XiaoMi-AI文件搜索系统
World File Search System伪影
卷积神经网络的实现，用于从脑电信号中去除眨眼伪影
技术和生理伪影会干扰脑电图 (EEG) 信号。最常见的伪影之一是受试者眼球运动和眨眼产生的自然活动。眨眼伪影 (EB) 遍布整个头部表面，使 EEG 信号分析变得困难。消除眼电图 (EOG) 伪影的方法已知，例如独立成分分析 (ICA) 和回归。本文旨在实现卷积神经网络 (CNN) 以消除眨眼伪影。为了训练 CNN，提出了一种增强 EEG 信号的方法。将从 CNN 获得的结果与 ICA 和回归方法的结果进行比较，以比较生成的和真实的 EEG 信号。所得结果表明，CNN 在消除眨眼伪影的任务中表现更好，尤其是对于位于头部中央部分的电极。
超低成本、简便制造用于皮层脑电图的透明神经电极阵列，采用无光电伪影光遗传学
透明植入式设备将神经记录和光学模式相结合，在神经科学和生物医学工程领域引起了广泛关注。用于电生理学的不透明金属电极阵列会阻碍光学成像并导致光电伪影，使其难以与光遗传学相结合。本文介绍了一种无光电伪影、高导电性和透明的聚（3,4-乙烯二氧噻吩）聚苯乙烯磺酸盐 (PEDOT:PSS) 电极阵列，作为有前途的神经植入物。与应用于植入工具的其他透明材料相比，本研究开发的技术通过低成本、超简便的方法提供了透明的神经接口。由于采用了简单的乙二醇浸渍工艺，该设备表现出优于其他研究的光学、机械和电气特性。通过将其光刺激效率和光电伪影程度与传统的薄金电极在体外和体内进行比较，突出了该设备的性能。该平台可以比任何其他候选材料更有效地组装透明神经接口，因此具有许多潜在的应用。
基于EEG的BCI疗法中的伪影：朋友还是敌人？
摘要：基于脑电图的脑机接口 (BCI) 具有超越传统神经反馈训练的广阔治疗潜力，例如实现个性化和优化的虚拟现实 (VR) 神经康复范例，其中视觉体验的时间和参数与特定大脑状态同步。虽然 BCI 算法通常被设计为专注于信号中信息量最大的部分，但在这些大脑状态同步的应用中，至关重要的是，最终的解码器对代表各种心理状态的生理大脑活动敏感，而不是对诸如自然运动产生的伪影敏感。在本研究中，我们比较了从提取的大脑活动和 EEG 信号中包含的伪影中解码不同运动任务的相对分类准确度。在基于 VR 的逼真神经康复范例中，从 17 名慢性中风患者身上收集了 EEG 数据，同时执行六种不同的头部、手部和手臂运动。结果表明，在分类准确度方面，EEG 信号的伪像成分比大脑活动的信息量大得多。这一发现在不同的特征提取方法和分类流程中是一致的。虽然可以通过适当的清理程序恢复信息性脑信号，但我们建议不要仅将特征设计为最大化分类准确度，因为这可能会选择剩余的伪像成分。我们还建议使用可解释的机器学习方法来验证分类是否由生理脑状态驱动。总之，虽然信息性伪像在基于 BCI 的通信应用中是一个有用的朋友，但它们在估计生理 32 脑状态时可能是一个麻烦的敌人。33
用于验证纤维束成像和评估伪影的物理和数字模型
