XiaoMi-AI文件搜索系统
World File Search System视觉刺激
随机和系统视觉刺激与全脑活动的超慢准周期时空模式之间的相互作用
摘要 静息或任务期间的超慢血氧水平依赖性 (BOLD) 信号的一个显着特征是信号变化的准周期时空模式 (QPP)，其涉及关键功能网络活动的交替和跨大脑区域的活动传播，并且已知与注意力和唤醒波动有关的超慢神经活动有关。这种持续的全脑活动模式可能会改变对传入刺激的反应，或者通过诱发的神经活动自我改变。为了研究这一点，我们向受试者展示了以 6 Hz 闪烁的棋盘序列。这是一种显著的视觉刺激，已知会在视觉处理区域产生强烈的反应。采用了两种不同的视觉刺激序列，一种是系统刺激序列，其中视觉刺激每 20.3 秒出现一次，另一种是随机刺激序列，其中视觉刺激每 14~62.3 秒随机出现一次。出现了三个主要观察结果。首先，两种不同的刺激条件从不同方面影响 QPP 波形；即，系统刺激对其相位有较大影响，而随机刺激对其幅度有较大影响。其次，与随机条件相比，系统条件下的 QPP 更频繁，连续 QPP 之间的间隔明显更短。第三，在两种条件下，对视觉刺激的 BOLD 信号反应在刺激开始时被 QPP 淹没。这些结果为内在模式与刺激大脑活动之间的关系提供了新的见解。
卷积神经网络根据小鼠广角成像记录的皮层反应对视觉刺激进行分类
摘要 目的。视神经是视觉神经假体的理想位置。当受试者无法接受视网膜假体时，可以将其作为目标，并且它比皮质植入物的侵入性更小。电神经假体的有效性取决于必须优化的刺激参数组合，优化策略可能是使用诱发的皮质反应作为反馈进行闭环刺激。然而，有必要确定目标皮质激活模式，并将皮质活动与受试者视野中存在的视觉刺激联系起来。视觉刺激解码应在视觉皮层的大面积上进行，并使用尽可能可转化的方法，以便将来将研究转移到人类受试者身上。这项工作的目的是开发一种满足这些要求的算法，并可以利用该算法自动将皮质激活模式与产生它的视觉刺激联系起来。方法。向三只小鼠展示十种不同的视觉刺激，并使用广角钙成像记录它们的初级视觉皮层反应。我们的解码算法依赖于卷积神经网络 (CNN)，该网络经过训练可以从相应的广角图像中对视觉刺激进行分类。我们进行了几项实验来确定最佳训练策略并研究推广的可能性。主要结果。最佳分类准确率为 75.38% ± 4.77%，在 MNIST 数字数据集上对 CNN 进行预训练并在我们的数据集上对其进行微调后获得。通过对 CNN 进行预训练以对鼠标 1 数据集进行分类并在鼠标 2 和鼠标 3 上对其进行微调，可以进行推广，准确率分别为 64.14% ± 10.81% 和 51.53% ± 6.48%。意义。广角钙成像和 CNN 的组合可用于对皮质对简单视觉刺激的反应进行分类，并且可能是现有解码方法的可行替代方案。它还使我们能够将皮质激活视为未来视神经刺激实验中的可靠反馈。
新型混合视觉刺激将周期性运动融入传统闪烁或模式反转视觉刺激中，用于基于稳态视觉诱发电位的脑机接口
在本研究中，我们提出了一种用于基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的新型混合视觉刺激，该刺激将各种周期性运动融入传统的闪烁刺激 (FS) 或模式反转刺激 (PRS)。此外，我们研究了每种 FS 和 PRS 的最佳周期运动，以增强基于 SSVEP 的 BCI 的性能。通过根据四个不同的时间函数（用无、平方、三角和正弦表示）改变刺激的大小来实现周期性运动，总共产生八种混合视觉刺激。此外，我们开发了滤波器组典型相关分析 (FBCCA) 的扩展版本，这是一种用于基于 SSVEP 的 BCI 的最先进的无需训练分类算法，可提高基于 PRS 的混合视觉刺激的分类准确性。 