XiaoMi-AI文件搜索系统
World File Search System于脑
基于EEG的步态识别分类CNN用于脑机接口...
脑机接口（BCI）是一种通过分析脑电信号识别个体意图或状态，进而控制计算机或机器的技术，广泛应用于各个领域。然而，脑机接口的研究多集中在运动想象方面，而对主动运动的研究多集中在上肢运动方面，而对下肢运动的研究多集中在静态或单一动作方面。因此，本研究基于动态环境下的脑电信号开发了对步行行为（1：步行，2：上楼，3：下楼）进行分类的深度学习模型，以验证对动态状态下的脑电信号进行分类的可能性。我们开发了一种结合卷积神经网络（CNN）和双向长短期记忆（BiLSTM）的模型。该模型获得了82.01%的平均识别性能，其中步行的平均准确率为93.77%，上楼的平均准确率为76.52%，下楼的平均准确率为75.75%。预计未来可以设计出各种旨在帮助残疾人和老年人的机器人设备，它们具有多种功能，例如人机交互、物体操纵和利用 BCI 进行控制的路径规划。
基于脑波的XR媒体交互AI评估模型的开发
本研究提出了使用主观和客观方法评估 XR 交互环境中的用户体验和情感的实验方案。首先，我们从用户体验和评论中提取了 XR 环境中引发的各种情感形容词。然后，我们对这些形容词进行聚类，以确定代表 XR 环境潜在情感的基本维度。为了量化这些维度，我们使用以 EEG 数据为中心的 DNN 模型对 XR 用户的情绪状态进行分类。我们在对根据 XR 内容的时间流和属性而变化的情绪状态进行分类时获得了约 91.7% 的准确率。我们的研究结果表明，情感维度的特定属性可以进一步阐明动态 XR 环境中的情感体验。此外，我们的结果可用于实时监控 XR 用户的体验并增强 XR 交互中的临场感。
基于脑电信号的情绪分析系统的设计与实现
摘要 ：传统脑机系统复杂、昂贵，情绪分类算法缺乏对脑电信号不同通道间内在关系的表征，准确率还有提升空间。为降低脑电研究门槛，充分利用多通道脑电信号中蕴含的丰富信息，提出并实现一个简便易用的脑机系统，用于快乐、忧伤、悲痛、平静四种情绪的分类。该系统采用卷积注意机制与完全预激活残差块的融合，即基于注意卷积的预激活残差网络（ACPA-ResNet）。在硬件采集和预处理阶段，我们采用ADS1299集成芯片作为模拟前端，利用ESP32单片机对脑电信号进行初步处理。数据通过UDP协议无线传输到PC机进行进一步的预处理。在情绪分析阶段，ACPA-ResNet能够自动从脑电信号中提取和学习特征，通过学习时频域特征实现对情绪状态的准确分类。ACPA-ResNet在残差网络的基础上引入注意力机制，自适应地为每个通道分配不同的权重，使其在空间和通道维度上关注更有意义的脑电信号，同时避免了深度网络架构带来的梯度弥散和爆炸问题。经过对16名受试者的测试，系统实现了稳定的脑电信号采集和传输。新网络显著提高了情绪识别的准确率，平均情绪分类准确率达到95.1%。
机器学习应用于脑瘫和中风中的步态分析数据：系统评价
背景：在神经病理学中，脑瘫和中风是行走障碍的主要因素。在最近的文献中提出了机器学习方法，以分析这些患者的步态数据。但是，机器学习方法仍然无法有效地转化为临床应用。这一系统评价解决了阻碍机器学习数据分析在脑瘫和中风患者的临床评估中使用的差距。研究问题：将提议的机器学习方法转移到临床应用中的主要挑战是什么？方法：PubMed，Web of Science，Scopus和IEEE数据库被搜索，以获取有关机器学习方法的相关出版物，直到2023年2月23日，将其应用于中风和脑瘫患者的步态分析数据。提取了与所提出方法有效翻译为临床使用的适用性，可行性和可靠性有关的信息，并根据一组预定义的问题评估了质量。结果：从4120个结果参考文献中，有63个符合纳入标准。三十一项研究使用了监督，32条使用了无监督的机器学习方法。人工神经网络和K-均值聚类是每个类别中最常用的方法。缺乏特征和算法选择的基本原理，使用未经复制的数据集以及群集输出的临床解释性缺乏，这是这些方法的临床可靠性和适用性的主要因素。意义：文献提供了许多机器学习方法，用于从脑瘫和中风患者聚集步态数据。然而，所提出的方法的临床意义仍然缺乏，将其翻译成现实世界的应用。未来研究的设计必须考虑到临床问题，数据集意义，特征和模型选择以及结果的解释性，鉴于它们对临床翻译的关键性。
