DynGraphSpike脉冲网络

多模态时序识别

面向脑机接口的多模态时间序列识别模型，以脉冲神经元融合脑电与音频，实现时序动态对齐。

胡斌 · Haochen, Zeng · 关治洪

IEEE Transactions on Industrial Informatics 2025

参数信息

分类准确率

>99 %

技术优势

分类准

分类准确率超过99%，超越现有最优方法，适用于关键医疗异常检测。

对齐强

Wilson-Cowan模型与脉冲动力学通过时间同步增强特征对齐，动态时间规整分数提升。

能融合

利用脉冲神经元构建多传感器集成网络，自然融合脑电图和音频。

应用场景

• 脑机接口诊断：凭借多模态融合与高精度识别，辅助疾病诊断。
• 生理信号监测：实时监测脑电与音频等多模态生理信号，捕捉异常。
• 多模态异常检测：同时处理脑电与音频，自动检测时序异常。