XiaoMi-AI文件搜索系统
World File Search System眼电图
站立、行走和跑步时带有 ERP 和 SSVEP 范式的头皮和耳朵脑电图的移动 BCI 数据集
我们展示了一个移动数据集，该数据集由 24 名参与者在执行两项脑机接口 (BCI) 任务时以四种不同的速度移动时从头皮和耳朵周围的脑电图 (EEG) 以及运动传感器获得。数据由放置在前额、左脚踝和右脚踝的 32 通道头皮脑电图、14 通道耳朵脑电图、4 通道眼电图和 9 通道惯性测量单元收集。记录条件如下：站立、慢走、快走和慢跑，速度分别为 0、0.8、1.6 和 2.0 m/s。对于每种速度，记录了两种不同的 BCI 范式，即事件相关电位和稳态视觉诱发电位。为了评估信号质量，在每种速度下对头皮和耳朵脑电图数据进行了定性和定量验证。我们相信该数据集将有助于在不同移动环境中的 BCI 分析大脑活动并定量评估性能，从而扩大实际 BCI 的使用。
使用 GAN 和 LSTM 网络根据 EEG 和 EOG 信号检测驾驶员睡意
近年来，驾驶时困倦已成为交通事故的主要原因。然而，我们对评估驾驶员困倦的电生理指标知之甚少。前期研究和我们的研究表明，alpha 阻断现象和 alpha 波衰减-消失现象分别代表两种不同的困倦程度，即放松觉醒和睡眠开始。本文提出了一种基于脑电图 (EEG) 和眼电图 (EOG) 信号的驾驶员困倦检测新模型。我们的模型旨在跟踪 alpha 波的变化并区分这两种与 alpha 相关的现象。采用连续小波变换从时域和频域中的生理信号中提取特征。同时，引入长短期记忆 (LSTM) 网络来处理 EEG 和 EOG 信号的时间信息。为了解决生理样本不足的问题，使用生成对抗网络 (GAN) 来扩充训练数据集。实验结果表明，检测 alpha 波起点和终点的 F1 得分达到 95% 左右。我们采用的条件 Wasserstein GAN (CWGAN) 可以有效扩充数据集并提高分类器性能。同时，我们的 LSTM 分类器在留一交叉验证下对 alpha 波终点进行分类的平均准确率为 98%。
“语音控制轮椅” - ijrpr
老年人和数百万其他人一样，患有瘫痪和残疾，这使他们无法正常互动和满足生活需求。轮椅是增强残疾人行动能力的重要工具。计算机和通信技术的发展促进了满足残疾人需求的智能轮椅的出现。为了帮助残疾人完成日常工作，人们尝试应用现代计算机和通信技术来制造适合他们需要的智能轮椅。这些轮椅需要配备实时计算机控制单元和一组用于导航和避障任务的传感器。残疾人只需移动身体的一部分，使用声音或脑信号就可以控制轮椅。生成引导轮椅的命令的方法主要取决于患者的状况和残疾或瘫痪的程度。在我们之前的研究中，基于眼电图 (EOG) 信号的脑机接口被用于控制电动轮椅。在本文中，语音将用于引导轮椅。语音识别在计算机控制应用中的重要性日益凸显。语音识别技术可评估一个人的语音生物特征，例如频率、语调和语调。
基于 LSTM&CNN 的混合深度学习模型的开发，用于对运动想象任务进行分类
本文提出了一种将一维卷积神经网络 (1D CNN) 与长短期记忆 (LSTM) 相融合的混合方法来对四种不同的 MI 任务（即左手、右手、舌头和脚部运动）进行分类。在基于主成分分析 (PCA) 的伪影去除过程之后，通过混合深度学习模型训练提取 MI 任务的时间表征。估计了 BCI 竞赛 IV 数据集 A 中给出的性能标准。10 倍交叉验证 (CV) 结果表明，与最新方法相比，所提出的方法在对脑电图 (EEG)-眼电图 (EOG) 组合运动想象任务进行分类方面表现优异，并且对数据变化具有鲁棒性。对于使用 10 倍 CV 验证的基于四个 MI 类别的数据集，CNN-LSTM 分类模型的准确率达到 95.62% (±1.2290742)，kappa 值达到 0.9462 (±0.01216265)。此外，还评估了接收者操作特性 (ROC) 曲线、ROC 曲线下面积 (AUC) 分数和混淆矩阵，以便进行进一步解释。
