XiaoMi-AI文件搜索系统
World File Search System信号采集
使用有机电化学晶体管阵列和脉冲神经模拟进行神经形态信号分类
摘要 — 神经形态计算是一个令人兴奋且发展迅速的领域，旨在创建能够复制人类大脑复杂动态行为的计算系统。有机电化学晶体管 (OECT) 因其独特的生物电子特性而成为开发此类系统的有前途的工具。在本文中，我们提出了一种使用 OECT 阵列进行信号分类的新方法，该方法表现出类似于通过全局介质连接的神经元和突触的多功能生物电子功能。我们的方法利用 OECT 的固有设备可变性来创建具有可变神经元时间常数和突触强度的储存器网络。我们通过将表面肌电图 (sEMG) 信号分为三个手势类别来证明我们方法的有效性。OECT 阵列通过多个门馈送信号并测量对具有全局液体介质的一组 OECT 的响应来执行有效的信号采集。我们比较了在有和没有将输入投射到 OECT 上的情况下我们的方法的性能，并观察到分类准确率显著提高，从 40% 提高到 68%。我们还研究了不同的选择策略和使用的 OECT 数量对分类性能的影响。最后，我们开发了一种基于脉冲神经网络的模拟，该模拟模仿了 OECT 阵列，并发现基于 OECT 的分类与基于脉冲神经网络的方法相当。我们的工作为下一代低功耗、实时和智能生物医学传感系统铺平了道路。
1 屈曲诱导的 3D 微/... 折纸组装
随着近年来微纳加工技术的快速发展，纳米薄膜[1–8]的基础研究及其在电子/光电子[3,8,9]、微纳机电系统（MEMS/NEMS）[6,10]和光学[11,12]等领域的应用已成为一个具有巨大潜力和机遇的领域。同时，纳米薄膜技术正逐渐广泛深入人们的日常生活，在现代智能社会的发展中发挥着越来越重要的作用。例如，基于纳米薄膜技术的微电子器件（如手机、笔记本电脑和可穿戴设备）作为人工智能技术中生命信号采集和传输的物理载体，集成的功能越来越多，尺寸却不断减小[13,14]。然而，纳米膜在微电子领域的应用主要集中在二维微纳结构和平面器件上。纳米膜的二维布局可能不利于实现进一步的性能提升或满足某些场景下的特定关键要求[13,15–17]，如空间光调制[18]、具有高Q值的非传统近场通信(NFC)[19,20]和高效能量收集器[21]。发展将纳米膜转化为三维微纳结构的技术可以绕过平面设计中遇到的一些挑战，为实现器件设计的多样性、更好的性能和更先进的功能提供了可行途径[22,23]。然而，三维微纳结构的制备存在许多技术挑战[24]。在过去的几十年里，人们投入了大量的努力来开发新的制造方法，三维纳米膜的制备也取得了重大进展。在这些方法中，二维到三维的组装方法脱颖而出，由于其与现代平面制造具有良好的兼容性等固有优势而受到广泛关注
从PEDOT/SNP复合材料中的电气控制的褪黑激素释放可改善慢性神经记录的质量
从可植入电极中的长期和高质量的信号采集性能是建立稳定且有效的脑部计算机界面（BCI）连接的关键。脑组织的炎症反应阻碍了植入电极的慢性性能。为了解决生物界面电极的材料局限性，我们将磺化二氧化硅纳米颗粒（SNP）设计为聚（3,4-乙基二苯二甲苯）（PEDOT）（PEDOT）的掺杂剂，以修改可植入的电极。在这项工作中，通过电化学沉积在PEDOT中通过电化学沉积（NI-CR）合金电极和碳纳米管（CNT）纤维电极纳入PEDOT，而不会影响急性神经信号记录能力。在用PEDOT/SNP-MT涂层后，两个电极的电荷存储能力显着增加，并且在NI-CR合金电极的1 kHz处的电化学阻抗显着降低，而CNT电极的电极显着降低。