XiaoMi-AI文件搜索系统
World File Search System电信号
脑电信号特征提取应用趋势
本文将重点介绍脑电图 (EEG) 信号分析，重点介绍研究文献中提到的常见特征提取技术，以及可应用于各种应用。在这篇综述中，我们涵盖了时间域、频域、分解域、时频域和空间域中的单维和多维 EEG 信号处理和特征提取技术。我们还为讨论的方法提供了伪代码，以便从业者和研究人员可以在他们特定的生物医学工作领域中复制它们。此外，我们还讨论了人工智能应用，例如辅助技术、神经疾病分类、脑机接口系统以及它们的机器学习集成对应物，以完成 EEG 信号分析的整体流程设计。最后，我们讨论了可以在 EEG 信号分析的特征提取领域进行创新的未来工作。
机器学习脑电信号回顾... - ijarcce
摘要：自发现以来，脑电图 (EEG) 一直是识别患者某些健康状况的主要方法。由于可用的分类器类型很多，因此分析方法也同样繁多。在这篇评论中，我们将专门研究为生物工程应用的 EEG 分析而开发的机器学习方法。根据这些信息，我们能够确定每种机器学习方法的总体有效性以及关键特征。我们发现，机器学习中使用的所有主要方法都以某种形式应用于 EEG 分类。范围从朴素贝叶斯到决策树/随机森林，再到支持向量机 (SVM)。监督学习方法的平均准确度高于无监督学习方法。这包括 SVM 和 KNN。虽然每种方法在各自的应用中的准确性都有限，但希望如果正确实施，这些方法的组合具有更高的整体分类准确度。关键词：EEG 分析、EEG 信号、SVM。
利用脑电信号预测视觉记忆
摘要：视觉记忆性是一种衡量媒体内容记忆难易程度的方法。预测媒体内容的视觉记忆性最近变得越来越重要，因为它会影响多媒体可视化、广告等的设计原则。以前对图像视觉记忆性预测的研究通常利用可以从图像中提取的视觉特征（例如颜色强度和对比度）或语义信息（例如类标签）。其他一些研究试图利用人类受试者的脑电图 (EEG) 信号来预测文本（例如单词对）的记忆性。与以前的作品相比，我们专注于根据人类生物反馈（即 EEG 信号）预测图像的视觉记忆性。为此，我们设计了一个视觉记忆任务，要求每个受试者在浏览从 LaMemdataset 采样的一组图像 30 分钟后回答他们是否正确记住了特定图像。在视觉记忆任务期间，从受试者那里记录 EEG 信号作为人类生物反馈。然后使用收集到的 EEG 信号训练各种分类模型以预测图像记忆性。最后，我们评估并比较了分类模型（包括深度卷积神经网络）和经典方法（例如支持向量机、决策树和 k-近邻）的性能。实验结果证实，基于 EEG 的记忆力预测仍然具有挑战性，但是一种具有各种机会和潜力的有前途的方法。
基于脑电信号预测飞行员反应时间
本研究的主要假设是，可以根据事件发生前记录的大脑活动预测对意外事件的反应延迟时间。这种心理活动可以用脑电图数据来表示。为了验证这一假设，我们进行了一项新实验，涉及 19 名参与者，他们参加了长达 2 小时的模拟飞机飞行。提出了一种 EEG 信号处理流程，包括信号预处理、提取带通特征和使用回归预测反应时间。本研究中使用的预测算法是最小绝对收缩算子及其最小角度回归修改，以及核岭和径向基支持向量机回归。在 19 名受试者中获得的平均绝对误差为 114 毫秒。本研究首次证明可以根据 EEG 数据预测反应时间。所提出的解决方案可以作为未来可以提高空中交通安全性的系统的基础。
从脑电信号中隐性语音解码
隐蔽言语，也称为想象言语，是在不移动发声器官或产生任何声音输出的情况下在内部发音音素、单词或句子 [1]。尽管失语症或闭锁综合症等言语相关障碍通常会限制明显的言语产生，但即使在这些情况下，也有可能主动想象说话 [2]。脑机接口 (BCI) 将大脑活动解读为数字形式，作为计算机命令，让用户通过脑信号控制外部设备 [3]。BCI 系统如果能够解码隐蔽言语过程中的脑电活动并将其转化为文字，将改善残疾人的生活质量 [2]。在目前可用于 BCI 系统的神经成像技术中，脑电图 (EEG) 具有经济高效、非侵入性的优势，时间分辨率高达不到 1 毫秒。然而，此类系统也存在一些挑战，包括信噪比低、空间分辨率低以及由于眨眼或肌肉活动而频繁出现伪影 [2]、[3]。此外，尽管已知大脑的某些区域专门用于语音感知和产生，但语音相关任务的空间特征在受试者之间和受试者内部存在相关的差异 [4]，这使得寻找一个能够提供可靠解码的模型即使对单个人来说也是一项挑战，即使对单个人来说，也需要几天的时间。
脑电信号分类的动态多尺度网络
