XiaoMi-AI文件搜索系统
World File Search System睁眼
基于转移熵的方法从临床角度分析睁眼和闭眼条件下的信息流
研究正常或病理条件下的大脑动态已被证明是一项具有挑战性的任务，因为对于最佳方法没有统一的共识。在本文中，我们提出了一种基于传递熵的方法来研究健康受试者在睁眼（EO）和闭眼（EC）静息状态下不同大脑半球之间的信息流。我们使用了一个模拟临床环境中技术条件的实验装置，并从 65 Hz 采样率的 24 通道脑电图（EEG）短记录中收集数据集。我们的方法考虑了两种条件下的半球间和半球内信息流分析，并依赖于从 EEG 通道之间的传递熵估计计算出的 4 个指标。这些指标提供有关活动连接的数量、强度和方向性的信息。我们的结果表明，在 EC 条件下，alpha、beta1 和 beta2 频带的信息传递有所增加，但在任何一种条件下，半球间信息移动都没有优先的方向。这些结果与之前报道的以更高采样率进行更密集的 EEG 记录的研究一致。总之，我们的方法表明，在 EO 和 EC 静息状态下，大脑信息传递的动态存在显著差异，这也可以应用于常规临床治疗。
基于脑电音频信号处理的闭眼和睁眼情况下的深度学习模式识别技术
摘要：最近，使用脑电图 (EEG) 进行音频信号处理中的模式识别引起了广泛关注。眼部情况（睁眼或闭眼）的变化反映在 EEG 数据的不同模式中，这些数据是从一系列情况和动作中收集的。因此，从这些信号中提取其他信息的准确性在很大程度上取决于在采集 EEG 信号期间对眼部情况的预测。在本文中，我们使用深度学习矢量量化 (DLVQ) 和前馈人工神经网络 (F-FANN) 技术来识别眼部情况。由于 DLVQ 能够学习代码约束的码本，因此在分类问题上优于传统 VQ。在使用 k 均值 VQ 方法初始化后，DLVQ 在 EEG 音频信息检索任务上测试时表现出非常出色的性能，而 F-FANN 将眼部状态的 EEG 音频信号分类为睁眼或闭眼。与 F-FANN 相比，DLVQ 模型具有更高的分类准确度、更高的 F 分数、精确度和召回率，以及更出色的分类能力。
Hill-早期至中期儿童时期的脑电图微状态显示……
图 7 脑电图 alpha 功率与微状态 C 和 E 的时间参数之间的关联。（a）从后部（POz；红色圆圈）电极获取的非周期调整脑电图频谱图，其中地形图显示 alpha 功率的整体头皮分布。（b）alpha 功率与微状态 C（闭眼、睁眼）和微状态 E（闭眼）之间的相关性。在闭眼和睁眼记录中，对于微状态 C，alpha 功率与所有四个微状态特征（GEV、持续时间、覆盖范围、发生率）显着正相关。在闭眼条件下，alpha 功率与微状态 E GEV、覆盖范围和发生率也呈显着负相关。
慢性神经性疼痛：使用 painDETECT 和简短疼痛清单报告进行睁眼和闭眼时的脑电图数据
招募了36名墨西哥籍慢性神经性疼痛患者（8名男性和28名女性），平均年龄为44±13.98岁，在睁眼和闭眼静息状态下记录EEG信号。每种状态记录5分钟，总记录时间为10分钟。每位患者报名参加研究后都会获得一个ID号，他们需要根据该ID号回答painDETECT问卷，作为神经性疼痛的筛查过程以及临床病史。记录当天，患者回答了简明疼痛量表，作为疼痛对日常生活干扰的评估问卷。使用Smarting mBrain设备注册了22个按照10/20国际系统定位的EEG通道。EEG信号以250 Hz采样，带宽在0.1到100 Hz之间。本文提供了两种类型的数据：（1）静息状态下的原始脑电图数据；（2）两次试验的患者报告。
通过卷积神经网络混合模型对脑电信号进行抑郁症连续评分
摘要 — 传统上，抑郁评分是通过贝克抑郁量表 (BDI) 测试来确定的，这是一种定性问卷。通过分析和分类预先记录的脑电图 (EEG) 信号，也可以实现抑郁症的定量评分。在这里，我们更进一步，将原始 EEG 信号应用于提出的混合卷积和时间卷积神经网络 (CNN-TCN)，以连续估计 BDI 分数。在本研究中，119 名受试者的 EEG 信号通过连续的闭眼和睁眼间隔被 64 个头皮电极捕获。此外，所有受试者都参加 BDI 测试并确定他们的分数。所提出的 CNN-TCN 在睁眼状态下提供 5.64 ± 1.6 的均方误差 (MSE) 和 1.73 ± 0.27 的平均绝对误差 (MAE)，在闭眼状态下提供 9.53 ± 2.94 的 MSE 和 2.32 ± 0.35 的 MAE，这显著超过了最先进的深度网络方法。在另一种方法中，从连续帧的 EEG 信号中提取常规 EEG 特征，并将它们与已知的统计回归方法结合应用于所提出的 CNN-TCN。我们的方法提供了 10.81 ± 5.14 的 MSE 和 2.41 ± 0.59 的 MAE，在统计上优于统计回归方法。此外，使用原始 EEG 的结果明显优于使用 EEG 特征的结果。
迈向无处不在的脑电图，耳内脑电图与前额脑电图的相关性
