摘要:脑电图(EEG)是记录大脑电活动的方法。在脑电图中,各种频率信号可以分析大脑和大脑的行为。eeg可以检测到大脑中的异常,其中一种异常是自闭症谱系障碍(ASD)。ASD是一个人在社会沟通和行为中具有神经系统疾病的结合,对某些事物和感觉行为的兴趣有限的条件。联合注意(JA)是与第三个外部元素作为对象或事件分享交互社会伙伴之间关注的能力。联合注意也可以说是遵循他人注意的社会互动行为,并直接关注他人。联合注意是影响自闭症谱系障碍患者(ASD)社会沟通的关键点。在这项研究中,进行了基于脑电图记录的靶向对象的指令的响应能力的检测。所使用的数据集是Bciaut P-300,它是非线性可分离且不平衡的类,比为1:8。在处理不平衡的数据时,采用了不足的采样。比较的特征提取方法是小波和主成分分析。基于实验结果,PZ具有使用EEG P-300数据对ASD进行分类的最佳通道。最佳准确性是GRLVQ,最好的g均值是SVM。在所有结果中,基于准确性,g均值,培训和测试时间表明,GRLVQ比其他结果更好,而SVM是跑步者。准确性的差异为9%,训练时间GRLVQ的速度比SVM快45秒,并且测试时间更快3秒。
摘要 — 听觉注意检测 (AAD) 试图从多人说话场景(例如鸡尾酒会)中的 EEG 信号中检测出被关注的语音。由于 EEG 通道反映了不同大脑区域的活动,因此面向任务的通道选择技术可以提高脑机接口应用的性能。在本研究中,我们提出了一种软通道注意机制,而不是硬通道选择,通过优化听觉注意检测任务来导出 EEG 通道掩模。神经 AAD 系统由神经通道注意机制和卷积神经网络 (CNN) 分类器组成。我们在公开数据库上评估了所提出的框架。对于 64 通道 EEG,我们在 2 秒和 0.1 秒决策窗口下分别实现了 88.3% 和 77.2%;对于 32 通道和 16 通道 EEG,我们在 2 秒决策窗口下分别实现了 86.1% 和 83.9%。所提出的框架在所有测试用例中都远远优于其他竞争模型。
摘要:本研究旨在研究识别前额叶皮层中大脑活动的任务,这些任务与不同偏好水平的音乐相对应。由于有关主题最喜欢的音乐影响的任务表现会导致更好的结果,因此我们专注于对音乐偏好水平的脑电图(EEG)乐队的物理解释。实验是使用连续响应数字界面实现的,用于三种类型的音乐刺激的偏好分类。结果表明,最喜欢的歌曲比低和中等偏好水平的音乐更为引人注目。此外,额叶theta与认知状态的相关性表明,额叶theta不仅与认知状态有关,而且与情感处理相关。这些发现表明,最喜欢的歌曲对听众的积极影响比不太有利的音乐产生了更多的积极影响,并暗示额叶皮质中的Theta和Lower Alpha是认知状态和情感的良好指标。
1 多媒体信息系统和高级计算实验室(MIRACL),斯法克斯大学,斯法克斯 3021,突尼斯;siwarchaabene@gmail.com(SC);Bassem.Bouaziz@isims.usf.tn(BB);amalboudaya71@gmail.com(AB)2 斯法克斯数字研究中心,BP 275,Sakiet Ezzit,斯法克斯 3021,突尼斯 3 马格德堡奥托冯格里克大学体育科学研究所,39104 马格德堡,德国; anita.hoekelmann@ovgu.de 4 神经科学、生理学和心理学跨学科实验室:身体活动、健康和学习 (LINP2),UFR STAPS,UPL,巴黎楠泰尔大学,92000 楠泰尔,法国 5 IRIT-ENSEEIHT,图卢兹大学,31013 图卢兹,法国;lotfi.chaari@toulouse-inp.fr * 通信地址:achraf1.ammar@ovgu.de † 这些作者作为第一作者对本文的贡献相同。 ‡ 这些作者作为最后一位作者对本文的贡献相同。
