XiaoMi-AI文件搜索系统
World File Search System脑电
事件相关的 alpha 节律调制解释了脑电图中的听觉 P300 诱发反应
[1] 马克斯普朗克人类认知与脑科学研究所神经病学系，莱比锡 04103，德国 [2] 柏林夏里特医学院伯恩斯坦计算神经科学中心，柏林 10117，德国 [3] 罗氏制药研究与早期开发、神经科学与罕见疾病，罗氏巴塞尔创新中心，F.霍夫曼-罗氏有限公司，巴塞尔，4070，瑞士 [4] 莱比锡大学 LIFE – 文明疾病研究中心，莱比锡，04109，德国 [5] IU 国际应用技术大学心理学系，埃尔福特，53604，德国 [6] 莱比锡大学医学中心精神病学和心理治疗系，莱比锡，04103，德国 [7] 精神病学、心身医学和心理治疗，法兰克福歌德大学，法兰克福，60323，德国 [8] 医学信息学，统计学和流行病学研究所（IMISE），莱比锡大学，莱比锡，04109，德国 [9] 认知神经病学系，莱比锡大学医院，莱比锡，04103，德国 [10] 神经物理学组，神经病学系，夏里特 - 柏林大学医学院，柏林，10117，德国
边缘雾计算支持无损脑电图数据压缩，可在 IoMT 网络中用于癫痫发作检测
1, 2 部伊拉克巴比伦大学计算机科学系。 3 FEMTO-ST 研究所/CNRS，大学法国贝尔福，勃艮第弗朗什孔泰。 4 法国奥赛巴黎萨克雷大学 LISN 实验室。电子邮件: ali.idrees@uobabylon.edu.iq, wsci.sara.idrees5@uobabylon.edu.iq, raphael.couturier@univ-fcomte.fr, tara.ali-yahiya@universite-paris-saclay.fr ∗ 通讯作者
比较脑电图，凝视和手动运动
人类机器人协作（HRC）依赖于对人类意图的准确和及时认识以确保无缝相互作用。在常见的HRC任务中，已经广泛研究了人身到机器人的对象移交，以计划在对象接收期间的机器人行动，假设人类的对象移交意图。但是，将移交意图与其他动作区分开来，受到了有限的关注。大多数对Han-Dovers的研究都集中在视觉检测运动轨迹上，这通常会导致轨迹重叠时延迟或错误检测。本文研究了人类对物体移交的意图是否反映在基于非运动的生理信号中。我们进行了比较三种数据模式的多模式分析：脑电图（EEG），凝视和手动信号。我们的研究旨在区分HRC环境中的移交预期的动作和非移交动作，从而评估每种形态在预测和之后人类运动开始之前和之后对这些行为进行分类时的表现。我们根据这些方式开发和评估人类意图探测器，比较它们在识别切换意图方面的准确性和时机。据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。 我们的分析表明，移交意图可以是据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。我们的分析表明，移交意图可以是
整合脑电图和EMG以减少身体需求
摘要 - 我们提供了一个混合脑机界面（BMI），该界面（BMI）整合了基于视觉诱发电位（SSVEP）的脑电图和面部EMG，以改善多模式控制并减轻辅助应用中的疲劳。传统的BMI仅依赖于脑电图或EMG具有固有的局限性 - 基于EEG的控制需要持续的视觉焦点，导致认知疲劳，而基于EMG的控制会随着时间的流逝引起肌肉疲劳。我们的系统在脑电图和EMG输入之间动态交替，使用EEG检测9.75 Hz的SSVEP信号，以及从脸颊和颈部肌肉中检测到14.25 Hz和14.25 Hz和EMG，以根据任务需求优化控制。在虚拟乌龟导航任务中，混合系统达到了与仅EMG的方法相当的任务完成时间，而90％的用户报告说减少或相等的物理需求。这些发现表明，多模式BMI系统可以增强可用性，减少应变并改善辅助技术的长期依从性。索引术语 - 基于EEG的接口，EMG处理和应用，脑机界面
完善版本引用（APA）：Cracco, E., Oomen, D., Papeo, L., & Wiersema, JR (2022)。使用脑电图运动标记来分离大脑反应