摘要：近年来，可穿戴式脑电图 (EEG) 在临床和研究之外的广阔应用前景推动下越来越受欢迎。连续脑电图的普遍应用需要不显眼的外形，以便终端用户轻松接受。在此过程中，可穿戴式脑电图系统已从整个头皮转移到前额，最近又转移到耳朵。本研究的目的是证明新兴的耳部脑电图提供与现有的前额脑电图相似的阻抗和信号特性。在阻抗分析后，使用装有三个定制电极和一个前额电极 (Fpx) 的通用耳机从十名健康受试者获取了睁眼和闭眼阿尔法范式的脑电图数据。入耳式电极阻抗的受试者间变异性在 10 Hz 时为 20 k Ω 至 25 k Ω。信号质量相当，入耳式电极的 SNR 为 6，前额电极的 SNR 为 8。所有入耳式电极在睁眼状态下的 Alpha 衰减都很明显，并且遵循前额电极功率谱密度图的结构，入耳位置 ELE（左耳上）和 ERE（右耳上）与前额位置 Fp1 和 Fp2 之间的 Pearson 相关系数分别为 0.92。结果表明，就阻抗、信号特性和信息内容而言，入耳式 EEG 是已建立的前额 EEG 的非侵入式替代方案。
使用脑电图神经反馈系统的焦虑控制应用
引言：本研究旨在调查 16 名 17-21 岁青少年运动员样本中脑电图 (EEG) 波段振荡与焦虑水平之间的相关性。该研究利用移动 EEG 系统收集 EEG 波段振荡数据。目的：本研究旨在调查放松过程中的脑电波振荡，特别是使用最先进的无线 EEG 耳机系统比较睁眼和闭眼状态脑电图 (EEG) 之间的对比。方法：该系统结合了由 NeuroSky 独家开发的干式、非相互作用的 EEG 传感器电极。此外，添加 ThinkGear 模块和 MindCap XL 头骨有助于记录 EEG。本研究的目的是调查睁眼和闭眼状态对前额叶皮质 α 波段活动的影响结果显示这两种状态之间存在统计学上的显着差异 (p≤0.006)。本研究考察了前额皮质的 alpha 波段与焦虑水平之间的关系。具体来说，我们考察了闭眼条件下这些变量之间的关系。结果：我们的分析揭示了统计学上显著的相关性，其中 alpha 波段显示负斜率（p≤0.029）。本研究比较了单通道无线设备获得的数据与传统实验室获得的数据。本研究结果显示，两种设备获得的结果惊人地相似。本研究的目的是调查年轻运动员前额皮质的脑电图 (EEG) alpha 波段振荡与眼位和焦虑水平之间的相关性的具体特征。结论：本研究旨在阐明这种振动与个体内部认知和情感状态之间的可能关系。
倦怠综合症中的功能连接：静息......
慢性职业压力与情绪和认知功能的明显下降有关。神经机制研究表明，职业倦怠者的大脑活动和事件相关电位模式发生了显著变化。本研究对静息状态下的大脑功能连接进行了分析，从而更深入地了解了职业倦怠综合征的伴随机制。样本包括 49 名职业倦怠员工和 49 名对照者，按年龄、性别和职业匹配（M 年龄 = 36.15，SD = 8.10；59 名女性，39 名男性）。从 256 通道 EEG 系统收集连续密集阵列 EEG 数据。使用静息态范式在闭眼（EC）和睁眼（EO）条件下测试了职业倦怠和对照者之间的功能连接差异。结果表明，职业倦怠组和对照组的大脑活动存在显著差异。倦怠组的静息状态网络的特点是睁眼状态下 alpha3 子带（11-13 Hz）的额叶和中线区域功能连接减少。连接减少的最显著影响是在右额叶脑区观察到的。这些分析首次指出了倦怠综合征中 alpha3 子带内功能连接的独特方面。这些发现为倦怠综合征的神经生物学基础及其与静息状态网络变化的关联提供了见解。有关倦怠受试者神经特征的数据可能有助于了解认知功能和情绪调节下降的机制，并寻找适当的治疗方法。
评估神经生理模式的相关性以预测基于运动想象的 BCI 用户的表现
摘要 —基于运动想象的脑机接口 (MI-BCI) 允许用户仅使用大脑活动来控制计算机以执行各种应用，而大脑活动通常由脑电图 (EEG) 记录。尽管 BCI 应用众多，但由于其准确性较差，它们在实验室外的使用仍然很少。一些用户无法使用 BCI，这种现象有时被称为“BCI 文盲”，影响了大约 10% 到 30% 的 BCI 用户，他们无法产生可辨别的 EEG 模式。通过进行神经生理学分析，尤其是通过识别 BCI 性能的神经生理学预测因子，我们可以更好地理解这种现象及其原因。反过来，这也可能帮助我们更好地理解并从而可能改进 BCI 用户培训。因此，本文提出了专用于预测 MI-BCI 用户表现的统计模型，该模型基于从“睁眼放松”条件下的两分钟 EEG 记录中提取的神经生理学用户特征。我们考虑了 56 名受试者在进行 MI-BCI 实验之前在“睁眼放松”条件下记录的数据。我们使用机器学习回归算法和留一交叉验证来构建我们的预测模型。我们还计算了这些特征（神经生理预测因子）与用户的 MI-BCI 表现之间的不同相关性。我们的结果表明，此类模型可以比偶然性（p ≤ 0.01）更好地预测用户表现，但平均绝对误差相对较高，为 12.43%。我们还发现我们的一些特征与性能之间存在显着的相关性，包括之前探索的 µµµ 波段预测因子，以及这里提出的新预测因子：µµµ 峰值位置变异性。因此，这些结果有助于更好地理解和预测 BCI 文盲。但是，它们还需要进一步改进才能获得更可靠的预测。索引词 — 脑机接口 (BCI)、脑电图 (EEG)、神经生理预测指标