XiaoMi-AI文件搜索系统
World File Search System数据长度
迁移学习和 SpecAugment 应用于基于 SSVEP 的 BCI 分类
目标：我们使用深度卷积神经网络 (DCNN) 对基于稳态视觉诱发电位 (SSVEP) 的单通道脑机接口 (BCI) 中的脑电图 (EEG) 信号进行分类，该接口不需要用户进行校准。方法：EEG 信号被转换为频谱图，并作为输入，使用迁移学习技术训练 DCNN。我们还修改并应用了一种通常用于语音识别的数据增强方法 SpecAugment。此外，为了进行比较，我们使用支持向量机 (SVM) 和滤波器组典型相关分析 (FBCCA) 对 SSVEP 数据集进行了分类。结果：从微调过程中排除评估用户的数据后，我们使用较小的数据长度（0.5 秒）、仅一个电极（Oz）和具有迁移学习、窗口切片（WS）和 SpecAugment 时间掩码的 DCNN，对来自开放数据集的 35 名受试者实现了 82.2% 的平均测试准确率和 0.825 的平均 F1 分数。结论：使用单个电极和较小的数据长度，DCNN 结果优于 SVM 和 FBCCA 性能。迁移学习提供的准确率变化很小，但使训练速度更快。SpecAugment 实现了小幅性能改进，并成功与 WS 结合，获得了更高的准确率。意义：我们提出了一种使用 DCNN 解决 SSVEP 分类问题的新方法。我们还修改了语音识别数据增强技术并将其应用于 BCI 环境中。所提出的方法在数据长度较小且只有一个电极的 BCI 中超越了 FBCCA 和 SVM（更传统的 SSVEP 分类方法）所获得的性能。这种类型的 BCI 可用于开发小型快速系统。
具有串行控制和 11 个模拟输入的 12 位模拟数字转换器数据表 (Rev. C)
在采样期间，其中一个模拟输入内部连接到转换器的电容器阵列以存储模拟输入信号。在四个地址位被输入到输入数据寄存器后，转换器立即开始对所选输入进行采样。采样从 I/O CLOCK 的第四个下降沿开始。转换器保持采样模式，直到 I/O CLOCK 的第八个、第十二个或第十六个下降沿，具体取决于数据长度选择。在最后一个 I/O CLOCK 下降沿的 EOC 延迟时间之后，EOC 输出变为低电平，表示采样周期结束并且转换周期已开始。EOC 变为低电平后，可以更改模拟输入而不会影响转换结果。由于从最后一个 I/O CLOCK 的下降沿到 EOC 低电平的延迟是固定的，因此可以以固定速率数字化随时间变化的模拟输入信号，而不会因时序不确定性而引入系统谐波失真或噪声。
一种用户友好的基于 SSVEP 的 BCI，使用不可感知的...
摘要：利用四类相位编码刺激，开发了基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）系统。将高于临界融合频率（CFF）的60Hz闪烁光诱发的SSVEP与15Hz和30Hz的SSVEP进行比较。采用任务相关成分分析（TRCA）方法检测脑电图（EEG）中的SSVEP成分。对17名受试者的离线分析表明，60Hz的最高信息传输速率（ITR）为29.80±4.65bpm，数据长度为0.5s，分类准确率为70.07±4.15％。在线BCI系统在4s的60Hz下达到平均分类准确率为87.75±3.50％，ITR为16.73±1.63bpm。具体来说，受试者在60Hz下的最大ITR为80bpm，持续时间为0.5s。虽然60Hz的BCI性能低于15Hz和30Hz，但行为测试的结果表明，在无闪烁感知的情况下，60Hz的BCI系统比15Hz和30Hz的BCI系统更舒适。相关性分析表明，信噪比（SNR）较高的SSVEP对应更好的分类性能，舒适度的提高伴随着性能的下降。本研究证明了使用无感知闪烁的用户友好型SSVEP BCI的可行性和潜力。
烟雾探测器与基于安全关键飞机的连接...
