XiaoMi-AI文件搜索系统
World File Search System脑电图
计算机辅助分析常规脑电图以识别癫痫的隐藏生物标志物：系统评价方案
摘要 简介 癫痫的诊断通常依赖于神经科医生对脑电图 (EEG) 的视觉解释。癫痫在脑电图上的标志是发作间期癫痫样放电 (IED)。该标记缺乏敏感性：仅在癫痫患者 30 分钟常规脑电图中的一小部分中可捕获到它。在过去的 30 年里，人们对使用计算方法来分析脑电图而不依赖于 IED 的检测的兴趣日益浓厚，但目前尚无一种方法应用于临床实践。我们旨在回顾应用于动态脑电图分析的定量方法的诊断准确性，以指导癫痫的诊断和治疗。方法与分析该方案符合 Cochrane 对诊断测试准确性系统评价的建议。我们将在 MEDLINE、EMBASE、EBM 评论、IEEE Explore 以及灰色文献中搜索 1961 年以后发表的文章、会议论文和会议摘要。我们将纳入观察性研究，这些研究提出了一种计算方法来分析脑电图以诊断成人或儿童癫痫，而不依赖于 IED 或癫痫发作的识别。参考标准是医生对癫痫的诊断。我们将报告每个标记的估计汇总敏感度和特异性以及接收者操作特征曲线下面积 (ROC AUC)。如果可能，我们将对每个单独的标记的敏感度和特异性以及 ROC AUC 进行荟萃分析。我们将使用改进的 QUADAS-2 工具评估偏倚风险。我们还将描述用于信号处理、特征提取和预测建模的算法，并评论不同研究的可重复性。道德与传播 不需要伦理批准。研究结果将通过同行评审的出版物传播，并在与该领域相关的会议上发表。 PROSPERO 注册号码 CRD42022292261。
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的数据集上取得了 2.728 的价标签得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的数据集上取得了 2.3 的唤醒标签得分。
中性工作记忆训练的脑电图相关性可改善考试焦虑中的注意力控制 Wei, Hua; Beuckelaer, A. de; Zhou, R. 2022，
注意力控制理论认为，高测试焦虑 (HTA) 个体的注意力控制能力受损。然而，通过工作记忆训练，有可能提高这类人的注意力控制能力。本研究调查了 20 天的工作记忆训练（使用情绪中性刺激）是否能提高 HTA 个体的注意力控制能力。在测试相关压力情况下，使用 Flanker 和 Go/Nogo 实验任务测量注意力控制的前后结果，并收集脑电图数据。结果仅显示，HTA 个体在进行中性工作记忆训练后（即结果后与结果前）的 Nogo alpha 功率显著下降。然而，我们未能提供证据证明中性工作记忆训练对 Flanker 和 Go/Nogo 任务中任务表现的提高具有有益的转移效应。因此，本研究表明，在执行 Go/Nogo 任务时，中性工作记忆训练与重要的神经生理相关因素明显相关，但转移效应相当有限。
Emotiv 便携式脑电图设备的范围审查
。CC-BY 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2020 年 7 月 14 日发布。；https://doi.org/10.1101/2020.07.14.202085 doi：bioRxiv 预印本
解码听觉和触觉注意力以用于脑电图......