在临床诊断中高度要求从脑部计算机界面（BCI）系统进行语音图像脑电图（EEG）信号的准确和自动分类。设计自动分类系统的关键因素是从原始输入中提取基本特征；尽管许多方法在该领域取得了巨大的成功，但它们可能无法处理来自不同接收领域的多尺度表示形式，因此阻碍了该模型获得更高的性能。为了应对这一挑战，在本文中，我们提出了一个新型的动态多尺度网络，以实现EEG信号分类。整个分类网络基于Resnet，输入信号首先通过短时傅立叶变换（STFT）编码特征；然后，为了进一步提高多尺度的特征提取能力，我们结合了动态多尺度（DMS）层，该层使网络可以从更精细的水平上学习来自不同接收场的多尺度特征。为了验证我们设计的网络的有效性，我们在BCI竞争II的公共数据集III上进行了广泛的实验，实验结果表明，我们提出的动态多尺度网络可以在此任务中实现有希望的分类性能。
使用机器学习增强脑电信号分类和
本文提出了一种基于脑电图的大脑语言信号分类的更好解决方案，它使用机器学习和优化算法。该项目旨在通过实现更高的准确性和速度来取代语言处理任务中的脑信号分类。本研究使用改进的离散小波变换 (DWT) 进行特征提取，通过将脑电图信号分解为显著的频率分量，提高了适当捕获信号特征的能力。应用灰狼优化 (GWO) 算法方法来改进结果并选择最佳特征，通过选择具有最大相关性的有影响力的特征同时最小化冗余，获得更准确的结果。这种优化过程总体上提高了分类模型的性能。在分类的情况下，提出了支持向量机 (SVM) 和神经网络 (NN) 混合模型。这结合了 SVM 分类器在高维空间中管理函数的能力，以及神经网络利用其特征进行非线性学习（模式学习）的能力。该模型在脑电图数据集上进行了训练和测试，分类准确率为 97%，表明我们的方法的稳健性和有效性。结果表明，这种改进的分类器可用于脑机接口系统和神经系统评估。机器学习和优化技术的结合已确立了这一范式，成为进一步研究脑语言识别脑电信号处理的一种高效方法。
机械系统控制的脑电信号测量与分析
以下论文涉及将脑电图 (EEG) 与机械臂形式的执行器相结合的系统的开发。EEG 是一种通过电极测量大脑活动的方法，经常用于脑机交互领域。除了开发 3D 打印机械臂的设计和控制外，我们的工作还包括通过蓝牙在 EEG 测量设备和执行器之间建立数据传输，以及实时对 EEG 信号进行分类和分析。该系统的设计使得机械臂在用户高度集中时握紧拳头，在注意力水平较低时放松为张开的手掌。结果显示了一个工作系统，它通过根据用户的注意力水平测量和正确处理 EEG 信号来控制机械臂。该系统对假肢和脑机交互领域的进一步研究很有用。系统准确性的一个可能改进是使用两个以上的电极来测量大脑活动，并减少由于脑电图信号对肌肉活动的敏感性而产生的噪音。
通过脑电信号测量认知好奇心的状态
摘要 — 了解好奇心背后的神经生理机制并因此能够识别一个人的好奇心水平，将为神经科学、心理学和计算机科学等众多领域的研究人员和设计师提供有用信息。揭示好奇心的神经相关性的第一步是在好奇状态下收集神经生理信号，以便开发信号处理和机器学习 (ML) 工具来识别好奇状态和非好奇状态。因此，我们进行了一项实验，其中我们使用脑电图 (EEG) 测量参与者在被诱导进入好奇状态时的大脑活动，使用琐事问答链。我们使用两种 ML 算法，即滤波器组公共空间模式 (FBCSP) 与线性判别算法 (LDA) 相结合，以及滤波器组切线空间分类器 (FBTSC)，以将好奇的 EEG 信号与非好奇的 EEG 信号进行分类。总体结果表明，两种算法在 3 到 5 秒的时间窗口内均获得了更好的性能，表明最佳时间窗口长度为 4 秒（FBTSC 的分类准确率为 63.09%，FBCSP+LDA 的分类准确率为 60.93%）可用于基于 EEG 信号的好奇心状态估计。索引术语 — 好奇心 - 心理状态 - 学习 - 脑电图 - 被动脑机接口
基于神经网络的嗅觉脑电信号分类网络
摘要 —嗅觉诱发的脑电图 (EEG) 信号的分类在许多领域显示出巨大的潜力。由于 EEG 信号中的不同频带包含不同的信息，因此提取特定频带对于分类性能非常重要。此外，由于 EEG 信号的受试者间变异性很大，提取具有受试者特定信息而非一般信息的频带至关重要。考虑到这些，本信的重点是通过利用特定频带的谱域信息对嗅觉 EEG 信号进行分类。在本文中，我们提出了一种基于频带特征提取的嗅觉 EEG 信号分类网络。首先设计一个频带生成器来通过滑动窗口技术提取频带。然后，提出一种频带注意机制来自适应地优化特定主体的频带。最后，构建一个卷积神经网络 (CNN) 来提取空谱信息并预测 EEG 类别。对比实验结果表明，所提方法在分类质量和受试者间鲁棒性方面均优于一系列基线方法。消融实验结果证明了所提方法各个组成部分的有效性。