功能代码（位 24..15）每个应用程序功能在其各自的消息类型中都被指定为唯一的功能代码。除了描述下一级仲裁优先级之外，功能代码还用于传输逻辑数据，而无需使用实际的 CAN 数据字段。在这种情况下，数据长度代码 (DLC) 为 0，从而能够高效利用数据带宽，特别是对于 R_PDO 和 R_SDO，它们主要包含针对烟雾探测器的状态请求，并且不携带除请求本身之外的任何其他信息。模块 ID（位 14..5）模块 ID 字段包含 CAN 节点的唯一网络标识。当消息同时指向多个节点时，这也可能是广播标识。两个子字段模块类型和模块地址将模块 ID 分为设备类别及其各自的地址。整个模块地址空间可重复用于网络上的每个模块类型。系统 ID（位 4..0）系统 ID 用于使用唯一系统标记 CAN 标识符
利哈伊保护机构知识库
摘要：近年来，多元同步指数（MSI）算法作为一种新的频率检测方法，在基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）研究中受到越来越多的关注。然而，MSI算法难以充分利用脑电图（EEG）中与SSVEP相关的谐波分量，限制了MSI算法在BCI系统中的应用。在本文中，我们提出了一种新的滤波器组驱动的MSI算法（FBMSI）来克服该限制并进一步提高SSVEP识别的准确性。我们通过开发一个6命令SSVEP-NAO机器人系统并进行大量实验分析来评估FBMSI方法的有效性。首先使用从9名受试者采集的EEG进行离线实验研究，以研究不同参数对模型性能的影响。离线结果表明，所提出的方法取得了稳定的改进效果。我们进一步对六名受试者进行了在线实验，以评估所开发的 FBMSI 算法在实时 BCI 应用中的效果。在线实验结果表明，FBMSI 算法使用仅一秒的数据长度即可获得 83.56% 的平均准确率，比标准 MSI 算法高出 12.26%。这些广泛的实验结果证实了 FBMSI 算法在 SSVEP 识别中的有效性，并展示了其在改进的 BCI 系统开发中的潜在应用。
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。
隐蔽注意力可以持续控制大脑......
脑机接口 (BCI) 不仅可用于控制外部设备，还有望为研究大脑的工作提供新工具。在本研究中，我们研究了通过改变隐蔽注意力来调节大脑活动是否可以用作 BCI 的连续控制信号。隐蔽注意力是指在不改变注视方向的情况下将精神集中在外围感官刺激上的行为。当受试者在保持注视的同时隐蔽地注意移动的线索时，使用脑磁图记录了受试者的持续大脑活动。仅基于后阿尔法功率，就可以使用循环回归恢复受试者的注意方向。结果表明，在我们最好的受试者中，注意力角度可以用平均绝对偏差 510 来预测。对受试者进行平均，平均偏差约为 70°。在信息传输速率方面，用于恢复注意力方向的最佳数据长度被发现为 1700 毫秒；这导致最佳受试者的平均绝对偏差为 60°。结果是在没有任何受试者特定特征选择的情况下获得的，并且不需要事先进行受试者训练。我们的研究结果表明，由于内隐注意力的方向而引起的后阿尔法活动调节具有作为 BCI 环境中持续控制的控制信号的潜力。我们的方法将有多种应用，包括脑控计算机鼠标和改进的神经反馈方法，这些方法可以直接训练受试者调节后阿尔法活动的能力。
使用优化的基于通用模板的 CCA 方法控制机械臂，实现基于 SSVEP 的 BCI
最近，基于脑机接口 (BCI) 的机械臂控制系统已被用于帮助残疾人士提高无需身体运动的交互能力。然而，由于脑电图 (EEG) 信号的不稳定性以及自发脑电图活动的干扰，在三维 (3D) 空间中用机械臂执行所需任务是一项主要挑战。此外，机械手在 3D 空间中的自由运动控制是一项复杂的操作，需要更多的输出命令和更高的脑活动识别精度。基于上述内容，设计了一种基于稳态视觉诱发电位 (SSVEP) 的同步 BCI 系统，该系统具有六个刺激目标，以实现七自由度 (7-DOF) 机械臂的运动控制功能。同时，应用了一种基于模板的新型方法，该方法从不同的受试者构建优化的通用模板 (OCT)，并从通用模板和多通道脑电图信号中学习空间滤波器，以提高 SSVEP 识别精度，称为基于 OCT 的典型相关分析 (OCT-CCA)。基于公开基准数据集的离线实验对比结果表明，提出的OCT-CCA方法与CCA和基于单独模板的CCA（IT-CCA）相比，检测精度显著提高，尤其是在使用较短数据长度的情况下。最后，对五名健康受试者进行了在线实验，实现了机械臂实时控制系统。结果表明，五名受试者均能独立完成控制机械臂到达三维空间指定位置的任务。