神经反馈(NFB)是一种神经调节疗法,可训练患者对其大脑活动的自愿控制(Patel等,2020)。神经反馈系统为患者提供了其脑电图(EEG)信号的实时表示(Alkoby等,2018)。这有助于对心理策略的认可和实践,从而使他们能够实现与治疗益处相关的大脑状态(Bagdasaryan和Le van Quyen,2013年)。nfb已在各种疾病中实施,从焦虑,抑郁到慢性疼痛,有多项研究报告的结果(Schoenberg和David,2014; Melo等,2019)。越来越多地探索神经反馈的领域之一是慢性疼痛。alpha功率较低(Chang等,2001; Boord等,2008; Saithong等,2012; Jensen等,2013b; Lim等,2016; Nickel等,2017)。因此,几项研究试图使用神经反馈来提高这些患者群体的α功率,以通过孤立地靶向α节奏来减轻疼痛(Elbogen等,2019; Mayaud等,2019),或与其他节奏(如beta和Theta Rhythms)结合使用,例如Beta和Theta Rhythms(Jensen and al。 Taleb等人,2019年;Vuèkoviæ等,2019)。过去十年进行的所有神经反馈研究都使用平均α功率来衡量神经生理信号的变化(Jensen等,2013a; Hassan等,2015; Al-Taleb等,2019; Elbogen et al。尽管这些研究大多数报告了神经反馈后这些个体的疼痛显着减轻,但这些研究中很少能显示出疼痛减轻与神经生理信号的变化之间的直接相关性,这是最近系统评价强调的(Patel等,2020)。这提出了一个问题,即是否通常用于评估学习成功的指数是否真正反映了神经反馈后疼痛缓解的神经生理变化。学习索引的选择确实是神经反馈领域中的一个高度争议的话题。两个广泛使用的指标包括平均α功率和比预定的α功率阈值以上的百分比(Travis等,1974; Hardt和Kamiya,1976; Lansky等,1979; Dempster and Vernon,2009)。一些研究人员认为,含义Alpha的力量是两者中最敏感的指数(Hardt和Kamiya,1976; Dempster和Vernon,2009年),但其他人则认为动态指数可能更有信息。例如,早期工作发现,高α功率的持续时间遵守了非平凡的不对称转移指数分布(Bohdaneck等,1978)。最近的一项研究(Ossadtchi等,2017)研究了神经反馈后的α纺锤体的变化,并报告说,α纺锤体的频率仅增加,而这些纺锤体的振幅没有变化。在神经反馈和慢性疼痛领域的研究并不多,这些研究采用了这种分析α节奏动态性质的方法,但如下所述,Bi-Modal Alpha振幅状态的概念正在越来越多地在其他范围内探索。
摘要 目的。本研究的目的是通过机器学习方法识别受试者之间共享的相位耦合模式,该方法利用来自工作记忆 (WM) 任务的源空间脑磁图 (MEG) 相位耦合数据。事实上,神经振荡的相位耦合被认为是远距离大脑区域之间通信的关键因素,因此在执行认知任务(包括 WM)时至关重要。以前研究认知任务期间相位耦合的研究通常集中在几个先验选择的大脑区域或特定频带上,并且已经认识到需要数据驱动的方法。机器学习技术已成为分析神经成像数据的宝贵工具,因为它们可以捕捉多元信号分布中的细粒度差异。在这里,我们期望这些应用于 MEG 相位耦合的技术可以揭示个体之间共享的 WM 相关过程。方法。我们分析了作为人类连接组项目的一部分收集的 WM 数据。当受试者 (n = 83) 在两种不同条件下执行 N -back WM 任务时收集 MEG 数据,即 2-back(WM 条件)和 0-back(控制条件)。我们估计了这两种条件以及 theta、alpha、beta 和 gamma 波段的相位耦合模式(多元相位斜率指数)。