跳到正文
原文
bioRxiv · Neuroscience· Liu, X., Chen 等 18 人
精选AI 评分62

MLE EEG 工具箱:面向文献参考与可重复脑电与脑磁图研究的个人 AI 实验室助手

MLE EEG Toolbox: A Personal AI Laboratory Assistant for Literature-Informed and Reproducible M/EEG Research

预印本 · 尚未经过同行评审

AI 导读

脑电与脑磁图分析流程复杂,方法学证据、计算执行与可重复性往往彼此脱节。作者发布 MLE EEG 工具箱,集成本地部署的 AI、自然语言引导分析、文献检索与方法比较,并用受约束的语言模型把研究指令转成经研究者确认的操作,同时记录计算来源以便回放分析流程。工具箱在脑电和脑磁图上的动作选择准确率分别为 85.6% 和 95.5%,142 项跨平台测试显示数值接近,并在公开脑电与脑磁图数据集上完成频谱、网络、解码和源分析。该预印本尚未经同行评审。

推荐理由

本地部署的脑电与脑磁图分析助手,把自然语言指令转成经研究者确认的操作,动作选择准确率脑电 85.6%、脑磁图 95.5%,142 项跨平台测试数值接近。

摘要 · AI 翻译

电生理研究日益依赖复杂的分析工作流,但整合方法学证据、计算执行与可重复性仍具挑战。在此我们推出 MLE EEG Toolbox,这是一个用于构建脑电图(EEG)与脑磁图(MEG)研究个人 AI 实验室助手的框架。该工具箱整合了本地部署的 AI、自然语言引导的分析、文献检索与方法学比较,以及可重复的计算工作流。一个受约束的语言模型将研究指令转化为经过验证、由研究者批准的操作,而基于文献的指导则支持参数选择与协议重建。计算溯源使得分析工作流能够被透明地检查和重放。该助手在 EEG 上达到 85.6%、在 MEG 上达到 95.5% 的动作选择准确率,142 项跨平台测试显示出高度一致的数值吻合。应用于公开的 EEG 与 MEG 数据集,展示了整合的频谱、网络、解码与源分析。MLE EEG Toolbox 可在标准个人计算机上运行,无需外部 AI API 或 token 费用,提供了一个可访问、由研究者掌控的环境,将方法学知识与可重复的电生理分析连接起来。

中文由 AI 翻译,仅供参考,以原文为准。

来源:bioRxiv · Neuroscience · biorxiv.org

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。