XiaoMi-AI文件搜索系统
World File Search System单次
使用单次脑电图周期图进行基于视觉刺激的反应时间估计的深度神经网络
摘要：多路复用深度神经网络 (DNN) 已经产生了高性能预测模型，这些模型在解码以脑电图 (EEG) 信号形式广泛收集的脑电波方面越来越受欢迎。在本文中，据我们所知，我们介绍了一种基于 DNN 的通用方法，该方法使用 48 名参与者的视觉刺激反应实验中单次试验 EEG 的周期图表示来估计反应时间 (RT)。我们设计了一个全连接神经网络 (FCNN) 和一个卷积神经网络 (CNN) 来预测和分类每次试验的 RT。虽然深度神经网络因分类应用而广为人知，但我们通过将 FCNN/CNN 与随机森林模型级联，设计了一个基于回归的稳健估计器来预测 RT。使用 FCNN 模型，二分类和三类分类的准确率分别为 93% 和 76%，使用 CNN 后准确率进一步提高（分别为 94% 和 78%）。基于回归的方法预测了 RT，FCNN 和 CNN 的相关系数 (CC) 分别为 0.78 和 0.80。进一步研究发现，左中叶以及顶叶和枕叶对于预测 RT 至关重要，在 theta 和 alpha 频带中有显著活动。
带整流 IoU 损失的单次双叉检测器
基于CNN的目标检测器中，特征金字塔被广泛使用来缓解目标实例间尺度变化的问题。这些目标检测器通过自上而下的路径和横向连接来强化特征，主要是为了丰富低级特征的语义信息，而忽略了高级特征的增强，这会导致不同层次的特征之间不平衡，特别是高级特征中严重缺乏细节信息，从而难以得到准确的边界框。在本文中，我们引入了一种新的双管齐下的传导思想，从前向和后向探索不同层之间的关系，可以同时丰富低级特征的语义信息和高级特征的细节信息。在双管齐下的思想指导下，我们提出了一个双管齐下网络（TPNet）来实现高级特征和低级特征之间的双向传递，这有助于准确地检测不同尺度的目标。此外，由于单阶段检测器中难样本和易样本的分布不平衡，定位损失的梯度总是由定位精度较差的难样本主导。这将导致模型偏向难样本。因此，在我们的 TPNet 中，提出了一种基于 IoU 的自适应定位损失，称为 Rectified IoU (RIoU) 损失，以校正每种样本的梯度。Rectified IoU 损失会增加高 IoU 样本的梯度，同时抑制低 IoU 样本的梯度，从而提高模型的整体定位精度。大量实验证明了我们的 TPNet 和 RIoU 损失的优越性。
单次鼻内剂量的黑猩猩腺病毒-...
未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者（此版本于 2020 年 7 月 17 日发布。；https://doi.org/10.1101/2020.07.16.205088 doi：bioRxiv preprint
使用深度信念网络对 P300 单次试验进行分类......
摘要 — 脑机接口 (BCI) 旨在让用户能够仅通过思维过程与机器交互。针对轻度和重度运动障碍患者的 BCI 尤其令人感兴趣，因为这种技术将改善他们的生活方式。本文重点研究了使用深度信念网络对脑电图中单次试验的 P300 波形进行分类，以用于 BCI。这种深度学习算法能够自动从受试者的脑电图数据中识别相关特征，使其训练所需的预处理阶段更少。该网络在健康受试者和中风后患者身上进行了测试。健康受试者的最高准确率为 91.6%，中风后患者的准确率为 88.1%。索引术语 — 脑机接口、中风患者、脑电图、深度信念网络
单次试验运动的检测和分类——……
尽管我们已尽合理努力获得第三方的所有必要许可，以将其受版权保护的内容纳入本文，但其完整引文和版权信息可能未出现在此已接受稿件版本中。在使用本文的任何内容之前，请参阅 IOPscience 上发布的记录版本，了解完整引文和版权详情，因为可能需要获得许可。所有第三方内容均受版权保护，除非记录版本的图表标题另有明确说明。
用于脑机接口单次运动意图检测的 EEG 耳机评估
摘要：脑机接口 (BCI) 可用于神经康复；然而，关于将该技术转移到康复诊所的文献有限。BCI 的一个关键组件是耳机，有几种可选的耳机。本研究的目的是测试四种市售耳机记录和分类运动意图（运动相关皮质电位 - MRCP）的能力。12 名健康参与者进行了 100 次运动，同时在两天内通过耳机记录了连续的脑电图，以确定测量的可靠性：单次试验的分类准确度、拒绝的时期数和信噪比。MRCP 可以用覆盖运动皮层的耳机记录，并且它们获得了最好的分类准确度（73% - 77%）。最好的耳机（覆盖运动皮层的凝胶基耳机）的可靠性为中等到良好。结果表明，在评估的耳机中，可靠地记录 MRCP 需要位于靠近运动皮层位置的通道，并且可能需要基于凝胶的耳机。
