XiaoMi-AI文件搜索系统
World File Search System听觉刺激
面向基于人工智能的交互式游戏干预监控...
摘要 — 本文介绍了一种用于学习困难儿童的学业参与和注意力水平监测的神经认知训练新方法的初步结果。机器学习 (ML) 技术和脑机接口 (BCI) 用于开发一种交互式人工智能游戏，用于教育治疗，以监测儿童在特定认知任务期间注意力水平的进展。我们的方法利用脑电图 (EEG) 采集儿童脑电波数据，通过模型校准对注意力水平进行分类。实时脑电波模式是我们游戏界面的输入，用于监测注意力水平。当注意力下降时，教育游戏可以通过改变训练的挑战或向用户提供一些新的视觉或听觉刺激来个性化用户，以减少注意力损失。为了了解注意力水平模式，我们收集了巴西各所小学患有智力障碍（如自闭症谱系障碍和注意力缺陷多动障碍）儿童的脑电波数据。初步结果表明，我们成功地对使用各种经典 ML 技术获得的脑电波模式进行了基准测试（96%）。通过自动分类脑电波获得的结果对于进一步开发我们的完整方法至关重要。问卷调查中对基于人工智能的游戏以及训练期间的参与度和积极性都给出了积极的反馈。
听觉和听觉和听觉 - 运动协调障碍儿童的运动时间能力：范围评论
摘要：发育协调障碍（DCD）在很大程度上被其他同时发生条件所诊断和掩盖。这项研究的目的是（1）提供有关DCD儿童的听觉 - 运动时间和同步能力的研究的第一次综述，以及（2）检查运动性能降低是否可能与听觉感知时间的困难有关。根据PRISMA-SCR指南，在五个主要数据库（MEDLINE，EMBASE，PSYCINFO，CINAHL和SCOPUS）上进行了范围审查。由两名独立审阅者筛选了研究，但没有出版日期限制。从1673记录的初始返回中，最终审查中包括16篇文章，并根据所研究的定时方式（即听觉 - 感知，运动或听觉 - 运动器）合成。结果表明，DCD儿童具有有或没有外部听觉提示的有节奏运动的困难，进一步表明运动响应的变化和缓慢的变化是DCD的关键特征，无论实验性任务如何。重要的是，我们的评论重点介绍了DCD中有关听觉感知能力的文献中的显着差距。除了测试听觉知觉外，未来的研究还应比较DCD在节奏和未取得的任务上的表现，以确定听觉刺激是否有助于或多或少稳定的表现。此知识可能会为未来的治疗干预提供信息。
Frédéric Dehais 和 Imad Rida 和 Raphaëlle N. Roy 和 John Iversen 和 Tim Mullen 和 Daniel E. Callan 的 pBCI，用于在实际飞行条件下发生注意力错误之前进行预测。（2019 年）在：IEEE 系统、人与控制论国际会议 - IEEE SMC BMI，2019 年 10 月 6 日 - 2019 年 10 月 9 日（意大利巴里）。
摘要 — 事故分析表明，飞行员可能无法处理诸如警报之类的听觉刺激，这种现象称为注意力不集中性失聪。这项研究的动机是开发一种被动脑机接口，可以预测在真实飞行条件下这种关键现象的发生。十名配备干脑电图系统的志愿者必须飞行一个具有挑战性的飞行场景，同时通过按下按钮来响应听觉警报。行为结果显示，飞行员错过了 36% 的听觉警报。ERP 分析证实，由于潜在的注意力瓶颈机制，这种现象会影响早期（N100）和晚期（P300）阶段的听觉处理。使用稀疏表示分类 (SRC)、稀疏和密集表示 (SDR) 以及更传统的方法（例如线性判别分析 (LDA)、收缩 LDA 和最近邻 (1-NN)），对警报开始前三秒提取的频率特征进行受试者间分类。在最佳情况下，SRC 和 SDR 分别给出了 66.9% 和 65.4% 的正确平均分类率来预测注意力不集中性耳聋的发生，优于 LDA (60.6%)、sLDA (60%) 和 1- NN (59.6%)。这些结果为神经自适应自动化的实施开辟了光明的前景，最终目标是增强警报刺激传递，以便人们感知和采取行动。