基于 EOG 的人机界面：2000-2020 年回顾
摘要：基于眼电图 (EOG) 的脑机接口 (BCI) 是一项影响物理医学、日常生活、游戏甚至航空领域的相关技术。基于 EOG 的 BCI 系统记录与用户意图、感知和运动决策相关的活动。它将生物生理信号转换为外部硬件的命令，并通过输出设备执行用户期望的操作。EOG 信号用于通过主动或被动交互识别和分类眼球运动。这两种类型的交互都有可能通过执行用户与环境的通信来控制输出设备。在航空领域，人们正在探索对 EOG-BCI 系统的研究，将其作为替代手动命令的相关工具和致力于加速用户意图的交流工具。本文回顾了过去二十年基于 EOG 的 BCI 研究，并通过大量代表性论文提供了一个结构化的设计空间。我们的目的是介绍现有的基于 EOG 信号的 BCI 系统，并启发新系统的设计。首先，我们重点介绍基于 EOG 的 BCI 研究的基本组成部分，包括 EOG 信号采集、EOG 设备特性、提取的特征、翻译算法和交互命令。其次，我们概述了基于 EOG 的 BCI 在现实和虚拟环境中的应用以及航空应用。最后我们进行了总结
基于生物信号的脑机接口的最新进展回顾......
摘要 — 脑控车辆 (BCV) 是一种已成熟的技术，通常专为残疾患者设计。本综述重点介绍与脑控车辆最相关的主题，特别是考虑使用生物信号（如脑电图 (EEG)、眼电图和肌电图）控制的地面 BCV（例如，移动汽车、汽车模拟器、真实汽车、图形和游戏汽车）和空中 BCV（也称为 BCAV）（例如，真实四轴飞行器、无人机、固定翼、图形直升机和飞机）。例如，基于 EEG 的算法从大脑的运动想象皮层区域检测模式以进行意图检测，例如事件相关去同步\事件相关同步、状态视觉诱发电位、P300 和生成的局部诱发电位模式。我们已经确定，报告的最佳方法采用机器学习和人工智能优化方法，即支持向量机、神经网络、线性判别分析、k-最近邻、k-均值、水滴优化和混沌拔河优化。我们考虑了以下指标来分析不同方法的效率：生物信号的类型和组合、时间响应和准确度值与统计分析。本研究对过去十年的主要发现进行了广泛的文献综述，指出了该领域的未来前景。
通过使用增强现实眼镜进行跟踪，对个性化假手/外骨骼进行非接触式视觉控制
目前控制电动神经假体的方法是基于测量仍然存在的肌肉的肌电图 (EMG) 信号，或使用脑机或神经机接口概念来评估神经元模式，并从脑阵列、束内神经电极或组合脑电图/眼电图 (EEG/EOG) 设备中获取假体的命令 [1]。这些神经假体概念很有趣并且发展很快，尽管其中一些对用户来说是侵入性的或令人不适的，并且可能并不总是反映用户对智能但尽可能简单的假体的愿望，这些假体可以独立地连接、使用和控制[2]。一些令人鼓舞的非侵入性且低成本的方法已经开发出来，但它们中的大多数仍然需要扩展支持，例如当必须连接非侵入性 EEG/EOG 系统的电极时。在我们的新概念（图 1）中，患者唯一的界面是配备前置摄像头的光学透视眼镜 (OSTG) 的增强现实 (AR) 技术。手假肢可以是任何有源电动手假肢或机械臂。假手上附有标记，可以是（红外）发光二极管 (LED) 或胶点。如果
刺激特征对凝视表现的影响......
