XiaoMi-AI文件搜索系统
World File Search System诱发电位
附近闪烁频率下的稳态视觉诱发电位之间的局部相互作用
稳态视觉诱发电位 (SSVEP) 被广泛用于指示人类脑电图 (EEG) 研究中自上而下的认知处理。通常，会呈现两个以不同时间频率 (TF) 闪烁的刺激，每个刺激都会在其闪烁频率下在 EEG 中产生不同的反应。然而，在存在竞争性闪烁刺激的情况下，EEG 中的 SSVEP 反应如何仅由于感觉相互作用而受到调节尚不清楚。我们之前已经在从清醒猴子记录的局部场电位 (LFP) 中表明，当两个重叠的全屏光栅以不同的 TF 反相时，存在不对称的 SSVEP 反应抑制，较低 TF 的抑制更大，这进一步取决于光栅的相对方向（平行光栅的抑制和不对称性比正交光栅更强）。在这里，我们首先在男性和女性人类 EEG 记录中证实了这些影响。然后，我们在比之前研究更广的范围内绘制了一个刺激（目标）对竞争刺激（掩码）的反应抑制。令人惊讶的是，我们发现抑制在低频下通常并不强，而是根据目标 TF 系统地变化，表明两个竞争刺激之间存在局部相互作用。这些结果在人类 EEG 和猴子 LFP 和皮层电图 (ECoG) 数据中都得到了证实。我们的结果表明，多个 SSVEP 之间的感官相互作用比以前显示的更复杂，并且受到局部和全局因素的影响，强调需要谨慎解释涉及 SSVEP 范式的研究结果。
多频稳态视觉诱发电位脑机接口的频率集选择
稳态视觉诱发电位 (SSVEP) 是一种与周期性视觉刺激频率锁定的大脑活动（ Zander 等人，2009 年）。与其他模式（例如运动想象 (Nicolas-Alonso and Gomez-Gil, 2012)）相比，SSVEP 具有相对较高的准确度和信息传输率，并且对用户所需的培训最少，因此被广泛应用于脑机接口 (BCI) 中。标准的基于 SSVEP 的 BCI 在工作空间中包含多个刺激，每个刺激以不同的频率闪烁，而脑电图 (EEG) 主要从枕叶测量。测得的 EEG 反映了用户视觉上关注的刺激的频率，以及该频率的谐波。谐波的存在为解码过程提供了更多的参考点，但也给基于 SSVEP 的 BCI 的设计带来了额外的复杂性和挑战。例如，如果同一个 BCI 中对两个不同的刺激同时使用某个频率及其谐波，那么在记录的这两个刺激的脑电图中就会有共同的频率，这可能会混淆解码算法。因此，在文献中，一些研究有意避免在刺激中使用具有共同谐波的频率（Volosyak 等，2009；Chen 等，2015）。这个谐波问题，加上人脑对周期性视觉刺激的响应频率范围有限（Regan，1989），限制了标准基于 SSVEP 的 BCI 中可使用的唯一频率的数量；即，低信噪比脑电图记录和小的频率分离会损害解码性能。因此，在需要大量唯一频率来标记所有目标的场景中使用标准基于 SSVEP 的 BCI 具有挑战性。为了解决这个问题，已经引入了多频刺激方法，在每个刺激中使用多个频率，其中两个频率（双频）是最广泛使用的模态（Shyu 等，2010；Zhang 等，2012；Chen 等，2013；Hwang 等，2013；Kimura 等，2013；Chang 等，2014；Mu 等，2021a）。然而，这些研究主要集中于介绍多频刺激方法，并没有探讨频率选择方法。随着用于标记每个目标的频率数量的增加，在每个刺激或目标上使用多个频率可以成倍增加可以在工作空间中表示的目标数量。多频刺激产生复杂的周期性刺激信号，从而触发更复杂的 SSVEP 反应。在 Mu 等人的研究中， （2021a）表明，多频率 SSVEP 响应不仅包含输入频率及其谐波，还包含输入频率的整数线性组合，这些组合具有在记录的 SSVEP 中更可能观察到的低阶相互作用。注意，相互作用的顺序定义为
