关于本课题
人类的大脑是迄今为止被探索过的最复杂的系统之一。复杂的神经元网络构成了大脑解释感官输入和控制运动的能力。突触是人类大脑中神经元相互交流的连接。许多形式的神经元信号，如脉冲序列、LFP(局部场电位)、EEG(脑电图)、MEG(脑磁图)、ECoG(皮质电图)、fMRI(功能磁共振成像)和钙成像，都可以用来识别人脑活动。随着大脑记录的复杂性和规模的增长，神经信号处理的使用在神经科学领域已经获得了重要意义。神经系统科学中的神经信号处理旨在从神经信号中提取信息，以便更好地理解大脑如何通过神经元集合表示和传递信息。
统计信号处理、统计、控制和优化技术都被用于神经信号处理的发展领域，以处理来自各种来源的神经或神经元数据。与传统假设相反，神经信号处理经常使用非高斯、非平稳和异构的神经生理学数据。本研究课题的目标是关注尖端的噪声去除、特征提取和分类技术，使用机器学习和深度学习来提高基于非侵入性方法的脑机接口(BCI)系统的准确性、可靠性、信息传输率和整体性能，这些方法包括spike训练、LFP(局部场电位)、EEG(脑电图)、MEG(脑磁图)、ECoG(皮质电图)、以及功能性磁共振成像(fMRI)。
我们将邀请原创研究文章、临床试验和描述新颖大脑信号处理研究的综述论文，但不限于:
EEG, fNIRS, MRI，使用机器学习和深度学习进行分类，噪声去除，特征提取，滤波技术，以及脑机接口信号处理。
统计信号处理、统计、控制和优化技术都被用于神经信号处理的发展领域，以处理来自各种来源的神经或神经元数据。与传统假设相反，神经信号处理经常使用非高斯、非平稳和异构的神经生理学数据。本研究课题的目标是关注尖端的噪声去除、特征提取和分类技术，使用机器学习和深度学习来提高基于非侵入性方法的脑机接口(BCI)系统的准确性、可靠性、信息传输率和整体性能，这些方法包括spike训练、LFP(局部场电位)、EEG(脑电图)、MEG(脑磁图)、ECoG(皮质电图)、以及功能性磁共振成像(fMRI)。
我们将邀请原创研究文章、临床试验和描述新颖大脑信号处理研究的综述论文，但不限于:
EEG, fNIRS, MRI，使用机器学习和深度学习进行分类，噪声去除，特征提取，滤波技术，以及脑机接口信号处理。
关键字:脑电图，磁共振成像，脑磁成像，光学成像，皮质电成像，脑信号
重要提示:所有对本研究主题的贡献必须在其所提交的章节和期刊的范围内，如其使命声明中所定义的那样。雷竞技rebat在同行评审的任何阶段，Frontiers保留将超出范围的稿件引导到更合适的章节或期刊的权利。
