XiaoMi-AI文件搜索系统
World File Search System脑机
使用低成本开源脑机接口和 3D 打印腕外骨骼诱导神经可塑性
摘要：脑机接口 (BCI) 已被证明可用于中风康复，但有许多因素阻碍了该技术在康复诊所和家庭中的使用，主要因素包括 BCI 系统的可用性和成本。本研究的目的是开发一种廉价的 3D 打印腕外骨骼，可由廉价的开源 BCI (OpenViBE) 控制，并确定使用这种设置进行训练是否可以诱导神经可塑性。11 名健康志愿者想象手腕伸展，这些伸展通过单次脑电图 (EEG) 检测到，作为响应，腕外骨骼复制了预期的运动。在使用外骨骼进行 BCI 训练之前、之后立即和 30 分钟后测量使用经颅磁刺激引起的运动诱发电位 (MEP)。BCI 系统的真阳性率为 86 ± 12%，每分钟有 1.20 ± 0.57 次误检。与 BCI 训练前的测量结果相比，MEP 在训练后立即增加了 35 ± 60%，在 BCI 训练 30 分钟后增加了 67 ± 60%。BCI 性能与可塑性诱导之间没有关联。总之，可以使用开源 BCI 设置检测想象运动并控制廉价的 3D 打印外骨骼，当与 BCI 结合时可以诱导神经可塑性。这些发现可能会促进 BCI 技术在康复诊所和家庭中的普及。然而，可用性必须提高，并且需要对中风患者进行进一步测试。
脑机接口领域发展态势 - 生命科学
题名 主要研究内容 神经系统记录与调控的新概念和早期研究 处于早期开发阶段的独特和创新型记录和 ( 或 ) 调控技术，包括处于概念化 初始阶段的新的和未经测试的想法。适用于多种记录方式，包括声学、 化学、电学、磁学和光学，以及遗传工具的使用等 在人脑中使用侵入性神经记录和刺激技术的探索 组建跨学科团队，开发侵入性神经记录与刺激技术，验证新技术原理、可 性研究 行性，并进行早期开发工作 优化用于神经系统记录和调控的仪器和设备技术 通过与最终用户的迭代测试来优化现有或新兴技术的应用程序。这些技术 和方法有望解决与细胞 ( 即神经元和非神经元 ) 和网络的记录与调控相关 的重大挑战，实现对中枢神经系统动态信号的变革性理解 神经系统记录和调控的新技术和新方法 开发极具创造性的方法，以解决在细胞分辨率或接近细胞分辨率水平记录 和调控 CNS 活动相关的重大挑战。可以是各类技术，如光学、磁学、 声学和 ( 或 ) 基因操作等 大脑行为量化与同步 支持能精确量化人类行为并将其与同时记录的大脑活动联系起来的下一代 平台和分析方法的开发和验证。用于分析行为的工具应该是多模态的， 并且应该能够与大脑活动相关联，因而能够准确、特异性、灵活地测量 和调控行为相关的大脑环路活动 在人脑中使用侵入性神经记录和刺激技术 使用先进、创新技术研究行为相关的动态神经环路功能的跨学科研究，旨 在通过系统地控制刺激和 ( 或 ) 行为，同时主动记录和 ( 或 ) 操纵神经活动 的相关动态模式，并通过测量由此产生的行为和 ( 或 ) 感知来了解中枢神 经系统相关环路的动态与功能 推进下一代人类中枢神经系统记录与调控侵入性 支持新型侵入式脑机接口治疗中枢神经系统疾病的临床试验，鼓励研究人 设备的临床研究 员开展转化活动和小型临床研究 人类中枢神经系统中新型记录和调控技术的临床 支持用于人类使用的下一代记录和 ( 或 ) 调控设备的开发，从概念验证到临 前概念验证 床前测试，以进一步了解人类中枢神经系统并治疗神经系统疾病 通过 Blueprint MedTech 将开创性技术从早期开发 鼓励转化新型神经技术，由美国 BRAIN 计划提供资助并由 NIH “蓝图医疗 转化为早期临床研究 科技”计划监督。鼓励学术和小企业合作开展非临床验证研究，鼓励支 持开发和转化开创性神经技术
皮层内脑机接口的主动感
7 8 Andrea Serino* 1,2, , Marcie Bockbrader* 3 , Tommaso Bertoni 1 , Sam Colachis 3p,4c , Marco 9 Solca 2 , Collin Dunlap 3,4 , Kaitie Eipel 3p , Patrick Ganzer 4 , Nick Annetta 4 , Gaurav 10 Sharma 4p,9c , Pavo Orepic 2 , David Friedenberg 4 , Per Sederberg 5 , Nathan Faivre 2,6 , Ali 11 Rezai** 7 , Olaf Blanke** 2,8 12 13 1 MySpace 实验室，临床神经科学系，洛桑大学医院 14 (CHUV)，洛桑，瑞士； 2 瑞士日内瓦联邦理工学院 (EPFL) 大脑思维神经修复研究所和中心认知神经科学实验室，生物技术校区；3 美国俄亥俄州哥伦布市俄亥俄州立大学物理医学与康复系；4 美国俄亥俄州哥伦布市巴特尔纪念研究所医疗器械与神经调节系；5 美国弗吉尼亚州夏洛茨维尔市弗吉尼亚大学心理学系；6 格勒诺布尔阿尔卑斯大学、萨瓦大学勃朗峰分校，CNRS，LPNC，38000 格勒诺布尔，法国；7 美国西弗吉尼亚州摩根敦市西弗吉尼亚大学洛克菲勒神经科学研究所；8 瑞士日内瓦大学医院神经病学系；9 美国俄亥俄州代顿市空军研究实验室。 