20 名健康个体参加了基于 SSVEP 的 BCI 实验，以区分四种不同频率的视觉刺激。评估了平均分类准确率和信息传输率 (ITR)，以比较基于 SSVEP 的 BCI 对不同混合视觉刺激的性能。此外，还评估了用户对每种混合视觉刺激的视觉疲劳程度。结果，对于 FS，当除 3 秒外的所有窗口大小都加入正弦波形的周期运动时，报告的性能最高。对于 PRS，方波的周期运动在所有测试窗口大小中显示出最高的分类准确率。两种最佳刺激之间的性能没有观察到显著的统计差异。据报道，正弦波周期运动的 FS 和方波周期运动的 PRS 的平均疲劳分数分别为 5.3 ± 2.05 和 4.05 ± 1.28。因此，我们的结果表明，与传统的 FS 和 PRS 相比，具有正弦波周期运动的 FS 和具有方波周期运动的 PRS 可以有效提高 BCI 性能。
视觉刺激背景亮度对引发稳态视觉诱发电位的影响
归因于脑电图（EEG）信号的信噪比差（SNR）[3]。可以通过增加信号水平和/或降低噪声水平来改善SSVEP信号的SNR。研究人员在改善SSVEP的SNR并提高BCI性能方面取得了长足的进步。首先，研究人员通过应用高级信号处理方法改善了SNR。例如，在当前的BCI系统中广泛使用试验平均，以改善脑电图分析中的SNR [3]。空间过滤已用于将多通道脑电图数据投射到低维空间空间中，以消除任务 - 无关的组件并改善与任务相关的EEG信号的SNR [4]。对于SSVEP，规范相关分析（CCA）方法可以最大程度地提高SSVEP的检测频率[5，6]。独立的组件分析是另一种空间滤波方法，通过将与任务相关的脑电图组件与任务 - iRrelevant eeg和人为成分分开，从而增强了脑电图信号的SNR [7，8]。第二，研究人员设计了实验以获得增强的与任务相关的脑电图信号并改善SNR。例如，在有效的基于SSVEP的BCI中，与使用Checkerboard刺激获得的刺激相比，使用情感人脸的视觉刺激大大提高了SSVEP信号的振幅[9]。第三，一些研究人员调整了视觉刺激亮度的参数，以调节SSVEP响应的幅度，从而改善了SSVEP的SNR [10-12]。例如，相关研究表明，亮度对比信息对于形式，运动和深度的感知至关重要[13，14]。亮度对比或“调制深度”定义为最大亮度的比率减去最小亮度与最大亮度以及
基于深度卷积神经网络的视觉刺激分类，使用健康和阿尔茨海默病患者的脑电图信号
摘要：视觉感知是人类生活的重要组成部分。在面部识别的背景下，它使我们能够区分情绪和区分一个人与另一个人的重要面部特征。然而，患有记忆丧失的受试者面临严重的面部处理问题。如果面部特征的感知受到记忆障碍的影响，那么就可以使用来自大脑视觉处理区域的大脑活动数据对视觉刺激进行分类。本研究通过面部的反转效应区分熟悉度和情绪方面，并使用卷积神经网络 (CNN) 模型 (EEGNet、EEGNet SSVEP (稳态视觉诱发电位) 和 DeepConvNet) 从原始脑电图 (EEG) 信号中学习判别特征。由于可用的 EEG 数据样本数量有限，引入了生成对抗网络 (GAN) 和变分自动编码器 (VAE) 来生成合成 EEG 信号。生成的数据用于预训练模型，并初始化学习到的权重以在真实 EEG 数据上训练它们。我们研究了脑信号中的细微面部特征以及深度 CNN 模型学习这些特征的能力。研究了面部倒置的影响，观察到 N170 成分具有相当长且持续的延迟。结果，根据面部姿势将情绪和熟悉刺激分为两类。直立和倒置刺激类别的混淆发生率最小。该模型学习面部倒置效应的能力再次得到证明。
监测重复视觉刺激期间的大脑状态和行为表现