检测生物运动对于适应性社会行为至关重要。先前的研究已经揭示了这种能力背后的大脑过程。然而，生物运动感知过程中的大脑活动会捕捉到多种过程。因此，我们通常不清楚哪些过程反映了运动处理，哪些过程反映了建立在运动处理基础上的次要过程。为了解决这个问题，我们开发了一种新方法来测量与观察到的运动直接相关的大脑反应。具体来说，我们向 30 名成年男性和女性展示了一个以 2.4 Hz 的速度移动的点光源步行器，并使用 EEG 频率标记来测量与该速度相关的大脑反应（“运动标记”）。结果显示，在步行频率下有一个可靠的反应，而两种已知会破坏生物运动感知的操作会降低这种反应：相位扰乱和反转。有趣的是，我们还发现了步行频率一半（即 1.2 Hz）的大脑反应，这对应于各个点完成一个周期的速率。与 2.4 Hz 响应相比，对于乱序步行者（相对于未乱序步行者），1.2 Hz 响应有所增加。这些结果表明，频率标记可用于捕捉生物运动的视觉处理，并且可以在大脑信号的不同频率下分离涉及生物运动感知的全局（2.4 Hz）和局部（1.2 Hz）过程。
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。
通过直接脑电刺激获得洞察
情绪是我们精神生活和大脑功能的重要组成部分。它们可以用以下三要素来定义：（1）情感（有意识的体验）、（2）运动和行为适应以及（3）自主神经系统反应（Hamann，2001；Lang，1995）。具有正价的情绪对生活质量和幸福感有重要影响。它们可以通过促进决策、解决问题、社交互动和创造力来提高认知和社交能力（Ashby 等人，1999；Carpenter 等人，2013；Fredrickson，2004；GROSS，2002））。积极情绪的产生和调节主要使用功能性磁共振成像进行研究，其中不同的任务会引起愉悦的感觉，包括感官体验（Koelsch & Skouras，2014）、观看亲人的图像（Bartels & Zeki，2000；Nitschke 等，2004）或其他图像或影片（Brassen 等，2011；Garavan 等，2001；Kim & Hamann，2007）、回忆或想象愉快的情景（Matsunaga 等，2016；Pelletier 等，2003；Zotev 等，2011）或社会关系（Scharnowski 等，2020）。尽管根据所用范例会有所不同，但这些研究强调了腹侧“情绪”皮质-皮质下网络的含义，包括眶额皮质、前扣带皮质、岛叶、杏仁核以及尾状核、壳核、苍白球和脑干。在用皮层电图或立体定向脑电图 (SEEG) 对耐药性癫痫患者进行术前评估的背景下，也已使用直接脑电刺激 (EBS) 研究了愉悦意识感觉的神经基础。通过 EBS 对清醒患者进行脑部探索有几个优势。SEEG 具有比功能性 MRI（Mercier 等人，2022 年）更好的时间分辨率，并且靶向 EBS 允许建立直接的因果“刺激临床事件”关系。然而，只有少数研究表明 EBS 可以引起情绪感觉，重现常见的发作症状或罕见的癫痫发作期间不会遇到的感觉。Penfield 和他的合作者是描述患者在手术前刺激期间对 EBS 的反应中的体验和情绪现象的先驱之一（Penfield & Jasper，1954）。最近关于 EBS 对情绪影响的研究提供了所涉及皮质区域的功能性大脑图（Drane 等人，2021 年；Gordon 等人，1996 年）。特别是，杏仁核一再参与触发情绪反应，这些反应主要被认为是负面的（Bujarski 等人，2022 年；Inman 等人，2020 年；Lanteume 等人，2007 年）。大脑的其他区域也已被证明能产生情绪影响，比如其他内侧颞叶区域（鼻极皮质和颞极皮质）（Bartolomei 等人，2004 年；Meletti 等人，2006 年；Smith 等人，2006a 年）和岛叶（Bartolomei 等人，2019；Mazzola 等人，2019）。然而，与基于刺激的涉及其他认知和情绪功能的大脑区域的研究相比，关于 EBS 引发的积极情绪的研究仍然非常稀少（Drane 等人，2021），而且我们缺乏大脑网络对愉悦感觉影响的因果证据。
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