纤维束成像广泛用于通过扩散加权磁共振成像 (dMRI) 在体内非侵入性地绘制白质束。与所有科学方法一样，无论是在基础神经科学领域还是在临床环境中，适当的验证都是成功应用纤维束成像的关键先决条件。众所周知，从局部扩散信号间接估计纤维束非常模糊且极具挑战性。此外，纤维束成像方法的验证因缺乏真实的基础事实而受到阻碍，这是由极其复杂的大脑微结构造成的，这种微结构无法通过非侵入性直接观察到，而大脑中庞大的长距离纤维连接网络的基础正是纤维束成像方法的实际目标。作为可用于验证的真实基础事实的体内数据的替代品，一种广泛且成功采用的方法是使用合成幻影。在这项工作中，我们概述了物理和数字幻影领域的最新技术，回答了以下指导性问题：“什么是 dMRI 幻影，它们有什么用处？”，“用于验证纤维束成像的理想幻影是什么样的？”和“研究界可以使用哪些幻影、幻影数据集和用于创建它们的工具？”。我们将进一步讨论使用 dMRI 幻影的局限性和机遇，以及该研究领域未来可能的发展方向。
使用双级中值滤波器实时消除运动伪影
功能性近红外光谱 (fNIRS) 是一种新兴的非侵入式脑机接口 (BCI) 技术。快速获取精确的脑信号对于成功的 BCI 至关重要。本文研究了一种实时滤波技术，以消除 fNIRS 信号中的运动伪影 (MA) 和低频漂移。使用文献中的气球模型和实验范例生成两种波长的光强度。生成两种类型的 MA（尖峰状和阶梯状）和低频漂移，并将其添加到模拟的两种波长的光强度中。提出了一种新的双级中值滤波器 (DSMF) 来恢复未受污染的信号。使用五个评估指标来确定双滤波器的最佳窗口大小：第一个中值滤波器为 4 s 和 9 s，第二个中值滤波器为 18 s。使用相同的指标将所提出的方法与基于小波的 MA 校正方法和样条插值方法进行了比较。结果表明，所提方法在衰减 MA 和信号失真方面优于比较方法。最后，将设计的 DSMF 应用于来自八名健康受试者的实验数据，其中通过要求受试者摇头来引入 MA。所提方法的滤波数据显示信号干净，没有 MA 和低频漂移。
研究论文 用于生物医学设备的具有伪影抑制功能的神经记录和刺激芯片
神经假体系统包括神经/肌肉刺激器和神经记录电路。该系统中的这些刺激器和记录器几十年来广泛应用于许多医学领域，如人工耳蜗/视网膜假体、细胞激活和心脏起搏器[1–5]。功能上，神经刺激用于激活假体，唤醒感觉功能[6]，而神经记录可以感知神经信号或完成刺激效果的评估[7–9]。将神经刺激器和神经记录器结合起来，形成闭环控制的同步神经记录和刺激系统，以恢复受伤个体的基本功能[10–16]，例如用于癫痫发作检测和抑制的系统[17,18]。如图1所示，在用于癫痫发作检测和抑制的闭环神经记录和刺激系统中，神经记录用于检测脑内的癫痫信号，电刺激用于
通过添加 EMG 源 (ERASE) 去除肌电图 (EMG) - 一种基于 ICA 的新型算法，用于从 EEG 中去除肌电伪影 - 第 1 部分
摘要。脑电图 (EEG) 记录经常受到肌电图 (EMG) 伪影的污染，尤其是在运动过程中记录时。现有的去除 EMG 伪影的方法包括独立成分分析 (ICA) 和其他高阶统计方法。然而，这些方法不能有效地去除大多数 EMG 伪影。在这里，我们提出了一种改进的 ICA 模型来去除 EEG 中的 EMG 伪影，称为通过添加 EMG 源去除 EMG (ERASE)。在这种新方法中，将来自颈部和头部肌肉的真实 EMG 的额外通道（参考伪影）作为 ICA 的输入添加，以便将 EMG 伪影的大部分功率“强制”到几个独立成分 (IC) 中。使用自动程序识别和拒绝包含 EMG 伪影的 IC（“伪影 IC”）。首先使用模拟和实验记录的 EEG 和 EMG 验证 ERASE。仿真结果表明，ERASE 从 EEG 中去除 EMG 伪影的效果显著优于传统 ICA。此外，它的假阳性率低，灵敏度高。