pBCI 可在真实飞行条件下预测注意力错误
摘要 — 事故分析表明，飞行员可能无法处理诸如警报之类的听觉刺激，这种现象称为注意力缺失性失聪。这项研究的目的是开发一种被动脑机接口，可以预测在真实飞行条件下这种关键现象的发生。十名配备干脑电图系统的志愿者必须飞行一个具有挑战性的飞行场景，同时通过按下按钮来响应听觉警报。行为结果显示，飞行员错过了 36% 的听觉警报。ERP 分析证实，由于潜在的注意力瓶颈机制，这种现象会影响早期（N100）和晚期（P300）阶段的听觉处理。使用稀疏表示分类 (SRC)、稀疏和密集表示 (SDR) 以及更传统的方法（例如线性判别分析 (LDA)、收缩 LDA 和最近邻 (1-NN)）对警报响起前三秒提取的频率特征进行受试者间分类。在最佳情况下，SRC 和 SDR 分别给出了 66.9% 和 65.4% 的正确平均分类率来预测注意力不集中性耳聋的发生，优于 LDA (60.6%)、sLDA (60%) 和 1-NN (59.6%)。这些结果为神经自适应自动化的实施开辟了光明的前景，最终目标是增强警报刺激传递，使其被感知和采取行动。
应用机器学习脑电信号分类来
摘要 机器学习方法已成功应用于多种神经生理信号分类问题。考虑到情绪与人类认知和行为的相关性，机器学习的一个重要应用是在基于神经生理活动的情绪识别领域。尽管如此，文献中的结果存在很大的差异，这取决于神经元活动测量、信号特征和分类器类型。本研究旨在为基于电生理脑活动的机器学习应用于情绪识别提供新的方法论见解。为此，我们分析了之前记录的脑电图活动，这些活动是在向一组健康参与者提供情绪刺激、高唤醒和低唤醒（听觉和视觉）时测量的。我们要分类的目标信号是刺激前开始的大脑活动。使用光谱和时间特征比较了三种不同分类器（线性判别分析、支持向量机和 k-最近邻）的分类性能。此外，我们还将分类器的性能与静态和动态（时间演变）特征进行了对比。结果表明，时间动态特征的分类准确率明显提高。特别是，具有时间特征的支持向量机分类器在对高唤醒和低唤醒听觉刺激进行分类时表现出最佳准确率（63.8％）。
基于 FPGA 的闭环睡眠调节系统——...
摘要 — 闭环睡眠调节是一种治疗睡眠障碍和提高睡眠益处的新兴研究范式。然而，两大障碍阻碍了这一研究范式的广泛应用。首先，受试者通常需要通过有线连接到机架式仪器上进行数据采集，这会对睡眠质量产生负面影响。其次，传统的实时睡眠阶段分类算法性能有限。在这项工作中，我们通过开发一种支持设备闭环操作的睡眠调节系统来克服这两个限制。睡眠阶段分类是使用轻量级深度学习 (DL) 模型执行的，该模型由低功耗现场可编程门阵列 (FPGA) 设备加速。DL 模型使用单通道脑电图 (EEG) 作为输入。两个卷积神经网络 (CNN) 用于捕获一般和详细特征，双向长短期记忆 (LSTM) 网络用于捕获时变序列特征。使用 8 位量化来降低计算成本，同时不影响性能。DL 模型已使用包含 81 名受试者的公共睡眠数据库进行了验证，实现了最先进的 85.8% 的分类准确率和 79% 的 F1 分数。开发的模型还显示出可以推广到不同通道和输入数据长度的潜力。闭环同相听觉刺激已在测试台上得到演示。
胎儿能够听、学、记：我们需要谨慎说话和说话方式！
胎儿听觉系统在妊娠中期甚至更早的时候就开始发挥作用。现有数据显示，胎儿可以对母亲的声音和不同类型的音乐（包括声乐和器乐）做出反应。接收和传输声波，然后识别并保留这些听觉刺激的一些记忆的能力可能是我们需要了解的最重要的感官发育里程碑之一。不幸的是，我们仍然没有足够的证据来证明产前声音模拟的确切作用和时间。需要进行方法论上强有力的随机对照试验，并采用严格设计的干预措施和标准化的报告措施。我们可能需要比较不同持续时间和类型的音乐（声音）干预。至少，这些干预措施可以改善母胎关系和以家庭为中心的结果。任何神经发育改善的证据都将是重要的科学/医学进步。在某些情况下，例如新生儿戒断综合征，新出现的证据表明，早期宫内音乐疗法干预是有帮助的；这些发现为开发新的治疗工具以增强高危胎儿的神经发育带来了希望。考虑到产前音乐接触可能对胎儿和新生儿产生积极影响，我们需要对宫内神经感觉组织进行仔细的研究并进行长期跟踪。关键词：胎儿、母亲的胎心监护参数、音乐疗法、新生儿行为、新生儿神经系统、新生儿、怀孕、节奏、声音、言语。新生儿 (2024)：10.5005/jp-journals-11002-0102