标题：用于脑器官研究的反馈驱动的物联网微流体、电生理学和成像平台
摘要：组织培养物（尤其是脑类器官）的分析需要高度的协调、测量和监控。我们开发了一个自动化研究平台，使独立设备能够实现反馈驱动的细胞培养研究的协作目标。通过物联网 (IoT) 架构统一，我们的方法能够实现各种传感和驱动设备之间的持续通信交互，实现对体外生物实验的精确定时控制。该框架集成了微流体、电生理学和成像设备，以维持大脑皮层类器官并监测其神经元活动。类器官在定制的 3D 打印腔室中培养，这些腔室连接到商用微电极阵列以进行电生理学监测。使用可编程微流体泵实现定期进料。我们开发了计算机视觉液体体积估计方法，可实现高精度的抽吸培养基，并使用反馈来纠正培养基进料/抽吸循环期间微流体灌注的偏差。我们通过对小鼠大脑皮层类器官进行为期 7 天的研究验证了该系统，比较了手动和自动协议。自动化实验样本在整个实验过程中保持了强劲的神经活动，与对照样本相当。自动化系统可以每小时进行一次电生理记录，揭示了神经元放电率的显著时间变化，而这种变化在每天一次的记录中是观察不到的。
用于脑肿瘤分类的卷积神经网络
摘要 – 精确和新颖的脑癌 MR 图像处理在决策和患者治疗决策中发挥着重要作用。MR 图像处理中的关键挑战是 X 射线设备捕获的低级视觉数据与人类评估者看到的高级数据之间的语义差距。传统的系统控制模型仅适用于低级或高级技能，使用一些手工定制的元素来缩小这个差距，并且需要精确的元素提取和分类方法。深度学习的最新进展表明，深度学习取得了巨大进步，并且深度学习卷积神经网络 (CNN) 已在图像分类项目中占据主导地位。深度学习对于特征描述非常有用，它可以完整地描述低级和高级数据，并将元素提取和分类部分植入自我意识中，但总体上需要巨大的训练数据集。对于大多数深度学习情况，训练数据集很小，因此，在小数据集上练习深度学习和训练 CNN 是一项艰巨的任务。针对这一问题，我们使用了预训练的深度 CNN 模型。我们的方法更稳定，因为它不使用任何精心构建的技能，只需要很少的预处理，并且可以在 5 次重叠移动验证下获得 95.51% 的平均精度。我们不仅使用传统的机器学习来测试我们的结果，而且还使用 CNN 的深度学习技术来测试我们的结果。试验结果表明，我们提出的方法在 MRI 数据集上超越了现代类别
用于脑肿瘤识别和分类的深度学习目标检测算法
主任，1 信息技术系，1 Babu Banarasi Das 北印度理工学院，勒克瑙，印度 摘要：脑肿瘤是全球面临的重大健康挑战，2023 年全球约有 100 万人受到影响。本研究评估了使用 MRI 图像检测和分类脑肿瘤的物体检测算法的有效性。评估使用了来自不同患者的 MRI 图像数据集，涵盖三种主要脑肿瘤类型：垂体、脑膜瘤和神经胶质瘤。该模型表现出稳健的性能，在验证数据集上具有普遍较高的精度、召回率和 mAP 值。值得注意的是，该模型有效地区分了各种脑肿瘤类型和背景，这由归一化混淆矩阵证明。对脑 MRI 图像的实际测试证实了该模型准确识别不同肿瘤区域的能力。总之，物体检测算法提供了一种有前途的自动化方法，用于识别脑肿瘤和对 MRI 图像进行分类，可能有助于临床医生进行精确的诊断和治疗计划。建议使用更大的数据集进行进一步研究，以增强该模型的临床适用性和可靠性。索引术语 - 脑瘤、物体检测、MRI。
基于脑机接口和虚拟现实的执行功能康复与评估：我们的看法
