoon Choi, Sungho Jo。这篇论文提出了一种通过脑机接口与家用电器进行交互的新方法——即通过使用定制的可穿戴BCI耳机，获取用户耳朵周围在语音想象时产生的脑电信号，从而使用户在不发出声音的情况下发出一些简单指令控制家用电器。
基于脑电信号（EEG）的情绪分类是健康大数据的重要组成部分。在这方面的主要挑战之一是不同的被试之间的脑电数据不适应的问题。域自适应是减少源域和目标域之间数据差异的有效方法。这篇论文研究通过对抗域适应的方法，通过一个鉴别器将一个小样本的目标域数据转换到源域，从而在用源域数据训练的分类器上快速适应目标域数据。在本研究中，提出了一种新的方法称为“少标签对抗域自适应”（FLADA）的跨被试的情绪分类。为了评估所提出的方法的性能，在公共数据集DEAP数据集进行测试。结果发现，在少量的目标数据下，所提出的FLADA模型在准确性方面优于现有的方法。
厦门大学信息学院的Yingdong Wang为此文第一作者。厦门大学信息学院的Chen Wang为此文的通讯作者。
该论文已被Expert Systems With Applications（中科院一区，IF=8.5）接收，题目为《Cross-subject EEG emotion classification based on few-label adversarial domain adaption》