恢复无法说话或移动的患者的沟通能力是解码脑电波以进行脑机接口 (BCI) 控制的主要目标之一。许多用于通信的 BCI 方法依赖于对视觉刺激的注意，通常采用一种奇怪的范式，并且需要眼球运动和足够的视力。然而，依赖 BCI 通信的患者可能缺乏这些能力。因此，我们开发了一种基于响应的通信 BCI，它独立于凝视转移，但利用注意力向左或右视野的隐性转移。我们从 29 个通道记录了脑电图 (EEG)，并联合记录了垂直和水平眼电图。使用 14 个后通道对半球之间基于注意力的细微差异（也称为 N2pc）进行数据驱动解码，这些后通道有望反映视觉空间注意力的相关性。 18 名健康参与者通过秘密地将注意力集中在两个彩色符号（绿叉和红叉分别代表“是”和“否”）之一上，同时保持视线集中在中央，从而对 120 条语句做出了回应。在所有参与者中，平均有 88.5%（标准差：7.8%）的回应被在线正确解码。为了研究刺激特征对准确性的潜在影响，我们通过改变符号大小和偏心率，以不同的视角呈现符号。离线分析显示，刺激特征对 BCI 的可控性影响微乎其微。因此，我们通过新方法表明，对彩色符号的空间注意是一种控制 BCI 的强大方法，它有可能支持眼球运动受损和视力低下的严重瘫痪患者与周围环境进行交流。
多功能入耳式生物传感系统和体域网络，实现不引人注目的持续健康监测
为了实现连续的移动健康监测，可穿戴传感器需要以轻巧、不显眼的包装提供与临床设备相当的性能。这项工作提出了一个完整的多功能无线电生理数据采集系统 (weDAQ)，该系统已证明可用于耳内脑电图 (EEG) 和其他身体电生理学，使用由标准印刷电路板 (PCB) 制成的用户通用干接触电极。每个 weDAQ 设备提供 16 个记录通道、驱动右腿 (DRL)、3 轴加速度计、本地数据存储和可适应的数据传输模式。weDAQ 无线接口支持部署体域网络 (BAN)，该网络能够通过 802.11n WiFi 协议同时聚合多个可穿戴设备上的各种生物信号流。每个通道可解析超过 5 个数量级的生物电位，噪声水平为 0.52 μV rms，带宽为 1000 Hz，峰值 SNDR 为 119 dB，CMRR 为 111 dB（2 ksps 时）。该设备利用带内阻抗扫描和输入多路复用器，动态选择良好的皮肤接触电极作为参考和传感通道。从受试者进行的耳内和前额 EEG 测量捕捉到了大脑 alpha 活动的调制、眼电图 (EOG) 特征性眼球运动以及下颌肌肉的肌电图 (EMG)。在休息和锻炼期间，在自然办公环境中对多个自由移动的受试者进行了同时的 ECG 和 EMG 测量。所展示的开源 weDAQ 平台和可扩展 PCB 电极的小尺寸、性能和可配置性旨在为生物传感界提供更大的实验灵活性，并降低新健康监测研究的进入门槛。
舞踏舞者的移动大脑成像
剖析舞蹈的神经生物学将揭示一种复杂但无处不在的人类交流形式。在这个实验中，我们试图通过移动脑电图 (EEG) 研究五位经验丰富的舞者在跳舞踏时的大脑活动，舞踏是一种起源于日本的后现代舞蹈。我们报告了一个高度跨学科项目的实验设计、方法和实际执行情况，该项目需要舞者、工程师、神经科学家、音乐家和多媒体艺术家等的合作。我们详细解释了我们如何在技术上验证我们所有的 EEG 程序（例如，通过阻抗值监测）以及如何最大限度地减少我们记录中的潜在伪影（例如，通过眼电图和惯性测量单元）。我们还描述了使我们能够实现以不同采样频率记录的信号之间的同步的工程细节和硬件，以及我们用来重新采样数据和消除电力线噪声的信号预处理和去噪管道。我们的实验最终以一场现场表演结束，我们通过艺术脑机接口在屏幕上实时可视化了舞者的脑间同步，我们概述了用于在线双谱估计的所有方法（例如过滤、时间窗口、方程）。我们还分享了我们在记录中使用的所有原始 EEG 数据和代码。最后，我们描述了我们如何设想这些数据可用于解决几个假设，例如脑间同步或发声学习的运动理论。据我们所知，这是第一项报告五名舞者同步和同时记录的研究，我们希望我们的研究结果将为未来的艺术与科学合作以及舞蹈运动疗法提供参考。