此外，这项研究还检查了每隔一天的电触发MT释放对大鼠海马植入神经电极的神经记录质量和寿命1个月的影响。两种MT修饰的NI-CR合金电极和CNT电极在26天记录后均显示出明显更高的尖峰振幅。显着地，组织学研究表明，植入的NI-CR合金电极周围的星形胶质细胞数量显着降低了MT释放后。这些结果证明了PEDOT/SNP-MT治疗在改善慢性神经记录质量可能通过其抗渗透性特性改善的有效结果。
使用功能性近红外光谱 (fNIRS) 进行脑机接口
脑机接口 (BCI) 是一种从大脑获取信号、转换信号并输出到设备以实现所需动作的系统 [1]。BCI 系统由硬件和软件组件组成，一般分为五个步骤，即信号采集、预处理、特征提取、特征转换和设备输出。根据 BCI 系统所连接的功能成像系统，BCI 系统可分为几种类型，例如脑电图 (EEG)-BCI、功能性磁共振成像 (fMRI)-BCI 和功能性近红外光谱 (fNIRS)-BCI。在本综述中，我们详细讨论了基于 fNIRS 的 BCI 及其功能、其实用程序的优缺点、其在有用技术中的应用和实现以及 fNIRS-BCI 的未来。功能性近红外光谱 (fNIRS) 是一种光学成像技术，其中大脑中发射的光由于吸收和散射而衰减。它利用骨骼和皮肤的一般透明特性来进入被监测的组织。当吸收的光进入吸收介质内部时，探测器会测量散射光中未被吸收的部分（图 1）。由于给定刺激引起的血流动力学反应，氧合血红蛋白 (OxyHb) 和脱氧血红蛋白 (de-oxyHb) 分别增加和减少。当光发射时，血流动力学反应的区域变化会导致光吸收和发色团的吸收光谱的区域变化，从而允许利用比尔-朗伯定律以非侵入性方式量化氧合血红蛋白和脱氧血红蛋白 [ 2 ， 3 ]。动脉血流中氧合血红蛋白浓度与静脉血流中脱氧血红蛋白浓度与总血红蛋白浓度之比
使用各种机器学习技术结合脑半球间振幅比从脑电图中识别人员
科学界正在探索脑电图 (EEG) 与个人信息之间的关联。尽管使用 EEG 进行身份识别对研究人员来说很有吸引力，但是感知的复杂性限制了此类技术在实际应用中的使用。在这项研究中，通过降低脑信号采集和分析过程的复杂性解决了这一难题。这是通过减少电极数量来实现的，在不影响准确性的情况下简化了关键任务。事件相关电位 (ERP)，又称时间锁定刺激，用于从每个受试者的头部收集数据。在放松一段时间后，向每个受试者直观地呈现一个随机的四位数字，然后要求他们思考 10 秒。对每个受试者进行了 15 次试验，在每个心理回忆片段之前都有放松和视觉刺激阶段。我们引入了一个新颖的派生特征，称为半球间振幅比 (IHAR)，它表示横向对应电极对的振幅比。该特征是在使用信号增强技术扩展训练集后提取的，并使用多种机器学习 (ML) 算法进行测试，包括线性判别分析 (LDA)、支持向量机 (SVM) 和 k-最近邻 (kNN)。大多数 ML 算法在 14 个电极的情况下显示 100% 的准确率，根据我们的结果，使用更少的电极也可以实现完美的准确率。然而，AF3、AF4、F7 和 F8 电极组合与 kNN 分类器产生了 99.0 ± 0.8% 的测试准确率，是人员识别的最佳选择，既保持了用户友好性又保持了性能。令人惊讶的是，放松阶段表现出三个阶段中最高的准确率。
探索噪声和降解对心脏声音分类模型的影响