然后使用获得的相位耦合数据训练线性支持向量机,以便使用跨受试者交叉验证方法对受试者正在执行的任务条件进行分类。分类是根据来自各个频带的数据和所有频带的组合(多频带)分别进行的。最后,我们通过特征选择概率评估了不同特征(相位耦合)对分类的相对重要性。主要结果。分别根据 theta(62% 准确率)和 alpha 波段(60% 准确率)中的相位耦合模式成功地对 WM 条件和控制条件进行了分类。重要的是,多波段分类表明,不仅在 theta 和 alpha 波段,而且在 gamma 波段中的相位耦合模式也与 WM 处理有关,分类性能的提高 (71%) 证明了这一点。意义。我们的研究使用 MEG 源空间功能连接成功解码了 WM 任务。我们的方法结合了跨主题分类和我们小组最近开发的多维指标,能够检测到个体之间共享的连接模式。换句话说,结果可以推广到新的个体,并允许对与任务相关的相位耦合模式进行有意义的解释。
From chess (De Groot, 2014; Simon and Chase, 1988; Chase and Simon, 1973) to air-pistol shooting (Cheng et al., 2017), going through other massive (like foot- ball (Savelsbergh et al., 2002)) or non-massive sports (like squash (Abernethy, 1990)) have been object of research aiming a double goal: (a) Identify and iso- late psychological, cognitive以及最佳性能者(专家)和(b)尝试通过培训程序将这些特征实施到非专家中的运动特征。对于那些跟随认知能力的研究人员而言,运动在运动中的表现与熟练的观察和熟练的动作的结合具有传统性(Craig and Watson,2011; Williams et al。,1999)。此外,诸如决策(Chamberlain and Coelho,1993; Araujo等,2006)或风险(Pain and Pain,2005; Kontos,2004)等其他心理学观点(Coeldlain and Coelho,1993; Araujo等人,2004年)。
活动:a) 神经元膜的快速去极化,这取决于钠离子和钾离子的电压,并产生动作电位 (AP) [3]。b) 由于突触活动和几种神经递质系统的功能,膜电位变化较慢 [4]。AP 是膜电位的快速变化,时间为 1 – 2 毫秒,它使细胞内电位从负变为正,并迅速返回细胞内静息电位。它具有较小的场电位分布(在细胞外环境中的渗透较少)并且持续时间较短(约 1 毫秒,而突触后电位则为 15 到 200 多毫秒)[3,5]。突触后电位扩散到颅骨表面并且可以测量。为了测量大脑活动,我们可以使用一种非侵入性的方法,通过一种称为脑电图 (EEG) 的设备将电极放在头皮上。EEG 信号主要由突触后锥体细胞的可测量电位产生,这些细胞彼此平行且垂直于颅骨表面。它创建了一个细胞外皮质偶极层 [5,6]。因此,颅骨上的电极代表皮质神经元突触后电位的时间和位置。它还包括大皮质区域中缓慢且同时的电位变化(图 1)[7,8]。EEG 信号可用于识别许多临床问题,例如精神分裂症、阿尔茨海默病、失眠症、睡眠障碍、癫痫症、脑瘤和中枢神经系统感染。除了具有非侵入性和精确的时间分辨率之外,该技术还具有低成本且不需要极端的安全限制 [5]。通过脑电图信号可以发现,癫痫发作通常是自发性的。它们是由部分脑细胞突然放电引起的,因此会导致大脑暂时兴奋。有时癫痫发作可能会被忽视,或者可能与其他脑部疾病(如脑膜炎或中风)混淆,这些疾病也会导致相同的症状。研究表明,大约 10% 的人一生中至少会经历一次癫痫发作 [ 10 ]。对脑电图 (EEG) 信号中的癫痫进行精确分析可以揭示有关这种普遍存在的脑部疾病的宝贵事实 [ 11 ]。由于 EEG 信号非常复杂,因此需要分析多种因素。手动目视检查 EEG 信号已被发现有助于识别模式。然而,这种方法需要高水平的技术和分析能力,以及多种信号处理技术[12]。因此,近年来,癫痫发作的自动检测
