XiaoMi-AI文件搜索系统
World File Search System诱发电位
脉冲定时对皮层和丘脑底核深部脑刺激诱发电位的影响
脉冲时间的影响是我们了解如何有效调节基底神经节丘脑皮质 (BGTC) 回路的重要因素。通过电刺激丘脑底核 (STN) 产生的单脉冲低频 DBS 诱发电位可以洞察回路激活，但长延迟成分如何随脉冲时间的变化而变化尚不清楚。我们研究了在 STN 区域传递的刺激脉冲之间的时间如何影响 STN 和皮质中的神经活动。在五名帕金森病患者的 STN 中植入的 DBS 导线被暂时外化，从而可以传递脉冲间隔 (IPI) 为 0.2 至 10 毫秒的成对脉冲。通过 DBS 导线和头皮 EEG 的局部场电位 (LFP) 记录来测量神经激活。 DBS 诱发电位是使用通过联合配准的术后成像确定的背外侧 STN 中的接触器计算的。我们使用小波变换和功率谱密度曲线量化了不同 IPI 对跨频率和时间的诱发反应幅度的影响程度。STN 和头皮 EEG 中的 DBS 诱发反应的 β 频率内容随着脉冲间隔时间的增加而增加。间隔 < 1.0 ms 的脉冲与诱发反应的微小变化相关。1.5 到 3.0 ms 的 IPI 使诱发反应显著增加，而 > 4 ms 的 IPI 产生适度但不显著的增长。当 IPI 在 1.5 到 4.0 ms 之间时，头皮 EEG 和 STN LFP 反应中的 β 频率活动最大。这些结果表明，DBS 诱发反应的长延迟成分主要在 β 频率范围内，并且脉冲间隔时间会影响 BGTC 电路激活的水平。
丘脑底核神经元局部场诱发电位中深部脑刺激伪影的噪声消除
本研究介绍了一种噪声消除技术，用于 MER 机器通过丘脑底核深部脑刺激/或刺激器 (STN-DBS) 在局部场电位 (LFP) 中进行电刺激获取的丘脑底核 (STN) 神经元微电极信号。我们提出了一种新方法，用于消除由不同于典型 LFP (低频电位) 信号的脉冲发生器触发的诱导刺激伪影。该方法经过处理和准确性测试，并计算用于体外状态的执行。结果表明，该方法可以很好地抑制刺激伪影。并且还在帕金森病 (PD) 受试者 (患者) 的体内状态下进行了测试。它用于处理从 PD 手术中收集的 LFP 信号，以初步探索 STN、DBS 参数 (刺激强度、刺激电压、频率和幅度脉冲宽度) 内 beta 波段同步变化的定量依赖性。研究结果表明，DBS 过程可以克服过度的β频率（30Hz）活动，并且随着 DBS 电流在 1-3V 范围内增加，刺激频率在 60-120Hz 范围内增加，减少程度也随之增加。该方法为探索诱导电刺激对帕金森脑活动的即时效果提供了科学研究和技术支持，并可作为未来技术的研究工具。
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
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。
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%。
蝴蝶效应：虚拟现实中稳态视觉诱发电位刺激的新机遇
在虚拟现实 (VR) 中，稳态视觉诱发电位 (SSVEP) 可用于通过脑信号与虚拟环境进行交互。然而，SSVEP 诱发刺激的设计通常与虚拟环境不匹配，因此会破坏虚拟体验。在本文中，我们研究了不同适应性刺激设计，以融入虚拟环境。因此，我们创造了不同形状的虚拟蝴蝶。形状从矩形翅膀到圆形翅膀，再到真实蝴蝶的翅膀形状。这些蝴蝶通过不同的动画（闪烁或拍打翅膀）引发 SSVEP 反应。为了评估我们的刺激，我们首先从文献中提取了适合 SSVEP 反应的频率。在第一项研究中，我们确定了在 VR 中产生最佳检测精度的三个频率。我们在第二项研究中使用这些频率来分析使用我们的刺激设计的检测精度和外观评级。我们的工作为融入虚拟环境并仍能引发 SSVEP 反应的 SSVEP 刺激的设计提供了见解。
50选择性稳态视觉诱发电位的基础研究
摘要：脑机接口（BCI）的关键参数是输入速度、准确性、易用性和输入数量。稳态视觉诱发电位（SSVEP）–BCI在前三个类别中表现优异，但在输入数量方面存在问题。我们设计了一个50选择性SSVEP–BCI，以增加输入数量，以便将来实现日语和PC键盘输入。为了增加输入数量，我们提高了频率分辨率。通过将刺激的分辨率从0.2Hz更改为0.1Hz，可以将输入数量翻倍。这是因为可以将输入数量翻倍。我们对受试者的原始和伪信号数据进行了典型相关分析。噪声非常大，而输出典型相关向量最大值的传统分析方法的正响应率很低。因此，我们进行了频带限制，通过频率阈值区分SSVEP成分。我们还引入了多数表决算法来消除不可分类的数据。结果表明:脑机接口的平均正确率为55.11%,最高为79.53%;平均信息传输速率为28.05bits/min,最高为45.16bits/min。因此,实验结果表明,频率分辨率的提高可以增加输入的数量。关键词:脑机接口,稳态视觉诱发电位,典型相关分析,多选择1.引言
用于虚拟现实应用的新型混合脑机接口，采用基于稳态视觉诱发电位的脑机接口和基于眼电图的眼动追踪来提高信息传输速率
基于脑电图 (EEG) 的脑机接口 (BCI) 近来在虚拟现实 (VR) 应用中引起越来越多的关注，成为一种有前途的工具，可以“免提”方式控制虚拟物体或生成命令。视频眼动图 (VOG) 经常被用作一种工具，通过识别屏幕上的注视位置来提高 BCI 性能，然而，当前的 VOG 设备通常过于昂贵，无法嵌入到实用的低成本 VR 头戴式显示器 (HMD) 系统中。在本研究中，我们提出了一种新颖的免校准混合 BCI 系统，该系统结合了基于稳态视觉诱发电位 (SSVEP) 的 BCI 和基于眼电图 (EOG) 的眼动追踪，以提高 VR 环境中九目标基于 SSVEP 的 BCI 的信息传输速率 (ITR)。在以 3×3 矩阵排列的三种不同频率配置的模式反转棋盘格刺激上重复实验。当用户注视九种视觉刺激中的一种时，首先根据用户的水平眼球运动方向（左、中或右）识别包含目标刺激的列，并使用从一对电极记录的水平 EOG 进行分类，该电极可以很容易地与任何现有的 VR-HMD 系统结合使用。请注意，与 VOG 系统不同，可以使用与记录 SSVEP 相同的放大器来记录 EOG。然后，使用多元同步指数 (EMSI) 算法的扩展（广泛使用的 SSVEP 检测算法之一）在选定列中垂直排列的三个视觉刺激中识别目标视觉刺激。在我们对 20 名佩戴商用 VR-HMD 系统的参与者进行的实验中，结果表明，与 VR 环境中基于传统 SSVEP 的 BCI 相比，所提出的混合 BCI 的准确度和 ITR 均显着提高。
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。