XiaoMi-AI文件搜索系统
World File Search System脑电图
为被动脑机接口应用开放多会话、多任务脑电图认知数据集
脑机接口，尤其是被动脑机接口 (pBCI)，由于能够估计和监控用户心理状态，越来越受到基础研究和应用研究与开发社区的关注。测试新的管道和基准分类器以及特征提取算法是进一步研究该领域的关键。不幸的是，pBCI 研究中的数据共享仍然很少。COG-BCI 数据库包含 29 名参与者在 3 个独立会话中的记录，这些会话中有 4 个不同的任务 (MATB、N-Back、PVT、Flanker)，旨在引发不同的心理状态，总共超过 100 小时的开放 EEG 数据。该数据集在主观、行为和生理层面进行了验证，以确保其对 pBCI 社区的实用性。此外，还给出了一个概念证明，其中包含心理工作量估计管道和结果的示例，以确保数据可用于 pBCI 管道的设计和评估。这项工作为在开放科学框架中推广 pBCI 的使用做出了巨大努力。
通过动态空间滤波对受损脑电图进行稳健学习
使用在实验室环境之外记录的 EEG 构建机器学习模型需要对噪声数据和随机缺失通道具有鲁棒性的方法。在处理稀疏 EEG 蒙太奇（1-6 个通道）时，这种需求尤其大，稀疏 EEG 蒙太奇经常出现在消费级或移动 EEG 设备中。经典机器学习模型和在 EEG 上端到端训练的深度神经网络通常都没有设计或测试对损坏的鲁棒性，尤其是对随机缺失通道的鲁棒性。虽然一些研究提出了使用缺失通道数据的策略，但当使用稀疏蒙太奇且计算能力有限（例如可穿戴设备、手机）时，这些方法并不实用。为了解决这个问题，我们提出了动态空间滤波（DSF），这是一个多头注意力模块，可以插入神经网络的第一层之前，通过学习关注好通道并忽略坏通道来处理缺失的 EEG 通道。我们在包含约 4,000 条模拟通道损坏记录的公共 EEG 数据和包含约 100 条自然损坏移动 EEG 家庭记录的私人数据集上测试了 DSF。当没有施加噪声时，我们提出的方法可实现与基线模型相同的性能，但当存在严重通道损坏时，其准确率比基线高出 29.4%。此外，DSF 输出是可解释的，因此可以实时监控有效通道重要性。这种方法有可能在通道损坏妨碍读取脑信号的具有挑战性的环境中实现 EEG 分析。
基于脑电图的神经网络重度抑郁症和双相情感障碍检测：综述
精神障碍是重大的公共卫生挑战，因为它们是全球疾病负担的主要因素，并严重影响个人的社会和经济福利。本综合综述集中于两种精神障碍：重度抑郁症 (MDD) 和双相情感障碍 (BD)，过去十年中出现了值得关注的出版物。如今，使用生物标志物对精神障碍的表型表征需求很大。脑电图 (EEG) 信号可以为 MDD 和 BD 提供丰富的特征，然后它们可以提高对这些精神障碍的病理生理机制的理解。在本综述中，我们重点关注采用由 EEG 信号馈送的神经网络的文献。在使用 EEG 和神经网络的研究中，我们讨论了各种基于 EEG 的协议、生物标志物和用于检测抑郁症和双相情感障碍的公共数据集。我们最后进行了讨论并提出了宝贵的建议，这将有助于提高已开发模型的可靠性，并实现更准确、更确定的基于计算智能的精神病学系统。对于利用脑电图信号识别抑郁症和躁郁症的研究者来说，这篇评论将是一个结构化且有价值的起点。
使用脑电图数据
摘要 - 这项工作的目的是使用癫痫患者的脑电图数据，并使用交叉频谱密度（CPSD）分析大脑区域之间的连通性。我们通过去除癫痫发作的人来获取76个脑电图疗程中的数据。然后，我们为每个患者计算了210个电极对的CPSD。最初，我们在整个样品中计算了CPSD，然后根据与不同大脑状态相关的频段进行了分层。我们观察到大脑轮毂，默认模式网络（DMN）和附加到DMN的抗相关网络。大脑的连通性随频率变化而变化，因此大脑状态。EEG分析是一种相对便宜，持续时间较长，而更方便的方法比fMRI，但提供了类似的信息。类似的研究可用于识别大脑连接模式，而大脑通过为任务收集脑电图数据来执行特定任务。关键字 - ：大脑连接，集线器，脑电图
使用脑电图进行脑机接口手假肢感觉运动控制的运动预测
摘要 在本研究中，我们介绍了一种市售肌电假肢（Myobock ©，奥托博克）的改进版本，旨在为该设备提供基于脑机接口 BMI 的感觉运动控制。新系统使用用户的脑电图 (EEG) 信号以及手镯产生的振动作为输入，手镯包含振动马达，其频率与安装在假指尖的力敏电阻 (FSR) 测量的力成正比。在对七名健全人和四名截肢受试者进行实验期间，三种不同特征提取方法 (CSP、WD、GSO) 的四种组合已用于构建由两种具有不同电极数量的不同记录系统收集的 EEG 信号的特征向量。然后测试了三种机器学习算法（人工神经网络、具有线性和径向基函数核的支持向量机）的分类/预测性能。报告的结果为使用无线 BMI 来控制肌电假肢的主要运动类型提供了概念证明，即使用电极较少的 EEG 系统而不是研究级系统。
