XiaoMi-AI文件搜索系统
World File Search System电信号
不同情绪状态下脑电信号对大脑功能连通性的评估
科学文献中已经通过多种技术广泛分析了与效价/唤醒空间的四个象限相对应的情绪状态的识别。然而，这些方法中的大多数都是基于对每个大脑区域的单独评估，而没有考虑不同区域之间可能存在的相互作用。为了研究这些相互联系，本研究首次计算了称为跨样本熵的功能连接指标，用于分析来自脑电信号的四组情绪的大脑同步。结果报告了中央、顶叶和枕叶区域之间的互连具有很强的同步性，而左额叶和颞叶结构与其他大脑区域之间的相互作用表现出最低的协调性。这些差异对于四组情绪具有统计学意义。所有情绪同时被分类，准确率为 95.43%，超过了以前研究报告的结果。此外，考虑到对应维度的状态，效价和唤醒的高低水平之间的差异也提供了关于不同情绪条件下大脑同步程度的显著发现，以及可能的
使用生成对抗网络对脑电信号进行自动去噪
摘要：脑机接口（BCI）在各个领域有着广泛的应用。在基于脑电信号的研究中，信号去噪是必不可少的一步。本文提出了一种基于生成对抗网络（GAN）的去噪方法，对多通道脑电信号进行自动去噪。定义新的损失函数以确保滤波后的信号能够尽可能多地保留原始的有效信息和能量。该模型可以模仿和集成人工去噪方法，减少处理时间，因此可以用于大量数据处理。与其他神经网络去噪模型相比，所提出的模型多了一个判别器，它始终判断噪声是否被滤除。生成器则不断改变去噪方式。为了确保GAN模型稳定地生成脑电信号，提出了一种新的归一化方法，即基于样本熵阈值和能量阈值（SETET）归一化来检查异常信号并限制脑电信号的范围。去噪系统建立后，虽然去噪模型采用不同受试者的数据进行训练，但仍然能够适用于新受试者的数据去噪。本文讨论的实验采用HaLT公开数据集。相关性和均方根误差（RMSE）作为评价标准。结果表明，提出的自动GAN去噪网络达到了与手动混合人工去噪方法相同的性能。此外，GAN网络使去噪过程自动化，大大减少了时间。
研究论文：利用生物启发式机器学习方法对脑电信号进行分类以开发脑机接口
1 印度哥印拜陀卡尔帕加姆工程学院电子与仪器工程系 2 印度维鲁杜讷加尔卡拉萨林加姆研究与教育学院计算学院 3 印度哥印拜陀拉提南技术校区生物医学工程系 4 印度特里奇 K. 拉马克里什南工程学院电气与电子工程系 5 印度拉贾帕拉亚姆拉姆科理工学院电气与电子工程系 6 印度中央邦博帕尔 VIT 博帕尔计算机科学与工程学院 7 印度维鲁杜讷加尔卡拉萨林加姆研究与教育学院电子与通信工程系 8 埃塞俄比亚技术大学电气与电子技术系
利用脑电信号识别座舱内飞行员心理负荷
摘要：商用飞机驾驶舱是一个自然的多任务工作环境，其中经常以各种形式出现中断，在许多情况下导致航空事故报告。自动表征飞行员的工作负荷对于防止此类事故至关重要。此外，尽可能最小化生理传感器网络仍然是一项挑战和要求。脑电图 (EEG) 信号与特定的认知和心理状态（例如工作负荷）显示出高度相关性。但是，文献中没有足够的证据来验证模型在新的受试者执行与模型训练期间的工作负荷相似的任务的情况下的泛化能力。在本文中，我们提出了一个卷积神经网络，用于在连续性能任务测试中对不同心理负荷的 EEG 特征进行分类，该测试部分测量工作记忆和工作记忆容量。我们的模型在一般人群层面有效，并且能够将任务学习转移到模拟作战环境中的飞行员心理工作量识别。
利用黎曼几何对脑电信号进行心理状态检测