使用功能性超声神经成像技术对运动意图进行单次试验解码
摘要 脑机接口 (BMI) 是恢复瘫痪患者功能的强大设备。利用神经记录技术、计算能力和对潜在神经信号的理解的重大进步，BMI 使严重瘫痪的患者能够控制外部设备，例如计算机和机器人肢体。然而，高性能 BMI 目前需要高度侵入性的记录技术，因此仅适用于小众人群。在这里，我们展示了一种基于功能性超声 (fUS) 成像的微创神经成像方法可用于检测和解码可用于 BMI 的运动意图信号。我们训练非人类灵长类动物进行记忆引导运动，同时使用硬膜外 fUS 成像记录后顶叶皮层的脑血容量变化 - 后顶叶皮层是大脑中对空间感知、多感觉整合和运动规划很重要的区域。使用在运动规划期间获得的血流动力学信号，我们对左提示运动和右提示运动进行了分类，从而确定了超声波 BMI 的可行性。这些结果证明了基于 fUS 的神经接口能够利用超声波的优异时空分辨率、灵敏度和视野，而不会破坏硬脑膜或物理穿透脑组织。
单次试验脑电图分类研究
研究已经证实，在导航任务中，可以区分大脑对观察正确和错误动作的反应。此外，这些分类可以用作基于学习的 BCI 的反馈，让真实或虚拟机器人找到到达目标的准最佳路线。然而，在导航时，不仅要知道我们正朝着正确的方向朝着目标前进，还要知道我们何时到达目标。我们要求参与者观察一个虚拟机器人执行一维导航任务。我们记录了脑电图，然后对两类正确动作的反应进行了神经生理学分析：靠近目标但未到达目标的动作和到达目标的动作。此外，我们使用了时域特征的逐步线性分类器，在单次试验的基础上区分类别。第二个数据集也用于进一步测试这种单次试验分类。我们发现，在运动到达目标的情况下，P300 的幅度明显更大。有趣的是，我们能够对观察两类正确运动时引起的脑电图信号进行分类，两组数据的平均总体准确率分别为 66.5% 和 68.0%，所有参与者的准确率都高于偶然水平。作为概念验证，我们证明了使用单次试验脑电图可以对观察这些不同正确运动时产生的脑电图反应进行分类。这可以用作基于学习的 BCI 的一部分，并为更自主的 BCI 导航系统打开了一扇新的大门。
单次脑电图解码揭示了驱动快速语音分类决策的功能性大脑连接的独特状态
摘要 目的。分类感知 (CP) 是语音感知的固有属性。听众对语音识别的感知反应时间 (RT) 对个体差异高度敏感。虽然已经从大脑区域对行为的贡献角度对 CP 的神经相关性进行了深入研究，但表示听众对语音分类的速度 (RT) 的个体差异的功能连接模式尚不清楚。在本研究中，我们介绍了一种新方法来解决这些问题。方法。我们对 EEG 采用了几种计算方法，包括图挖掘、机器学习（即支持向量机）和稳定性选择，以研究预测听众行为决策速度的独特大脑状态（功能性神经连接）。主要结果。我们推断：(i) 听者的感知速度与其大脑连接组的动态变化直接相关，(ii) 全局网络的协同性和效率区分了快速、中速和慢速 RT，(iii) 对于较慢的 RT，加速决策背后的功能网络的负协同性增加（即变为不协同），(iv) 较慢的分类语音决策导致神经资源的过度使用和 CP 回路内更异常的信息流，(v) 反应较慢的人倾向于过度（或不恰当地）使用功能性大脑网络，而反应较快的人（全局效率较低）使用相同的神经通路但组织更受限制。意义。研究结果表明，神经分类器 (SVM) 加上稳定性选择可以正确地从功能连接中对行为 RT 进行分类，准确率超过 92%（AUC = 0.9）。我们的结果证实了以前的研究，通过使用完全数据驱动的方法支持 CP 中相似的颞叶（STG）、顶叶、运动和前额叶区域的参与。
使用 EEGNet 和神经网络进行单次试验脑电图分类 ...
摘要 — 研究和开发新的机器学习技术来增强脑机接口 (BCI) 的性能一直是研究人员感兴趣的领域。开发稳健且通用的分类器一直是 BCI 在实际应用中的重要要求之一。EEGNet 是一个紧凑的 CNN 模型，据报道它可以推广到不同的 BCI 范式。在本文中，我们旨在通过采用神经结构化学习 (NSL) 进一步改进 EEGNet 架构，该学习利用数据中的关系信息来规范神经网络的训练。这将允许 EEGNet 做出更好的预测，同时保持输入的结构相似性。除了更好的性能之外，EEGNet 和 NSL 的组合更加稳健，适用于较小的训练样本，并且需要单独的特征工程，从而节省计算成本。所提出的方法已经在两个标准运动图像数据集上进行了测试：第一个是来自格拉茨大学的两类运动图像数据集，第二个是来自 2008 年 BCI 竞赛的 4 类数据集 2a。准确性表明，我们结合 EEGNet 和 NSL 的方法优于单一 EEGNet 模型。