XiaoMi-AI文件搜索系统
World File Search System意象
引用方式：Shi, TW, Chen, K.-J., Ren, L., Cui, W.-H. (2023)。基于运动意象的机械臂抓握控制脑机接口。
本文提出了一种脑机接口（BCI）系统，利用ABB机械臂实现手部和腕部控制。该BCI系统从30个电极采集四类运动想象（MI）任务（手抓握、手伸展、腕部屈曲和腕部伸展）脑电图（EEG）信号。它利用两个具有不同带宽的五阶巴特沃斯带通滤波器（BPF）和归一化方法实现原始MI任务EEG信号的预处理。特征提取的主要挑战是从预处理后的EEG信号中分析MI任务意图。因此，所提出的BCI系统在时域和时频域中提取了十一种特征，并使用互信息方法来降低提取特征的维数。此外，BCI系统应用一个具有30个滤波器的单卷积层卷积神经网络（CNN）来实现MI任务的四级分类。与现有研究相比，该BCI系统的分类准确率提高了约32%-35%，实际机械臂抓取控制实验验证了该BCI系统具有良好的适应性。
触觉意象诱发的事件相关去同步化
众所周知，手部运动和运动的心理表征都会导致相应皮质运动区域记录的脑电图 (EEG) 发生事件相关去同步 (ERD)。然而，体感皮质区域的 ERD 与触觉的心理表征之间的关系尚不清楚。在本研究中，我们利用健康人的 EEG 记录来比较右手真实和想象的振动触觉刺激的影响。真实和想象的感觉都会产生对侧 ERD 模式，尤其是在 m 波段，最明显的是在 C3 区域。基于这些结果和以前的文献，我们讨论了触觉意象作为复杂身体意象的一部分的作用，以及将触觉意象引起的 EEG 模式用作脑机接口 (BCI) 中的控制信号的潜力。将这种方法与运动意象 (MI) 相结合可以提高用于中风和神经创伤后感觉运动功能康复的 BCI 的性能。
虚拟现实中的动作观察与运动意象相结合对皮质活动的影响
简介：过去，人们使用各种技术来改善运动想象 (MI)，例如沉浸式虚拟现实 (VR) 和动觉排练。虽然脑电图 (EEG) 已用于研究基于 VR 的动作观察和动觉运动想象 (KMI) 之间的大脑活动差异，但尚未研究它们的综合效果。先前的研究表明，基于 VR 的动作观察可以通过提供视觉信息和体现来增强 MI，即对自己作为被观察实体的一部分的感知。此外，已经发现 KMI 产生的大脑活动与实际执行任务相似。因此，我们假设，利用 VR 为动作观察提供沉浸式视觉场景，同时参与者进行动觉运动想象，将显著改善与 MI 相关的皮质活动。
触觉意象引起的事件相关失同步
1. 稿件标题 1 触觉意象引起的事件相关去同步：EEG 研究 2 2. 缩写标题 3 触觉意象的 EEG 研究 4 3. 按出版文章中出现的顺序列出所有作者姓名和所属机构 5 6 7 Lev Yakovlev 1,2 , Nikolay Syrov 1,2 , Andrei Miroshnikov 2 , Mikhail Lebedev 3,4 , Alexander 8 Kaplan 1,2,5 9 10 1 Vladimir Zelman 神经生物学和脑康复中心，Skolkovo 科学技术研究所 11 ，俄罗斯莫斯科 12 13 2 波罗的海神经技术和人工智能中心，Immanuel Kant Baltic Federal 14 大学，加里宁格勒，俄罗斯 15 16 3 莫斯科国立罗蒙诺索夫大学力学与数学学院， 17 俄罗斯 18 19 4 俄罗斯科学院谢切诺夫进化生理学和生物化学研究所，俄罗斯圣彼得堡 20 21 22 5 人类和动物神经生理学和神经计算机接口实验室 23 莫斯科国立大学生物学院生理学系，俄罗斯莫斯科 24 25 26 4. 作者贡献： 27
基于脑电图感知的视觉和振动触觉引导的运动意象分类
