XiaoMi-AI文件搜索系统
World File Search System眨眼
通过实验室神经生理技术验证用于眨眼分析的便携式设备
摘要：眨眼分析有助于了解健康受试者的生理机制以及神经系统疾病的病理生理机制。迄今为止，眨眼是通过各种神经生理技术来评估的，包括肌电图 (EMG) 记录和光电运动分析。我们使用一种新的便携式设备 EyeStat（第 3 代，blinktbi, Inc.，美国南卡罗来纳州查尔斯顿）记录了眨眼运动学，并将测量结果与使用传统实验室技术获得的数据进行了比较。16 名健康成年人使用 EyeStat 设备和 SMART 运动分析系统（BTS，意大利米兰）进行了自愿、自发和反射性眨眼记录。在眨眼记录过程中，使用表面电极从眼轮匝肌记录 EMG 活动。眨眼数据通过专用软件进行分析，并通过重复测量方差分析进行评估。皮尔逊积差相关系数可用于评估 EyeStat 设备、SMART 运动系统和 EMG 数据之间可能存在的关联。我们发现 EyeStat 和 SMART 系统记录期间收集的 EMG 数据并无差异。使用 EyeStat 记录的眨眼数据与使用 SMART 系统获得的结果呈线性关系（r 范围从 0.85 到 0.57；p 范围从 <0.001 到 0.02）。这些结果表明，与标准技术相比，通过这种便携式设备进行眨眼分析具有较高的准确性和可靠性。EyeStat 可以使在研究活动和日常临床实践中记录眨眼变得更加容易，从而可以在门诊环境中对健康受试者和患有神经系统疾病的患者进行大规模研究。
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。
使用卷积神经网络的 EEG 多用途眨眼检测器
摘要 眼球运动发出的电信号由于与传感器的距离很近且出现频率很高，会在脑电信号上产生非常强烈的伪影。在检测脑电波形中的眨眼伪影以进一步去除和净化信号方面，文献中提出了多种策略。最常用的方法需要使用大量电极、复杂的设备来采样和处理数据。这项工作的目标是创建一种可靠且独立于用户的算法，用于使用 CNN（卷积神经网络）检测和去除脑电信号中的眨眼。为了进行训练和验证，使用了三组公共脑电数据。这三组数据都包含在招募的受试者执行指定任务时获得的样本，这些任务包括在特定时刻自愿眨眼、观看视频和阅读文章。本研究中使用的模型能够全面理解将普通脑电信号与受眨眼伪影污染的信号区分开来的所有特征，而不会被仅在信号被记录的情况下出现的特定特征过度拟合。关键词：伪影去除技术；信号处理；眨眼；BCI。
虚拟键盘眨眼检测系统
人工智能是在我们的生活中互动、理解和使用的许多不同技术之一 [1-4]。机器学习和自然语言处理等技术都是人工智能领域的一部分。每一种技术都在沿着自己的道路发展，当与数据、分析和自动化结合使用时，可以帮助企业实现目标，无论是改善客户服务还是优化供应链（Afraa Z. Attiah、Enas F. Khairullah[1]）。人机交互是人工智能的一部分，人工智能是一个新兴技术领域，专注于设计和增强人机交互过程。人机交互广泛应用于许多领域，如医疗技术、机器人技术、城市设计、游戏和辅助技术，如巴西 Chambayil、Rajesh Singla、R Jha [2] 所示。人工智能在图像处理和面部识别方面发挥着重要作用，能够检测和识别图像和视频中的物体和图案。眼动追踪系统可以采用不同类型的图像处理 [1]。图像或图像序列包括输入数据，这些数据首先被获取并转换为数字形式。要执行下一个操作，必须增强图像，这可以通过应用不同的数学运算来实现。有许多系统，包括基于人类眼球运动和眨眼的应用程序。对眼球追踪系统的需求巨大，尤其是对于因受伤、生病或疾病而导致严重运动障碍的人[4]。该系统致力于缓解他们的残疾症状并创建自我表达工具。这项技术旨在减轻
eeg 多用途眨眼检测器使用
由于眼球运动发出的电信号与传感器距离很近，且出现频率很高，因此会在脑电图信号上产生非常强烈的伪影。在检测脑电图波形中的眨眼伪影以进一步去除和净化信号方面，文献中提出了多种策略。最常用的方法需要使用大量电极、复杂的设备来采样和处理数据。这项工作的目标是创建一种可靠且独立于用户的算法，用于使用 CNN（卷积神经网络）检测和去除脑电图信号中的眨眼。为了进行训练和验证，使用了三组公共脑电图数据。这三组数据都包含在招募的受试者执行指定任务时获得的样本，这些任务包括在特定时刻自愿眨眼、观看视频和阅读文章。本研究中使用的模型能够全面理解所有将普通脑电图信号与受眨眼伪影污染的信号区分开来的特征，而不会被仅在信号被记录的情况下出现的特定特征过度拟合。
使用阈值检测基于 EEG 的眨眼...