基于听觉的神经生理反应，用于利用单声道节拍进行大脑调节
摘要 — 脑调节是通过外部刺激改变大脑活动的过程。然而，哪种情况可以诱导激活仍不清楚。因此，我们旨在使用 40 Hz 单耳节拍 (MB) 来识别大脑激活条件。在这种刺激下，由频率和功率范围决定的听觉状态是需要考虑的条件。因此，我们设计了五个会话进行比较：无刺激、可听 (AB)、频率听不见、功率听不见以及频率和功率都听不见。十名健康参与者接受了每次十分钟的刺激，并记录了脑电图 (EEG)。为了进行分析，我们计算了每个会话的 EEG 功率谱密度 (PSD)，并在频率、时间和五个大脑区域进行比较。结果，我们仅在 AB 中观察到 40 Hz 处的显著功率峰值。诱导的 EEG 幅度增加从一分钟开始，并一直增加到会话结束。与其他刺激相比，AB 的这些结果在额叶、中央、颞叶、顶叶和枕叶区域存在显着差异。从统计分析中可以看出，右侧颞区PSD明显高于左侧颞区，说明听觉在引导大脑激活中起着重要作用，这些发现有助于理解听觉刺激的神经生理原理和效应。关键词——脑调制，单耳节拍，感觉，脑电图
脑电图上的前额叶高伽马标记感知和想象中的音乐节奏周期性
摘要 已知有节奏的听觉刺激能引发神经群体中匹配的活动模式。此外，最近的研究表明高伽马大脑活动在听觉处理中具有特殊重要性，因为它参与了听觉短语分割和包络跟踪。在这里，我们使用来自 8 名人类听众的皮层脑电图 (ECoG) 记录来查看在节奏感知和想象过程中高伽马活动的周期性是否跟踪音乐节奏包络中的周期性。通过指示参与者想象节奏在几次重复的停顿期间继续，可以引发节奏想象。为了确定高伽马活动周期跟踪音乐节奏周期的电极，我们计算了音乐节奏和神经信号的自相关 (ACC) 之间的相关性。参与者听白噪声的条件用于建立基线。颞上回听觉区和两个半球额叶区域的高伽马自相关与音乐节奏的自相关显著匹配。总体而言，在右半球观察到大量重要的电极。特别有趣的是右前额叶皮层中的一大群电极在节奏感知和想象时都处于活跃状态。这表明有意识地处理节奏的结构，而不仅仅是听觉现象。自相关方法清楚地表明，从皮层电极测量的高伽马活动既跟踪注意的节奏，也跟踪想象的节奏。
从噪声中提取诱发电位的统计方法
诱发电位 (EP) 是嵌入自发性脑电图活动 (EEG) 中的离散信号。从噪声中提取它们需要重复记录。视觉或听觉刺激触发采集系统，然后收集“诱发电位”。诱发电位不同于自发性神经活动 (EEG)，因为它与触发“事件”同步。实际上，触发事件的信号用于采集诱发电位信号。诱发电位 (PE) 被定义为大脑有限区域相对于另一个电中性区域的电势的瞬态变化。EP 由放置在活动结构发出的电场中的电极捕获，并与所谓的“参考”电极检测到的电位进行比较。当参考电极捕获脑神经活动时，传感器系统称为双极。另一方面，当参考电极位于没有大脑活动的区域（例如耳垂）时，传感器系统称为单极。在最好的情况下，我们刚才看到的感兴趣的诱发电位 (PE) 是在离源很远的地方捕获的，其幅度非常小，不超过十微伏。此外，它嵌入在电极捕获的连续大脑活动（EEG 高于 100 微伏）中。PE 有时低于放大器的背景。因此，在检查其特性之前，有必要从背景噪声中提取 PE。40 年来使用的经典方法是平均法。该方法由同步连续响应的平均值组成。诱发电位是一种根据受试者的注意力而发展的大脑活动，因此平均值不足以令人满意地研究它。