利用振荡脑电图特征对视觉审美偏好进行生态解码——一项小型综述
在当今的数字信息时代，人类对视觉制品的接触已达到前所未有的几乎无处不在的程度。其中一些文化制品被提升到艺术品的地位，这表明人们对这些物品有着特殊的欣赏。对许多人来说，对此类艺术品的感知与审美体验 (AE) 相吻合，而审美体验可以对健康和幸福产生积极影响。AE 由复杂的认知和情感心理和生理状态组成。对 AE 背后的神经动力学有更深刻的科学理解将允许开发被动脑机接口 (BCI)，该接口提供个性化的艺术呈现，以改善 AE，而无需明确的用户反馈。然而，视觉神经美学领域的先前实证研究主要研究非自然实验室条件下 AE 的功能性磁共振成像和事件相关电位相关性，这可能不是实用神经美学 BCI 的最佳特征。此外，直到最近，AE 在很大程度上被定义为美丽或愉悦的体验。然而，这些概念并未涵盖所有类型的 AE。因此，这些概念的范围太窄，无法实现跨个体和跨文化的个性化和最佳艺术体验。这篇叙述性迷你评论总结了基于振荡脑电图 (EEG) 的视觉神经美学的最新进展，并绘制了开发生态有效的神经美学被动 BCI 系统的路线图，该系统可以优化 AE 及其有益后果。我们详细介绍了已报道的 AE 振荡 EEG 相关性，以及用于对 AE 进行分类的机器学习方法。我们还强调了神经美学的当前局限性，并提出了改进 AE 的 EEG 解码的未来方向。
视觉线索可能会影响脑电图深度学习模型
过去几年，深度学习 (DL) 在基于运动想象的脑机接口 (MI-BCI) 分类中的应用取得了显著增长，有望提高 EEG 分类准确率。然而，DL 的黑箱性质可能导致准确但有偏差和/或不相关的 DL 模型。在这里，我们研究在 DL 输入窗口中使用视觉提示 EEG（通常使用）对所学特征和最先进 DL 模型 DeepConvNet 的分类性能的影响。分类器在一个大型 MI-BCI 数据集上进行了测试，在视觉提示后有两个时间窗口：0-4 秒（有提示 EEG）和 0.5-4.5 秒（无提示 EEG）。从性能角度来看，第一个条件明显优于第二个条件（86.82% vs. 76.11%，p<0.001）。然而，显著性图分析表明，加入视觉提示 EEG 会导致提取提示相关诱发电位，这与没有视觉提示 EEG 训练的模型所使用的 MI 特征不同。
揭示足球守门员隐蔽注意力的脑电图相关性：迈向创新运动训练程序
体育科学和神经科学的进步为设计高效且激励人心的运动训练工具提供了新的机会。例如，使用神经反馈 (NF)，运动员可以学会自我调节特定的大脑节律，从而提高他们的表现。在这里，我们专注于足球守门员的隐性视觉空间注意 (CVSA) 能力，这对于这些运动员取得优异成绩至关重要。我们寻找可用于基于虚拟现实的 NF 训练程序的 CVSA 脑电图 (EEG) 标记，即符合以下标准的标记：(1) 特定于 CVSA，(2) 可实时检测，(3) 与守门员的表现/专业知识相关。我们的结果表明，CVSA 最著名的 EEG 标记——被关注半视野同侧 α 功率增加——由于不符合标准 2 和 3 而无法使用。尽管如此，我们还是强调了运动员 CVSA 能力的提高与静息时 α 功率增加之间存在显著的正相关性。虽然该标记的特异性仍有待证实，但它符合标准 2 和 3。这一结果表明，可以为守门员设计创新的生态训练程序，例如结合使用 NF 和在虚拟现实中执行的认知任务。
使用 Python、Raspberry Pi 和 HifiBerry 共享用于听觉脑电图实验的开放刺激系统
在听觉行为和脑电图实验中，软件和硬件刺激解决方案的多变性增加了不必要的技术限制。目前，还没有一种易于使用、廉价且可共享的解决方案可以改善不同站点和环境中的协作和数据比较。本文概述了一个由 Raspberry Pi 和 Python 编程以及与 HifiBerry 声卡关联的系统。我们将其声音性能与各种材料和配置的声音性能进行了比较。该解决方案实现了听觉认知实验中重要的高时间精度和声音质量，同时易于使用和开源。本系统表现出高性能和结果，并获得了用户的良好反馈。它价格低廉，易于构建、共享和改进。使用这种低成本、功能强大且可协作的硬件和软件工具，人们可以创建自己的特定、适应性强且可共享的系统，该系统可以在不同的协作站点之间标准化，同时使用起来非常简单和强大。