执行功能 (EF) 是我们一生中身心健康、学业成就、社会发展和心理健康的一项基本技能。它是指一系列自上而下的控制过程，当依赖自动反应、本能或直觉是不明智、不足或不可能时使用 (Diamond, 2013)。这些过程主要包括抑制控制、工作记忆、认知灵活性、推理、解决问题和计划 (Cristofori et al., 2019)。然而，从儿童到青少年时期，EF 都不成熟 (Tervo-Clemmens et al., 2023)。此外，ADHD、ASD、阿尔茨海默病和脑损伤等各种因素都可能阻碍 EF，导致执行功能障碍 (Negut et al., 2016)。在本研究中，我们将讨论 EF 的评估和训练，以帮助患有 EF 障碍的儿童和个人在未来使用先进的计算机技术发展这些功能。传统的 EF 评估通常涉及神经心理学测试、行为清单、观察、访谈和工作样本（Lezak，2004；Cristofori 等人，2019）。最近，使用脑机接口 (BCI) 的评估方法，例如在执行 EF 任务期间捕获和分析脑电图 (EEG) 生物信号，已获得更准确的结果（Cipresso 等人，2012、2013；Carelli 等人，2017）。关于 EF 康复，传统方法涉及在医疗保健专业人员的指导下使用真实世界的材料执行重复性任务，这可能很繁琐且不方便。此外，基于 VR 的 EF 康复方法提供了令人愉快和身临其境的虚拟环境和引人入胜的任务，从而提高了 EF 训练的有效性 ( Liao et al., 2019 )。为了解决评估基于 VR 的 EF 训练有效性的问题，已经提出了整合 BCI-VR 的新方法 ( Wen et al., 2018 ; Duan et al., 2023 )。然而，尽管纵向神经心理学评估在神经系统疾病中具有临床和伦理意义，但关于使用 BCI-VR 对身体有局限性的患者进行认知评估和训练的研究数量有限。对昂贵而复杂的设备、有限而简单的软件培训系统以及使用系统和分析数据的特定能力的需求可能是 BCI-VR 临床应用的主要障碍 ( Carelli et al., 2017 )。在此方面，我们深入研究了运用先进的计算机技术进行EF培训和评估的各项研究，并对各个方面的当前趋势和策略提供了见解。
基于脑电图的运动想象分类的深度学习
摘要 本研究使用先进的深度学习架构全面探索了基于脑电图的运动想象分类。我们重点关注六种不同的运动想象类别，研究了卷积神经网络 (CNN)、具有长短期记忆的 CNN (CNN-LSTM) 和具有双向 LSTM 的 CNN (CNN-BILSTM) 模型的性能。CNN 架构表现出色，准确率高达 99.86%，而 CNN-LSTM 和 CNN-BILSTM 模型分别达到 98.39% 和 99.27%，展示了它们在解码与想象运动相关的脑电图信号方面的有效性。结果强调了这项研究在辅助机器人和自动化等领域的潜在应用，展示了将认知意图转化为机器人动作的能力。这项研究为脑电图分析的深度学习领域提供了宝贵的见解，为脑机接口和人机交互的进步奠定了基础。
基于脑机接口的无人机控制，利用头部运动的陀螺仪数据
摘要 本研究探索了利用人体头部运动的陀螺仪数据通过脑机接口 (BCI) 控制 DJI Tello 四轴飞行器的可能性。在本研究中，收集了 4 名佩戴 Emotiv Epoc X 耳机的志愿者之间的 100 多个陀螺仪记录，这些记录捕捉了 X、Y 和 Z 列（正式称为 GyroX、GyroY、GyroZ）。Emotiv Epoc X 数据捕捉了与 DJI Tello 四轴飞行器导航相关的每个参与者的头部运动（左、右、静止和向前）。数据经过彻底的处理和分析，使用 Microsoft Excel 在图表中显示出独特的模式。然后开发了一种 Python 条件算法来解释陀螺仪数据，以确定每个头部运动方向，此外还使用来自 Tello SDK 2.0 用户指南库的 Tello 无人机命令。通过集成 Python Lab Streaming Layer (LSL) 实现 Emotiv Epoc X 和 Tello 四轴飞行器之间的持续数据交换，实现了实时控制。实验结果证实，通过陀螺仪数据和头部运动成功控制 Tello 四轴飞行器，运行准确率为 98%，展示了该技术在无人机控制方面的潜力。