随后，研究人员收集了 8 名健康参与者移动双手时的 EEG 数据，以测试该方法的实际效果。结果表明，ERASE 成功去除了 EMG 伪影（使用真实 EMG 作为参考伪影时，平均可去除约 75% 的 EMG 伪影），同时保留了与运动相关的预期 EEG 特征。我们还使用模拟 EMG 作为参考伪影测试了 ERASE 程序（约 63% 的 EMG 伪影被去除）。与传统 ICA 相比，ERASE 从 EEG 中去除的 EMG 伪影平均多 26%。这些发现表明，ERASE 可以显著分离 EEG 信号和 EMG 伪影，而不会丢失底层 EEG 特征。这些结果表明，使用额外的真实或模拟 EMG 源可以提高 ICA 在去除 EMG 伪影方面的有效性。
从传感神经刺激器记录的局部场电位中去除心电图伪影
传感神经刺激器是一种用于长期观察大脑活动的先进技术，在闭环神经调节和植入式脑机接口方面表现出巨大潜力。然而，由于记录条件复杂且共模抑制比 (CMRR) 有限，传感神经刺激器记录的局部场电位 (LFP) 可能会受到心电图 (ECG) 信号的污染。在本研究中，我们提出了一种解决方案，用于从传感神经刺激器记录的局部场电位 (LFP) 中去除此类 ECG 伪影。添加同步单极通道作为 ECG 参考，然后应用两种预先存在的方法，即模板减法和自适应滤波。成功去除了 ECG 伪影，并且该方法的性能对残留刺激伪影不敏感。这种去除 ECG 伪影的方法拓宽了传感神经刺激器的应用范围。
通过添加 EMG 源 (ERASE) 去除肌电图 (EMG) — 一种基于 ICA 的新型算法，用于从 EEG 中去除肌电伪影
脑电图 (EEG) 记录经常会受到肌电图 (EMG) 伪影的污染，尤其是在运动期间记录时。现有的去除 EMG 伪影的方法包括独立成分分析 (ICA) 和其他高阶统计方法。然而，这些方法不能有效去除大多数 EMG 伪影。在这里，我们提出了一种改进的 ICA 模型来去除 EEG 中的 EMG 伪影，这称为通过添加 EMG 源去除 EMG (ERASE)。在这种新方法中，来自颈部和头部肌肉的真实 EMG 的额外通道（参考伪影）被添加作为 ICA 的输入，以便将 EMG 伪影的大部分功率“强制”到几个独立成分 (IC) 中。使用自动程序识别和拒绝包含 EMG 伪影的 IC（“伪影 IC”）。首先使用模拟和实验记录的 EEG 和 EMG 验证 ERASE。模拟结果表明，ERASE 比传统 ICA 更有效地从 EEG 中去除 EMG 伪影。此外，它的假阳性率低，灵敏度高。随后，在 8 名健康参与者移动双手时收集了他们的 EEG，以测试该方法的实际效果。结果表明，ERASE 成功去除了 EMG 伪影（平均而言，当使用真实 EMG 作为参考伪影时，大约 75% 的 EMG 伪影被去除），同时保留了与运动相关的预期 EEG 特征。我们还使用模拟 EMG 作为参考伪影测试了 ERASE 程序（大约 63% 的 EMG 伪影被去除）。与传统 ICA 相比，ERASE 从 EEG 中去除的 EMG 伪影平均多 26%。这些发现表明，ERASE 可以实现 EEG 信号和 EMG 伪影的显著分离，而不会丢失底层的 EEG 特征。这些结果表明，使用额外的真实或模拟 EMG 源可以提高 ICA 从 EEG 中去除 EMG 伪影的有效性。结合自动化 IC 伪影剔除，ERASE 还可最大程度地减少潜在的用户偏差。未来的工作将侧重于改进 ERASE，使其也可用于实时应用。