摘要：运动想象 (MI) 是一种无需实际使用肌肉即可想象运动任务执行的技术。当用于由脑电图 (EEG) 传感器支持的脑机接口 (BCI) 时，它可以用作人机交互的成功方法。本文使用 EEG MI 数据集评估了六种不同分类器的性能，即线性判别分析 (LDA)、支持向量机 (SVM)、随机森林 (RF) 和来自卷积神经网络 (CNN) 系列的三种分类器。该研究调查了这些分类器在静态视觉提示、动态视觉引导以及动态视觉和振动触觉 (体感) 引导的组合指导下对 MI 的有效性。还研究了数据预处理过程中滤波通带的影响。结果表明，在检测不同方向的 MI 时，基于 ResNet 的 CNN 在振动触觉和视觉引导数据上的表现都明显优于竞争分类器。事实证明，使用低频信号特征对数据进行预处理是实现更高分类准确度的更好解决方案。研究还表明，振动触觉引导对分类准确度有显著影响，而相关改进对于结构更简单的分类器尤其明显。这些发现对于基于 EEG 的 BCI 的开发具有重要意义，因为它们提供了有关不同分类器在不同使用环境中的适用性的宝贵见解。
基于滑动窗口和 EEGNet 的 EEG 运动意象预测
摘要 — 需要反复校准并考虑受试者间差异是脑机接口实际应用面临的主要挑战。由于病变导致的神经动力学改变，解码中风患者的脑信号时，问题变得更具挑战性。最近，几种深度学习架构应运而生，尽管与传统方法相比，它们往往无法产生更高的准确性，而且由于依赖于自定义功能，它们大多不遵循端到端架构。然而，其中一些架构具有以端到端方式创建更通用的功能的良好能力，例如流行的 EEGNet 架构。虽然 EEGNet 被用于解码中风患者的运动想象 (MI) 数据，但其性能与传统方法一样好。[1] 在本研究中，我们通过在基于滑动窗口的方法中引入一个称为最长连续重复 (LCR) 的后处理步骤来增强基于 EEGNet 的解码，并将其命名为 EEGNet+LCR。所提出的方法在 10 名偏瘫中风患者的 MI 数据集上进行了测试，结果表明，与唯一的 EEGNet 和更传统的方法（例如通用空间模式 (CSP)+支持向量机 (SVM)）相比，该方法在 MI 信号内和跨受试者解码方面都表现出色。我们还观察到 EEGNet+LCR 在受试者内和跨受试者类别中的表现相当令人满意，这在文献中很少见，因此它有望成为实现实用的中风康复 BCI 的有希望的候选方案。
脑电图中心理运动意象分类的稳定性取决于分类器模型的选择和实验设计，而不是信号预处理
心理运动意象 (MI) 是指在心理上执行运动任务（Milton 等人，2008 年，例如打网球或游泳）。此类任务可用于体育领域（Schack 等人，2014 年）或评估严重脑损伤患者的认知表现（Stender 等人，2014 年；Engemann 等人，2018 年），利用事件相关去同步 (ERD) 可靠地检测脑损伤患者的高级认知功能（Cruse 等人，2011 年、2012b 年）。可靠地检测健康人的 MI 任务表现对于诊断工具评估无法对任务做出公开反应的脑损伤患者的隐性意识是必不可少的。在一项关于心理 MI 的里程碑式研究（ Goldfine 等人，2011 ）中，作者证明，所有健康对照组的脑电活动都有意识地调节，并与活跃心理或静息状态的时间锁定在一起。但这些调节是不一致的。因此，我们得出结论，在测试健康人时，即在考虑患有严重脑损伤的患者之前，是否有可能可靠地区分心理 MI 范式中的活跃状态和静息状态，这一点值得担忧。从技术上讲，稳定的心理 MI 大脑状态的检测似乎高度依赖于所使用的信号处理、分类程序和统计分析，正如对心理 MI 数据的重新分析（ Henriques 等人，2016 ）中所报告的那样。因此，在这项工作中，我们重新审视了健康个体中 MI 范式的潜力，并研究了四个不同的研究问题（RQ）。我们首先研究定量分析 EEG 数据时的两个非常关键的问题：伪影的识别和剔除以及电极空间的选择。由经过培训的研究人员对 EEG 信号进行目视检查，并手动去除充满伪影的信号周期，是从记录中去除受污染通道（Cruse 等，2011、2012a）或尾迹（Cruse 等，2012b）的常用方法。这种伪影剔除方法可以应用于明显的伪影，如眨眼或运动，但肌源性活动往往与感兴趣的大脑活动（McMenamin 等，2010）混合在一起，因此无法用这种策略从信号中去除。独立成分分析（ICA）是分离肌源性和大脑活动的有力工具。ICA 将数据分解为独立成分，然后通过目视检查将其分类为肌源性或真正的大脑活动。然而，受过训练的专家的错误分类可能是导致 ICA 性能有限的原因（Olbrich 等人，2011 年）。大约三分之一的 EEG 分类研究使用手动伪影清除，然后不进行伪影清除，并且