本研究的目的是实施一种基于黎曼几何 (RG) 的算法，使用任务诱导的脑电图 (EEG) 信号检测高心理负荷 (MWL) 和心理疲劳 (MF)。为了引发高 MWL 和 MF，参与者以字母 n-back 任务的形式执行了一项认知要求高的任务。我们采用基于 RG 的框架分析了不同任务条件和皮质区域下 theta 和 alpha 频带中 EEG 波段功率 (BP) 特征的时间变化特性。当任务运行 EEG 的黎曼距离达到或超过基线 EEG 的阈值时，MWL 和 MF 被认为太高。本研究结果显示，随着实验持续时间的增加，theta 和 alpha 频带中的 BP 增加，表明 MWL 和 MF 升高会阻碍/妨碍参与者的任务表现。在 20 名参与者中，有 8 名检测到高 MWL 和 MF。随着实验持续时间的增加，黎曼距离也显示出向阈值稳步增加，大多数检测发生在实验结束时。为了支持我们的发现，我们还考虑了主观评分（有关疲劳和工作量水平的问卷）和行为测量（性能准确性和响应时间）。
卷积神经网络的实现，用于从脑电信号中去除眨眼伪影
技术和生理伪影会干扰脑电图 (EEG) 信号。最常见的伪影之一是受试者眼球运动和眨眼产生的自然活动。眨眼伪影 (EB) 遍布整个头部表面，使 EEG 信号分析变得困难。消除眼电图 (EOG) 伪影的方法已知，例如独立成分分析 (ICA) 和回归。本文旨在实现卷积神经网络 (CNN) 以消除眨眼伪影。为了训练 CNN，提出了一种增强 EEG 信号的方法。将从 CNN 获得的结果与 ICA 和回归方法的结果进行比较，以比较生成的和真实的 EEG 信号。所得结果表明，CNN 在消除眨眼伪影的任务中表现更好，尤其是对于位于头部中央部分的电极。
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。
基于脑电信号功能连接和复杂性的新生儿缺氧缺血性脑病婴儿认知结果预测
新生儿缺氧缺血性脑病后神经发育受损，尤其是认知障碍，是家长、临床医生和社会关注的一大问题。本研究旨在探讨使用先进的定量脑电图分析 (qEEG) 早期预测认知结果的潜在益处，本文在 2 岁时进行了评估。一组 20 名新生儿缺氧缺血性脑病 (HIE) 婴儿出生后第一周内记录了脑电图数据。提出的回归框架基于两组不同的特征，即从加权相位滞后指数 (WPLI) 得出的图论特征和由样本熵 (SampEn)、排列熵 (PEn) 和谱熵 (SpEn) 表示的熵指标。这两组特征都是在噪声辅助多元经验模态分解 (NA-MEMD) 域内计算的。相关性分析表明，新生儿 EEG 数据中提出的特征、图属性（半径、传递性、全局效率和特征路径长度）和熵特征（Pen 和 SpEn）与 2 岁时的认知发展在 delta 频带中存在显著关联。这些特征用于训练和测试树集成（增强和装袋）回归模型。使用熵特征和增强树回归模型，最高预测性能达到 14.27 均方根误差 (RMSE)、12.07 平均绝对误差 (MAE) 和 0.45 R 平方。因此，结果表明，提出的 qEEG 特征显示了早期的大脑功能状态；因此，它们可以作为后期认知障碍的预测生物标志物，这有助于识别那些可能从早期有针对性的干预中受益的人。
使用 STFT 和域自适应预测脑电信号中的癫痫发作
癫痫发作预测是治疗耐药性癫痫最常用的辅助策略之一。由于个体间差异，传统方法通常从同一患者身上收集训练和测试样本。然而，不同受试者之间的领域转移这一棘手问题仍未解决，导致临床转化率低。在本文中，提出了一种基于领域自适应 (DA) 的模型来解决这个问题。利用短时傅里叶变换 (STFT) 从原始脑电图数据中提取时频特征，并开发自动编码器将这些特征映射到高维空间。通过最小化嵌入空间中的域间距离，该模型学习了域不变信息，从而通过分布对齐提高了泛化能力。此外，为了增加其应用的可行性，本文模拟了临床采样情况下的数据分布，并在此条件下测试了模型，这是首次采用该评估策略的研究。在颅内和头皮EEG数据库上的实验结果表明，与以前的方法相比，该方法可以有效地最小化域间隙。