近年来，数据驱动的心脏声音分类模型的发展一直是研究的活跃领域。首先要开发此类数据驱动的模型，需要使用信号采集设备捕获心脏声音信号。但是，由于大多数情况下存在内部和外部噪音，几乎不可能捕获无噪声的心声信号。心脏声音信号中的这种噪声和降解可能会降低数据驱动分类模型的准确性。尽管文献中已经提出了不同的技术来解决噪声问题，但心声信号中的噪声和降解在何种程度上影响了数据驱动的分类模型的准确性，但仍未得到探索。为了回答这个问题，我们制作了一个合成心脏声音数据集，包括正常和异常的心脏声音，这些声音被各种噪音和降解污染。我们使用此数据集研究了心脏声音记录中噪声和降解对不同分类模型的性能的影响。结果显示出不同的噪声和降解在不同程度上影响心脏声音分类模型的性能。有些对于分类模型更有问题，而另一些则不那么破坏性。将这项研究的发现与我们先前与一组临床医生进行的调查的结果进行比较，表明对分类模型更有害的噪声和降解也更具破坏性对准确的听诊。这项研究的发现可以利用以发展有针对性的心脏声音质量增强方法 - 根据心脏声音信号中噪声和降解的特征，可以适应质量增强的类型和侵略性。
BioGAP：一款具有 10 核 FP 功能的超低功耗物联网处理器，具有医疗级 AFE 和 BLE 连接，可用于可穿戴生物信号处理
摘要 — 可穿戴生物信号处理应用正在推动临床和消费应用的小型化、节能物联网解决方案取得重大进展。但是，只有通过节能的边缘处理执行数据处理和机器学习 (ML) 近传感器，才能向高密度多通道前端扩展。为了应对这些挑战，我们推出了 BioGAP，这是一种新颖、紧凑、模块化、轻量级 (6g) 的医疗级生物信号采集和处理平台，由 GAP9 提供支持，GAP9 是一款十核超低功耗 SoC，专为高效多精度（从 FP 到积极量化的整数）处理而设计，满足高级 ML 和 DSP 的要求。BioGAP 的外形尺寸为 16x21x14 mm3，由两个堆叠的 PCB 组成：集成 GAP9 SoC 的基板、支持无线蓝牙低功耗 (BLE) 的 SoC、电源管理电路和加速度计；以及一个包含用于 ExG 采集的模拟前端 (AFE) 的屏蔽。最后，该系统还包括一个可灵活放置的光电容积图 (PPG) PCB，尺寸为 9x7x3 mm 3 和一个可充电电池（ϕ 12x5 mm 2）。我们在基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 应用上演示了 BioGAP。由于 FFT 计算任务的效率为 16.7 Mflops/s/mW，无线带宽减少了 97%，我们在流式传输中实现了 3.6 µJ/样本，在板载处理模式下实现了 2.2 µJ/样本，功率预算仅为 18.2 mW，运行时间为 15 小时。关键词——可穿戴 EEG、可穿戴医疗保健、超低功耗设计、嵌入式系统。
耦合 CP 分解同步 MEG-EEG 信号用于区分光驱动过程中的振荡器
脑磁图 (MEG) 和脑电图 (EEG) 是研究大脑功能和组织的当代方法。同时获取的 MEG-EEG 数据本质上是多维的并表现出耦合。本研究使用耦合张量分解从间歇性光刺激 (IPS) 期间的 MEG-EEG 中提取信号源。我们采用耦合半代数框架通过同步矩阵对角化 (C-SECSI) 进行近似 CP 分解。在使用模拟基准数据将其性能与其他方法进行比较后，我们将其应用于 12 名参与者在 IPS 期间的 MEG-EEG 记录，其中个体 alpha 频率的分数在 0.4 到 1.3 之间。在基准测试中，C-SECSI 比 SECSI 和其他方法更准确，尤其是在病态场景中，例如涉及共线因子或具有不同方差的噪声源。