用于解码脑电图运动意象的最佳传感器组
摘要 — 脑机接口可用于通过从大脑活动中检测人的意图来操作设备。从脑电图 (EEG) 信号解码运动想象 (MI) 是实现此目的的常用方法。为了从 EEG 信号中可靠地识别 MI，通常需要足够数量的传感器。然而，大量的传感器会增加区分 MI 类别的计算成本。此外，与医疗或研究级设备相比，测量 EEG 信号的消费级设备通常采用较少数量的传感器。在这项实验研究中，我们研究了从有限数量的 EEG 传感器解码 MI 时准确性和复杂性之间的权衡。为此，使用成熟的解码方法，使用不同子集的电极位置对 EEG 数据训练了几个解码管道。我们发现，使用较少的传感器时，平均解码准确度没有显著差异 (p=[0.18–0.91])。单个人的最大性能损失是当使用 64 个可用传感器中的 8 个时，平均解码准确度降低了 0.1。因此，从有限数量的传感器解码 MI 是可行的，这凸显了为此目的使用商业传感器设备以降低金钱和计算成本的潜力。
用于解码脑电图运动意象的最佳传感器组
摘要 — 脑机接口可用于通过从大脑活动中检测人的意图来操作设备。从脑电图 (EEG) 信号解码运动想象 (MI) 是实现此目的的常用方法。为了从 EEG 信号中可靠地识别 MI，通常需要足够数量的传感器。然而，大量的传感器会增加区分 MI 类别的计算成本。此外，与医疗或研究级设备相比，测量 EEG 信号的消费级设备通常采用较少数量的传感器。在这项实验研究中，我们研究了从有限数量的 EEG 传感器解码 MI 时准确性和复杂性之间的权衡。为此，使用成熟的解码方法，使用不同子集的电极位置对 EEG 数据训练了几个解码管道。我们发现，使用较少的传感器时，平均解码准确度没有显著差异 (p=[0.18–0.91])。单个人的最大性能损失是当使用 64 个可用传感器中的 8 个时，平均解码准确度降低了 0.1。因此，从有限数量的传感器解码 MI 是可行的，这凸显了为此目的使用商业传感器设备以降低金钱和计算成本的潜力。
基于 EEGNet 的精确运动意象大脑——......
摘要 — 本文介绍了一种准确而强大的嵌入式运动想象脑机接口 (MI-BCI)。所提出的新模型基于 EEGNet [1]，可满足 ARM Cortex-M 系列等低功耗微控制器单元 (MCU) 的内存占用和计算资源要求。此外，本文还提出了一组方法，包括时间下采样、通道选择和缩小分类窗口，以进一步缩小模型以放宽内存要求，同时几乎不影响准确度。在 Physionet EEG 运动/图像数据集上的实验结果表明，标准 EEGNet 在全局验证中对 2 类、3 类和 4 类 MI 任务的分类准确率分别为 82.43%、75.07% 和 65.07%，比最先进的 (SoA) 卷积神经网络 (CNN) 分别高出 2.05%、5.25% 和 6.49%。我们的新方法进一步缩小了标准 EEGNet，精度损失为 0.31%，内存占用减少了 7.6 倍，精度损失为 2.51%，减少了 15 倍。缩放后的模型部署在商用 Cortex-M4F MCU 上，运行最小模型需要 101 毫秒，每次推理消耗 4.28 mJ，在 Cortex-M7 上运行中等模型需要 44 毫秒，每次推理消耗 18.1 mJ，从而实现了完全自主、可穿戴、准确的低功耗 BCI。索引术语 — 脑机接口、运动意象、CNN、嵌入式系统、边缘计算