1听力学部分,奥克兰大学,奥克兰1023,新西兰; philip.sanders@auckland.ac.nz(P.J.S. ); zohreh.doborjeh@auckland.ac.nz(Z.G.D.) 2 Eisdell Moore Center,奥克兰1023,新西兰3脑研究中心,奥克兰大学,奥克兰大学1023年,新西兰4信息技术和软件工程系,奥克兰技术大学,奥克兰大学奥克兰1010,新西兰,新西兰; Maryam.gholami.doborjeh@aut.ac.nz 5工程学,计算机和数学科学学院,奥克兰技术大学,奥克兰大学,新西兰1010年; nkasabov@aut.ac.nz 6智能系统研究中心,阿尔斯特大学,德里/伦敦德里bt48 7Jl,英国7奥克兰生物工程研究所,奥克兰大学奥克兰大学,奥克兰大学1010年,新西兰 *通讯 *通信:1听力学部分,奥克兰大学,奥克兰1023,新西兰; philip.sanders@auckland.ac.nz(P.J.S.); zohreh.doborjeh@auckland.ac.nz(Z.G.D.)2 Eisdell Moore Center,奥克兰1023,新西兰3脑研究中心,奥克兰大学,奥克兰大学1023年,新西兰4信息技术和软件工程系,奥克兰技术大学,奥克兰大学奥克兰1010,新西兰,新西兰; Maryam.gholami.doborjeh@aut.ac.nz 5工程学,计算机和数学科学学院,奥克兰技术大学,奥克兰大学,新西兰1010年; nkasabov@aut.ac.nz 6智能系统研究中心,阿尔斯特大学,德里/伦敦德里bt48 7Jl,英国7奥克兰生物工程研究所,奥克兰大学奥克兰大学,奥克兰大学1010年,新西兰 *通讯 *通信:2 Eisdell Moore Center,奥克兰1023,新西兰3脑研究中心,奥克兰大学,奥克兰大学1023年,新西兰4信息技术和软件工程系,奥克兰技术大学,奥克兰大学奥克兰1010,新西兰,新西兰; Maryam.gholami.doborjeh@aut.ac.nz 5工程学,计算机和数学科学学院,奥克兰技术大学,奥克兰大学,新西兰1010年; nkasabov@aut.ac.nz 6智能系统研究中心,阿尔斯特大学,德里/伦敦德里bt48 7Jl,英国7奥克兰生物工程研究所,奥克兰大学奥克兰大学,奥克兰大学1010年,新西兰 *通讯 *通信:
脑机界面(BMI)允许个人通过控制自己的大脑活动来控制外部装置,而无需身体或肌肉运动。执行自愿运动与这些动作及其成果的代理经验(“代理感”)有关。当人们自愿控制BMI时,他们也应该体验一种代理感。但是,与正常运动相比,使用BMI采取行动会出现几种差异。特别是,BMI缺乏感觉运动反馈,可提供较低的可控性,并且与认知疲劳的增加有关。在这里,我们探讨了这些不同因素如何影响两项研究中的代理意识,在这两项研究中,参与者通过通过脑电图在线解码的运动图像来控制机器人手。我们观察到,使用BMI时缺乏感觉运动信息似乎没有影响代理意识。我们进一步观察到,对BMI的控制较低会降低代理感。最后,我们观察到,越好的参与者控制了BMI,通过身体所有权和代理分数来衡量,机器人手的拨款越大。根据BMI技术对使用假肢的患者的重要性,讨论了基于对代理意识的存在理论讨论结果。