分量场图使我们能够将视觉诱发的大脑活动的生理意义振荡与背景信号区分开来。分量的频率特征可识别出相应刺激频率或其第一谐波的同步，或单个 alpha 波段或 theta 波段的振荡。在对 MEG 和 EEG 数据的组分析中，我们观察到 alpha 和 theta 波段振荡之间存在相互关系。使用 C-SECSI 的耦合张量分解是一种强大的方法，可用于从多维生物医学数据中提取生理意义的源。无监督信号源提取是使先进的多模态信号采集技术可用于临床诊断、术前规划和脑机接口应用的重要解决方案。
耳部脑电图传感器验证工具包
摘要：支持 EEG 的耳塞代表着超越传统实验室测试的脑活动监测领域的一个有前途的前沿。它们的离散外形和与大脑的接近度使它们成为第一代离散非侵入式脑机接口 (BCI) 的理想候选。然而，这项新技术需要全面的特性描述，才能被广泛用于消费者和健康相关领域。为了满足这一需求，我们开发了一个验证工具包，旨在促进和扩大对耳-EEG 设备的评估。该工具包的第一个组件是一个桌面应用程序（“EaR-P Lab”），它控制几个 EEG 验证范例。此应用程序使用实验室流层 (LSL) 协议，使其与大多数当前 EEG 系统兼容。该工具包的第二个元素将幻影评估概念的改编引入了耳-EEG 领域。具体而言，它利用测试对象耳朵的 3D 扫描来模拟耳朵周围和内部的典型 EEG 活动，从而可以对不同的耳-EEG 外形和传感器配置进行受控评估。每种 EEG 范例都使用湿电极耳部 EEG 记录进行验证，并与头皮 EEG 测量结果进行对比。耳部 EEG 模型成功获取了硬件特性的性能指标，揭示了基于电极位置的性能差异。此信息用于优化电极参考配置，从而提高了听觉稳态响应 (ASSR) 功率。通过这项工作，我们开发了耳部 EEG 评估工具包，旨在促进对新型耳部 EEG 设备从硬件到神经信号采集的系统评估。
使用无线技术通过皮质记录为瘫痪患者访问虚拟键盘
如今，大多数人都患有瘫痪性疾病，这会导致许多残疾，例如无法说话、无法进行任何身体活动，他们很难表达自己的日常需求，但能够使用眼睛并经常移动头部。双瘫、闭锁综合征、四肢瘫痪和肌萎缩侧索硬化症 (ALS) 等少数疾病，患者意识到周围发生了什么，但无法做出反应，因为除了眼球运动和眨眼外，失去了身体中少数随意肌的运动能力。虚拟键盘是这些受害者与人交流并能够访问他们的重要密码的解决方案。本文使用脑机接口 (BCI) 原理。通过访问虚拟键盘，它可以帮助受害者键入将显示在显示器屏幕上的字母，它是使用 Matlab 编程设计的。BCI 原理是将用户产生的大脑活动模式转化为相应的命令。信号采集和信号处理由 BCI 组成。关键词：脑机接口 (BCI)、EEG、眨眼、虚拟键盘。DOI 编号：10.14704/nq.2022.20.8.NQ44309 NeuroQuantology 2022；20(8)：2779-2784 简介 有一些瘫痪疾病，例如双瘫、闭锁综合症 [1]、四肢瘫痪和运动神经元疾病，例如肌萎缩侧索硬化症 (ALS) [2]，患者无法移动他们的手和腿。这些疾病会削弱肌肉，还会影响控制随意肌运动的神经细胞。患者将失去控制随意运动的能力。脑电波的研究称为脑电图 (EEG)。1929 年，伯杰通过在人体头骨外部放置许多电极来记录脑电图。与大脑相关的生理功能数据通过这些信号间接传输。大量信号可用于可能的应用。例如，新技术设备与嵌入式设备融合