一种稳态视觉诱发电位脑电信号的个性化压缩方法
摘要：稳态视觉诱发电位（SSVEP）作为一种信息丰富的脑电信号，在无线可穿戴设备中脱颖而出。然而，其数据通常非常庞大，占用过多的带宽源，并且在以原始数据形式传输时需要巨大的功耗，因此需要对其进行压缩。本文提出了一种针对SSVEP应用的个性化脑电信号压缩与重构算法。在该算法中，为了实现个性化，首先使用面向BCI应用的开放基准数据库（BETA）对初级人工神经网络（ANN）模型进行预训练。然后，通过增量学习为每个受试者生成自适应ANN模型来压缩他们的个人数据。此外，提出了一种个性化的非均匀量化方法来减少压缩引起的误差。在BETA上进行测试，当压缩率为12.7倍时，识别准确率仅下降3.79％。与不使用ANN、不使用均匀量化的情况相比，所提算法在准确度测试中可使信号损失从50.43%减少到81.08%。
基于代码调制视觉诱发电位 (c-VEP) 的脑机接口：文献综述
摘要。目的。近年来，代码调制视觉诱发电位 (c-VEP) 已被视为能够提供非侵入式脑机接口 (BCI) 以实现可靠、高速通信的强大控制信号。它们在通信和控制方面的实用性反映在过去十年中相关文章的指数级增长中。本综述的目的是提供文献的全面概述，以了解自 c-VEP BCI 诞生 (1984 年) 至今 (2021 年) 以来的现有研究，并确定有希望的未来研究方向。方法。文献综述是根据系统评价和荟萃分析的首选报告项目 (PRISMA) 指南进行的。在评估期刊手稿、会议、书籍章节和非索引文档的资格后，共纳入 70 项研究。全面分析了基于 c-VEP 的 BCI 的主要特征和设计选择，包括刺激范式、信号处理、建模响应、应用等。主要结果。文献综述表明，最先进的基于 c-VEP 的 BCI 能够通过大量命令、高选择速度甚至无需校准来提供对系统的精确控制。总体而言，在实际设置中缺乏验证，尤其是针对残疾人群体的验证。未来的工作应侧重于开发应用于现实环境的自定进度的基于 c-VEP 的便携式 BCI，以利用 c-VEP 范式的独特优势。异步、无监督训练或代码优化等方面仍需要进一步研究和开发。意义。尽管基于 c-VEP 的 BCI 越来越受欢迎，但据我们所知，这是关于该主题的第一篇文献综述。除了联合讨论该领域的进展之外，还提出了一些未来的研究方向，以促进可靠的即插即用的基于 c-VEP 的 BCI 的开发。
基于景深的脑机接口发际线以下区域高频稳态视觉诱发电位评估
背景和目标：最近，提出了一种基于稳态视觉诱发电位（SSVEP-BCI）的很有前途的脑机接口，它由两个刺激组成，这两个刺激一起呈现在受试者的视野中心，但在不同的深度平面（景深设置）。因此，用户可以通过转移眼球焦点轻松地选择其中一个。然而，在这项工作中，EEG 信号是通过放置在枕骨和顶骨区域（头发覆盖的区域）的电极收集的，这需要较长的准备时间。此外，该工作使用了低频刺激，这会产生视觉疲劳并增加光敏性癫痫发作的风险。为了提高实用性和视觉舒适度，本研究提出了一种基于景深的 BCI，使用从发际线以下区域（耳后）测量的高频 SSVEP 响应。
DF-SSmVEP：采用双倍典型相关分析的双频聚合稳态运动视觉诱发电位设计