摘要 — 脑机接口 (BCI) 系统为人类与机器交互提供了一种非语言且隐蔽的方式。它们旨在解释用户的大脑状态，并将其转化为行动或用于其他交流目的。本研究调查了基于听觉和触觉注意力开发无需动手和眼睛的 BCI 系统的可行性。向用户呈现多个同时的听觉或触觉刺激流，并指示用户检测某一特定流中的模式。我们应用线性分类器从 EEG 信号中解码流跟踪注意力。结果表明，所提出的 BCI 系统可以使用多感官输入吸引大多数研究参与者的注意力，并显示出在多个会话中进行迁移学习的潜力。
根据脑电图和生理信号估计情感、认知和意动状态的工具
近几十年来，基于脑电图 (EEG) 的脑机接口 (BCI) 研究已变得更加民主化 (Nam 2018)。该技术能够通过 EEG 将信息从人脑传输到机器，尤其能够帮助严重运动障碍患者向轮椅等辅助技术发送命令，例如通过想象左手或右手运动来使轮椅左转或右转。此类 BCI 被称为主动 BCI，因为用户通过执行心理意象主动向系统发送命令 (Zander 2011)。然而，BCI 缺乏稳健性限制了该技术在研究实验室之外的发展，目前 10% 到 30% 的用户无法控制主动 BCI。然而，另一种类型的 BCI 被证明特别有前景：被动 BCI (Zander 2011)。此类 BCI 不用于直接控制应用程序，而是用于实时监控用户的心理状态，以便相应地调整应用程序。请注意，被动 BCI 可以与生理信号相结合：它们被称为“混合 BCI”（Pfurtscheller 等人，2010 年）。
密度脑电图
摘要 目的 功能连接 (FC) 越来越多地被用作神经调节和提高性能的目标。目前，使用脑电图 (EEG) 对 FC 进行可靠的评估需要具有高密度蒙太奇的实验室环境和较长的准备时间。本研究调查了使用低密度 EEG 蒙太奇重建源 FC 以用于实际应用的可行性。方法 使用逆解重建源 FC，并将其量化为 alpha 频率中绝对虚相干的节点度。我们使用模拟的相干点源以及两个真实数据集来研究电极密度（19 个电极 vs. 128 个电极）和使用模板与基于单个 MRI 的头部模型对定位精度的影响。此外，我们还检查了低密度 EEG 是否能够捕捉个体间相干强度的变化。结果 在数值模拟和实际数据中，电极数量的减少导致相干源和耦合强度的重建可靠性降低。然而，当比较从 19 个电极重建 FC 的不同方法时，使用波束形成器获得的源 FC 优于传感器 FC、独立成分分析后计算的 FC 和使用 sLORETA 获得的源 FC。特别是，只有基于波束形成器的源 FC 才能捕捉运动行为的神经相关性。结论 从低密度 EEG 重建 FC 具有挑战性，但使用波束形成器的源重建时可能是可行的。
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
醒来和睡眠期之间意识率延长的患者的脑电图差异
结果：1。MC中的分形维度（Higuchi的分形维度（HFD））往往高于所有阶段VS/UWS患者的分形维度（HFD），仅在醒来阶段存在显着差异（P <0.05）。醒来阶段的HFD与CRS-R评分呈正相关，并以88.3％的诊断精度表现出最高的诊断精度。与VS/UWS中的Teager-Kaiser能量运营商（TKEO）在MCS中的患者水平也更高，在NREM2阶段（p <0.05）中，与CRS-R-R分数和诊断精度为75.2％，在NREM2阶段中显着。MCS患者中的δ -band功率频谱密度[PSD（δ）]低于VS/UWS中的患者，在唤醒阶段明显如此明显（P <0.05），并且与CRS -R分数呈负相关，诊断精度为71.5％。
持续在线脑电图运动意象解码的微调策略：来自大规模纵向研究的见解
摘要 — 本研究调查了在涉及大型用户组和每个参与者多个会话的因果环境中在线纵向脑电图 (EEG) 运动想象 (MI) 解码中深度学习的持续微调策略。我们是第一个在大型用户组中探索此类策略的人，因为纵向适应通常是在单个受试者环境中使用单一适应策略进行研究的，这限制了推广研究结果的能力。首先，我们研究了不同的微调方法对解码器性能和稳定性的影响。在此基础上，我们集成了在线测试时间适应 (OTTA) 以在部署期间调整模型，补充了先前微调的效果。我们的研究结果表明，基于先前特定于主题的信息连续进行的微调可以提高性能和稳定性，而 OTTA 可以有效地使模型适应连续会话中不断变化的数据分布，从而实现无校准操作。这些结果为纵向在线 MI 解码的未来研究提供了宝贵的见解和建议，并强调了结合领域适应策略对提高实际应用中的 BCI 性能的重要性。临床相关性——我们的研究实现了更稳定、更有效的长期运动想象解码，这对于神经康复和辅助技术至关重要。