摘要 — 在脑电图 (EEG) 研究中，眨眼是一种常见的眼部伪影，在任何 EEG 测量中出现的频率最高。伪影可以看作是尖峰电位，其时频特性因人而异。它们的存在会对各种医学或科学研究产生负面影响，或在应用于脑机接口应用时有所帮助。因此，在本文中，检测眨眼信号有助于确定人脑和眼球运动之间的相关性。本文提出了一种简单、快速、自动化的眨眼检测算法，该算法执行前不需要用户培训。在眨眼检测之前，EEG 信号被平滑和滤波。我们对十名志愿者进行了实验，并使用 Emotiv EPOC+ 耳机在三次试验中收集了三个不同的眨眼数据集。所提出的方法表现一致，成功地检测到了眨眼的尖峰活动，平均准确率超过 96%。
通过检测自愿眨眼
人脑被认为是最强大的量子计算机之一，将人脑与技术相结合甚至可以超越人工智能。使用大脑计算机界面（BCI）系统，可以分析和编程用于特定任务的大脑信号。这项研究工作采用BCI技术来进行医疗应用，这使不幸的瘫痪者能够仅使用自愿眨眼就与周围环境互动。这项研究有助于现有技术通过引入模块化设计，该设计具有三个物理分离的组件：头饰，计算机和轮椅。作为现有系统的信噪比（SNR）太高，无法将眼睛眨眼伪像与常规脑电图信号分开，因此使用了一个精确的ThinkGear模块，通过单个干电极获取了RAW EEG信号。嵌入式蓝牙模块将信号无线传输到计算机。一个MATLAB程序捕获了自愿的眼睛，从脑波中闪烁伪像，并通过蓝牙命令微型轮椅的运动。为了区分自愿眨眼与非自愿眼眨眼，确定了闪烁的强度阈值。MATLAB设计的图形用户界面（GUI）在实时显示脑电图，并使用户能够确定轮椅的运动，该轮椅的运动是专门设计用于从GUI中获得命令的。测试阶段的发现揭示了模块化设计的优势以及使用眼眨眼伪像作为脑控制轮椅的控制元素的功效。轮椅达到了96.4％的指挥检测和执行精度，这是现有系统的改进。此处介绍的工作对BCI系统的功能有了基本的了解，并为患有严重麻痹的患者提供了眨眼控制轮椅的导航。
使用基于用户控制的眼睛眨眼
Quito，厄瓜多尔摘要 - 由联合国等不同组织出版的数据表明，有很多人患有不同类型的运动障碍。在许多情况下，残疾是如此严重，以至于无法进行任何形式的运动。面对这种情况，大脑计算机界面技术已经面临着开发解决方案的挑战，这些解决方案允许为这些人提供更好的生活，最重要的领域之一就是移动性解决方案，其中包括大脑计算机接口使电动轮椅作为最有用的解决方案之一。面对这种情况，目前的工作开发了一种大脑计算机接口解决方案，该解决方案允许用户使用眨眼时产生的脑电波来控制轮椅的运动。为了创建本解决方案，增量原型方法已用于通过生成独立的模块来优化开发过程。该解决方案由几个组件，即EEG系统（OpenBCI），主控制器，轮椅控制器和轮椅，允许模块化以简单的方式进行其功能的更新（改进）。开发的系统表明它需要较低的培训时间，并且具有现实世界中适用的响应时间。实验结果表明，用户可以在一段时间内使用可接受的错误等级执行不同的任务，这可以被认为是系统可接受的。考虑到原型是为残疾人创建的，该系统可以授予他们一定程度的独立性。
瘫痪患者通过眨眼就能发出声音
印度卡纳塔克邦 - 560074 摘要 以前，残疾患者无法交流和阅读，因此与外界的联系是通过人机交互进行的；例如跟踪眼部运动和监测脑电波。现在，人们不太愿意使用脑部运动监测设备，因为患者必须佩戴它。我们的项目是专门为 MND 患者设计的智能系统。如果患者在床上患有 MND 疾病，则无法与护理提供者交谈。在本研究中，一个组件支持向他人寻求帮助，因为它既是基本又是休闲的方法，旨在帮助 MND 患者。本研究为残疾患者（主要是残疾人）提供了一种辅助设备。每个人都知道残疾患者无法与外界交流，因此该系统帮助他们用自己的眼睛交流并通过护理人员满足他们的需求。与当前结果相比，它同样能提供有效而准确的结果。如果监护人不在场或患者的需求不满足，则会向其亲属发送一条消息，其中包含患者所需的先决条件。企业可以利用此研究通过虚拟键盘进行密码验证，其中依赖于闪烁与虚拟键盘中的特定组件的单独比较。我们的研究重点是开发一种实时视频处理方法，该方法可以完全独立于头部方向（白天或晚上）识别眼睛的眨动。根据与患者先决条件相关的闪烁，识别患者并将其转换为语音并作为输出提供。除此之外，还创建了一个消息警报系统，以便监护人和亲属能够更熟悉患者的先决条件。关键词：——运动神经元病 (MND)、眨眼、视频处理、瘫痪、消息、警报、要求、虚拟键盘。