摘要：脑电图 (EEG) 传感器技术和信号处理算法的最新进展为脑机接口 (BCI) 在从康复系统到智能消费技术等多种实际应用中的进一步发展铺平了道路。当谈到 BCI 的信号处理 (SP) 时，人们对稳态运动视觉诱发电位 (SSmVEP) 的兴趣激增，其中运动刺激用于解决与传统光闪烁/闪烁相关的关键问题。然而，这些好处是以准确性较低和信息传输速率 (ITR) 较低的代价为代价的。在这方面，本文重点介绍一种新型 SSmVEP 范式的设计，而不使用试验时间、阶段和/或目标数量等资源来增强 ITR。所提出的设计基于直观的想法，即同时在单个 SSmVEP 目标刺激中集成多个运动。为了引出 SSmVEP，我们设计了一种新颖的双频聚合调制范式，称为双频聚合稳态运动视觉诱发电位 (DF-SSmVEP)，通过在单个目标中同时整合“径向缩放”和“旋转”运动而不增加试验长度。与传统的 SSmVEP 相比，所提出的 DF-SSmVEP 框架由两种运动模式组成，这两种运动模式同时集成并显示，每种模式都由特定的目标频率调制。本文还开发了一种特定的无监督分类模型，称为双折典型相关分析 (BCCA)，该模型基于每个目标的两个运动频率。相应的协方差系数被用作额外特征来提高分类准确性。基于真实 EEG 数据集对所提出的 DF-SSmVEP 进行了评估，结果证实了其优越性。所提出的 DF-SSmVEP 表现优于其他同类方法，平均 ITR 为 30.7 ± 1.97，平均准确度为 92.5 ± 2.04，而径向缩放和旋转的平均 ITR 分别为 18.35 ± 1 和 20.52 ± 2.5，平均准确度分别为 68.12 ± 3.5 和 77.5 ± 3.5。
从噪声中提取诱发电位的统计方法
诱发电位 (EP) 是嵌入自发性脑电图活动 (EEG) 中的离散信号。从噪声中提取它们需要重复记录。视觉或听觉刺激触发采集系统，然后收集“诱发电位”。诱发电位不同于自发性神经活动 (EEG)，因为它与触发“事件”同步。实际上，触发事件的信号用于采集诱发电位信号。诱发电位 (PE) 被定义为大脑有限区域相对于另一个电中性区域的电势的瞬态变化。EP 由放置在活动结构发出的电场中的电极捕获，并与所谓的“参考”电极检测到的电位进行比较。当参考电极捕获脑神经活动时，传感器系统称为双极。另一方面，当参考电极位于没有大脑活动的区域（例如耳垂）时，传感器系统称为单极。在最好的情况下，我们刚才看到的感兴趣的诱发电位 (PE) 是在离源很远的地方捕获的，其幅度非常小，不超过十微伏。此外，它嵌入在电极捕获的连续大脑活动（EEG 高于 100 微伏）中。PE 有时低于放大器的背景。因此，在检查其特性之前，有必要从背景噪声中提取 PE。40 年来使用的经典方法是平均法。该方法由同步连续响应的平均值组成。诱发电位是一种根据受试者的注意力而发展的大脑活动，因此平均值不足以令人满意地研究它。
基于景深的脑机接口发际线以下区域高频稳态视觉诱发电位评估
背景和目标：最近，提出了一种基于稳态视觉诱发电位（SSVEP-BCI）的很有前途的脑机接口，它由两个刺激组成，这两个刺激一起呈现在受试者的视野中心，但在不同的深度平面（景深设置）。因此，用户可以通过转移眼球焦点轻松地选择其中一个。然而，在这项工作中，EEG 信号是通过放置在枕骨和顶骨区域（头发覆盖的区域）的电极收集的，这需要较长的准备时间。此外，该工作使用了低频刺激，这会产生视觉疲劳并增加光敏性癫痫发作的风险。为了提高实用性和视觉舒适度，本研究提出了一种基于景深的 BCI，使用从发际线以下区域（耳后）测量的高频 SSVEP 响应。