1 波罗的海人工智能与神经技术中心，伊曼纽尔康德波罗的海联邦大学，236016 加里宁格勒，俄罗斯；s.kurkin@innopolis.ru (SAK)；v.maksimenko@innopolis.ru (VAM)；a.hramov@innopolis.ru (AEH) 2 伊诺波利斯大学机器人与机电一体化组件技术中心，420500 伊诺波利斯，俄罗斯； alexander.pisarchik@ctb.upm.es 3 下诺夫哥罗德罗巴切夫斯基国立大学神经技术系，603022 下诺夫哥罗德，俄罗斯 4 萨拉托夫国立医科大学心脏病学研究所创新心脏病信息技术系，410012 萨拉托夫，俄罗斯 5 马德里理工大学生物医学技术中心，波苏埃洛德阿拉尔孔，28223 马德里，西班牙 * 通信地址：plo@sstu.ru † 这些作者对这项工作做出了同等贡献。
基于单验EEG的视觉刺激分类
不同类别的视觉刺激激活人脑中的不同反应。这些信号可以用脑电图捕获，以在诸如脑部计算机界面（BCI）之类的应用中利用。然而，由于脑电图的信噪比低，单审数据的准确分类是具有挑战性的。这项工作介绍了一个基于多头自我注意力的EEG-Convtranformer网络。与其他变压器不同，该模型结合了自我注意事项以捕获区域间相互作用。它进一步扩展到辅助卷积过滤器，并以多头注意力作为学习时间模式的单个模块。实验结果表明，在五个不同的视觉刺激分类任务上，EEG-ConvTransFormer在最新技术上实现了分类精度的提高。最后，对头间多样性的定量分析在表示子空间中的相似性也很低，这强调了多头关注的隐式多样性。
在RSVP范式下，基于BCI的拼写器中具有不同类型的视觉刺激的性能分析
大脑计算机界面（BCI）系统为严重运动残疾患者提供了替代通信通道，可以使用无肌肉运动与环境互动。近年来，与最经常研究的基于BCI的拼写范式相比，对非目光依赖的脑部计算机界面范式的研究的重要性一直在增加。在RCP范式下已经验证了用于通信目的的几种视觉修改尚未在最扩展的非目光依赖的快速串行视觉呈现（RSVP）范式下进行验证。因此，在本研究中，根据RSVP评估了三组不同的刺激，并具有以下交流特征：白色字母（WL），著名面部（FF），中性图片（NP）。11个健康受试者参加了该实验，其中受试者必须经历校准阶段，在线阶段以及最终的主观问卷完成阶段。结果表明，FF和NP刺激在校准和在线阶段促进了更好的性能，在FF范式中稍好。关于主观问卷，与WL刺激相反，参与者再次首选FF和NP，但这次NP刺激得分略高。这些发现表明，与最常用的基于字母的刺激相比，将FF和NP用于基于RSVP的拼写器可能是有益的，可以提高信息传输速率，并且可以代表具有改变眼运动功能的个人的有希望的通信系统。
使用单次脑电图周期图进行基于视觉刺激的反应时间估计的深度神经网络
摘要：多路复用深度神经网络 (DNN) 已经产生了高性能预测模型，这些模型在解码以脑电图 (EEG) 信号形式广泛收集的脑电波方面越来越受欢迎。在本文中，据我们所知，我们介绍了一种基于 DNN 的通用方法，该方法使用 48 名参与者的视觉刺激反应实验中单次试验 EEG 的周期图表示来估计反应时间 (RT)。我们设计了一个全连接神经网络 (FCNN) 和一个卷积神经网络 (CNN) 来预测和分类每次试验的 RT。虽然深度神经网络因分类应用而广为人知，但我们通过将 FCNN/CNN 与随机森林模型级联，设计了一个基于回归的稳健估计器来预测 RT。使用 FCNN 模型，二分类和三类分类的准确率分别为 93% 和 76%，使用 CNN 后准确率进一步提高（分别为 94% 和 78%）。基于回归的方法预测了 RT，FCNN 和 CNN 的相关系数 (CC) 分别为 0.78 和 0.80。进一步研究发现，左中叶以及顶叶和枕叶对于预测 RT 至关重要，在 theta 和 alpha 频带中有显著活动。