24 25 * 这些作者的贡献相同；** 这些作者共同指导了这项工作。 26 p 工作时的先前隶属关系；c 当前隶属关系 27 28 29 * 这些作者的贡献相同；** 这些作者共同指导了这项工作。 30
视觉脑机接口作为肌萎缩侧索硬化症患者的沟通辅助工具 Verbaarschot，CS；Tump，D.；Lutu，A.；Borhana
目的：对于患有肌萎缩侧索硬化症 (ALS) 的患者，利用代码调制视觉诱发电位 (cVEP) 的脑机接口 (BCI) 拼写器可能为现有的视觉 BCI 拼写器提供一种快速且更准确的替代方案。但到目前为止，cVEP 拼写器仅在健康参与者身上进行过测试。方法：我们评估了 20 名健康参与者和 10 名 ALS 患者的大脑反应、BCI 性能和 cVEP 拼写器的用户体验。所有参与者都执行了提示和自由拼写任务，以及自由选择是/否答案。结果：30 名参与者中有 27 名可以完成提示拼写任务，ALS 患者的平均准确率为 79%，健康老年参与者的平均准确率为 88%，健康年轻参与者的平均准确率为 94%。所有 30 名参与者都可以自由回答是/否问题，平均准确率约为 90%。结论：对于平均每分钟输入 10 个字符的 ALS 患者，本文介绍的 cVEP 拼写器的表现优于其他视觉 BCI 拼写器。意义：这些结果支持 cVEP 信号对 ALS 患者的普遍可用性，这可能远远超出测试的拼写器，例如控制智能家居中的警报、自动门或电视。2021 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
深度学习用于 ECoG 脑机接口
Maciej Śliwowski、Matthieu Martin、Antoine Souloumiac、Pierre Blanchart、Tetiana Aksenova。深度学习用于 ECoG 脑机接口：端到端与手工制作的特征。计算机科学讲义，2023 年，13796，第 358-373 页。�10.1007/978-3-031-27181-6_25�。�cea-04574322�
通过分布式光遗传皮层反馈在闭环脑机接口中进行学习
摘要 目的 在通过脑机接口操纵假肢的过程中，皮质表面的分布式微刺激可以有效地向受试者提供反馈。这种反馈可以向假肢使用者传达大量信息，可能是获得假肢的精确控制和实施的关键。然而，到目前为止，人们对解码此类模式的生理限制知之甚少。在这里，我们旨在测试一种旋转光遗传反馈，该反馈旨在有效地编码假肢中使用的机器人执行器的 360° 运动。我们试图评估通过闭环脑机接口控制假肢关节的小鼠对其的使用情况。 方法 我们测试了小鼠优化虚拟假肢关节轨迹的能力，以解决奖励性伸手任务。它们可以通过调节初级运动皮层中单个神经元的活动来控制关节的速度。在任务期间，投射到初级体感皮层上的模式化光遗传刺激不断向小鼠传递有关关节位置的信息。主要结果 我们表明，小鼠能够在任务的主动行为环境中利用连续、旋转的皮质反馈。小鼠通过更频繁地检测奖励机会，以及通过将关节更快地移向奖励角区，并在奖励区停留更长时间，实现了比没有反馈时更好的控制。控制关节加速度而不是速度的小鼠无法改善运动控制。 意义 这些发现表明，在闭环脑机接口的背景下，可以利用具有优化形状和拓扑的分布式皮质反馈来控制运动。我们的研究直接应用于机器人假肢中经常遇到的旋转关节的闭环控制。 1. 简介
脑机接口在中风后运动康复中的可接受性建模：一项针对普通公众的大规模研究
简介：中风后，约 40% 的幸存者在日常生活中依赖他人，尤其是严重的运动障碍。脑机接口 (BCI) 已被证明可有效改善中风后的运动恢复，但这种效率仍远未达到临床医生和患者所期望的临床突破所需的水平。虽然已经确定了改进的技术手段（例如传感器和信号处理），但如果患者和临床医生不能或不想使用，完全优化的 BCI 是毫无意义的。我们假设，提高 BCI 的可接受性将降低患者的焦虑水平，同时提高他们在手术中的积极性和参与度，从而最终有利于学习和运动恢复。换句话说，可接受性可以作为提高 BCI 效率的杠杆。然而，基于可接受性/接受度文献的 BCI 研究尚不完善。因此，我们的目标是在中风后运动康复的背景下对 BCI 的可接受性进行建模，并确定其决定因素。
切线空间对齐：脑机接口的迁移学习...
受试者之间和会话之间的脑电图 (EEG) 统计差异是脑机接口 (BCI) 领域面临的一个常见问题。这种差异阻碍了预先训练的机器学习模型的使用，并且需要对每个新会话进行校准。本文介绍了一种处理这种差异性的新迁移学习 (TL) 方法。该方法旨在通过在正定矩阵黎曼流形的切线空间中将一个受试者的 EEG 数据与另一个受试者对齐，来减少校准时间甚至提高 BCI 系统的准确性。我们在 18 个 BCI 数据库上测试了该方法，这些数据库总共包含 349 名受试者，属于三个 BCI 范式，即事件相关电位 (ERP)、运动想象 (MI) 和稳态视觉诱发电位 (SSVEP)。我们使用支持向量分类器进行特征分类。结果表明，与传统的训练-测试流程相比，在 ERP 范式中，分类准确度显著提高，而对于 MI 和 SSVEP 范式，性能均未下降。与之前发布的黎曼方法黎曼普鲁克勒斯分析 (RPA) 相比，总体准确度提高了 2.7%。有趣的是，切线空间对齐具有处理具有不同通道数的数据集的迁移学习的内在能力，自然适用于数据集间的迁移学习。
双被动反应脑机接口
本研究提出了一种新的神经自适应技术概念，即双被动-反应脑机接口 (BCI)，可实现人与机器之间的双向交互。我们在逼真的飞行模拟器中实现了这样一个系统，使用 NextMind 分类算法和框架来解码飞行员的意图（反应性 BCI）并推断他们的注意力水平（被动 BCI）。12 名飞行员使用反应性 BCI 执行检查单以及由被动 BCI 监督的防撞雷达监控任务。当后者检测到飞行员没有遇到即将到来的碰撞时，它会模拟自动避让动作。当仅执行检查单任务时，反应性 BCI 的分类准确率达到 100%，平均反应时间为 1.6 秒。当飞行员还必须驾驶飞机并监控防撞雷达时，准确率高达 98.5%，平均反应时间为 2.5 秒。被动 BCI 的 F 1 − 得分为 0.94。首次演示展示了双 BCI 改善人机协作的潜力，可应用于各种应用。
意念运动脑机接口的理论视角：基于动作-效果表征的自然主义和非侵入性脑机接口范式
近年来，非侵入式脑机接口 (BCI) 设备和应用在各种环境（医疗、工业等）中得到了迅猛发展。该技术允许代理“直接用思想行动”，绕过外周运动系统。有趣的是，值得注意的是，典型的非侵入式 BCI 范式与人类自愿行动的神经科学模型相距甚远。值得注意的是，在 BCI 实验中，动作和感知之间的双向联系经常被忽略。在当前的观点文章中，我们提出了一种创新的 BCI 范式，它直接受到意念运动原理的启发，该原理假定自愿行动是由即将到来的感知效果的预期表现驱动的。我们相信 (1) 调整 BCI 范式可以实现简单的动作-效果绑定，从而实现动作-效果预测；(2) 使用这些动作-效果预测的神经基础作为 AI 方法中感兴趣的特征，可以实现更准确、更自然的 BCI 介导动作。