XiaoMi-AI文件搜索系统
World File Search System诱发电位
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。
基于SSVEP的BCI中的多频率刺激方法
摘要 — 稳态视觉诱发电位 (SSVEP) 因其众多优点而成为脑机接口 (BCI) 中最广泛使用的模式之一。然而，由于 SSVEP 中谐波的存在和响应频率范围有限，因此很难在不牺牲接口其他方面或对系统施加额外限制的情况下进一步扩大目标数量。本文介绍了一种用于 SSVEP 的新型多频刺激方法，并研究了其有效增加呈现目标数量的潜力。所提出的刺激方法是通过叠加不同频率的刺激信号获得的，具有尺寸效率高、允许单步目标识别、对可用频率范围没有严格限制、适用于自定步调的 BCI，并且不需要特定的光源。除了刺激频率及其谐波之外，诱发的 SSVEP 波形还包括刺激频率的整数线性组合的频率。使用仅以频率和谐波为参考的典型相关分析 (CCA) 解码从九名受试者收集的 SSVEP 的结果也证明了在基于 SSVEP 的 BCI 中使用这种刺激范式的潜力。
从“ EEG耳机”中解码音乐的关注：用户 - ...
脑部计算机界面（BCI）提供了一种与计算机通信的秘密和非语言方式。bcis在包括辅助技术和情感监测在内的应用中具有巨大的潜力[1]。脑电图（EEG）由于其流动性，低成本和与认知功能的相关性[2，3]已成为BCI设计的人们选择。先前的研究表明，使用视觉或听觉刺激在建立基于脑电图的BCI系统方面取得了巨大成功。Chen等。 [4]使用流动对象设计了高通量视觉BCI系统。 当用户专注于其中一个时，EEG信号中将出现一种称为稳态视觉诱发电位（SSVEP）的神经特征。 但是，SSVEP需要稳定的视线，这可能是由于永久性或处境障碍而无法获得的（例如，在驾驶时）。 作为一种替代解决方案，研究人员将类似的想法应用于设计听觉BCI系统，在该系统中，向用户提供了以不同频率调制的多个纯音流。 参加流的调节频率可能会导致强大的EEG组件称为听觉稳态响应（ASSR）[5]。 SSVEP或ASSR范式的一个主要缺点是使用易流对象或调制纯音，这可能会导致用户疲劳。 最近的研究努力使用更自然而宜人的刺激来改善BCI系统的用户友好性。 Huang等。 [6]在其BCI设计中使用了滴滴声音，为用户创建了轻松的听觉场景。 An等。 [7]设计Chen等。[4]使用流动对象设计了高通量视觉BCI系统。当用户专注于其中一个时，EEG信号中将出现一种称为稳态视觉诱发电位（SSVEP）的神经特征。但是，SSVEP需要稳定的视线，这可能是由于永久性或处境障碍而无法获得的（例如，在驾驶时）。作为一种替代解决方案，研究人员将类似的想法应用于设计听觉BCI系统，在该系统中，向用户提供了以不同频率调制的多个纯音流。参加流的调节频率可能会导致强大的EEG组件称为听觉稳态响应（ASSR）[5]。SSVEP或ASSR范式的一个主要缺点是使用易流对象或调制纯音，这可能会导致用户疲劳。最近的研究努力使用更自然而宜人的刺激来改善BCI系统的用户友好性。Huang等。 [6]在其BCI设计中使用了滴滴声音，为用户创建了轻松的听觉场景。 An等。 [7]设计Huang等。[6]在其BCI设计中使用了滴滴声音，为用户创建了轻松的听觉场景。An等。[7]设计
人类大脑进化过程中大脑皮层处理时间延长
据推测，神经元数量的增加是大脑进化过程中认知能力增强的基础。因此，人类认知的进化预计会伴随着净神经处理时间的延长，这是由于单个神经元的处理时间在神经元数量增加的情况下不断积累。在这里，我们证实了这一预测，并通过对未麻醉的人类和非人类灵长类动物的大脑对声音的反应进行非侵入性测量，量化了体内延长的量。从头皮记录的听觉诱发电位 N1 成分的延迟在普通狨猴、恒河猴、黑猩猩和人类中分别约为 40、50、60 和 100 毫秒。重要的是，人类 N1 延迟的显著增加不能用听觉通路的物理延长来解释，因此反映了听觉皮层处理的停留时间延长。更长的听觉皮层处理时间窗口有利于分析随时间变化的声学刺激，例如对语音感知很重要的刺激。于是出现了一个有关人类大脑进化的新假设：皮层神经元数量的增加扩大了感觉皮层处理的时间尺度，其好处超过了认知和反应缓慢的缺点。
“计划进行检查”计划有助于提高“居民医师的标准化培训”的质量：对FIR结果的分析对使用电动机诱发的基于潜在的神经反馈
这项研究旨在通过提供基于经颅磁刺激（TMS）引起的运动诱发电位（MEP）的神经反馈来研究心理实践（运动图像训练）的影响。二十四名健康的右手受试者已入学。将受试者随机分配为两组：一个组给出了正确的TMS反馈（REAL-FB组）和一个被给予随机的False TMS反馈（Sham-FB组）的组。当目标圆在计算机监视器中心重叠的十字架时，想象的主题会想到开关。在实际FB组中，基于在Motor Imagery之前的试验中测得的MEP振幅提供了对受试者的反馈。相比之下，Sham-FB组的受试者的反馈值与MEP振幅无关。tms。MEP记录在右侧的右侧骨间肌肉中。我们在两组中评估了一次性练习和一次性练习后的运动表现。结果，在实时FB组和Sham-FB组之间的误差值变化百分比变化中观察到了显着差异。此外，在第4组和第五组中两组之间的MEP截然不同。因此，建议基于MEP的神经反馈可能会增强心理实践的影响。
基于多目标优化的 SSVEP 脑机接口高通空间滤波
摘要 — 为了提高基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了许多空间滤波方法。现有的方法倾向于仅使用来自同一刺激的训练数据来学习某个目标的空间滤波器参数，并且它们很少考虑来自其他刺激的信息或训练过程中的体积传导问题。在本文中，我们提出了一种新的基于多目标优化的高通空间滤波方法来提高 SSVEP 检测的准确性和鲁棒性。滤波器是通过最大化训练信号和来自同一目标的单个模板之间的相关性，同时最小化来自其他目标的信号与模板之间的相关性来得出的。优化还将受到滤波器元素之和为零的约束。在两组自采集的 SSVEP 数据集（分别包含 12 个和 4 个频率）上的评估研究表明，所提方法优于 CCA、MsetCCA、SSCOR 和 TRCA 等比较方法。所提方法还在 35 名受试者记录的公开 40 类 SSVEP 基准数据集上进行了验证。实验结果证明了所提方法对提升 SSVEP 检测性能的有效性。
整合邻近刺激数据以增强基于 SSVEP 的 BCI
摘要 — 为了增强基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了各种空间滤波器。当前的方法仅从相应刺激中提取目标相关信息来学习空间滤波器参数。然而，来自邻近刺激的 SSVEP 数据也包含目标刺激的频率信息，可用于进一步提高目标识别性能。在本文中，我们提出了一种结合来自邻近刺激的 SSVEP 来增强目标相关频率信息的新方法。首先，通过最大化对应于目标及其邻近刺激的 SSVEP 数据的协方差之和来获得空间滤波器。然后计算空间滤波模板和测试数据之间的相关特征以进行目标检测。为了进行性能评估，我们使用来自 35 名受试者的 40 类基准数据集和来自 11 名受试者的 12 个目标自收集数据集进行了离线实验。与最先进的空间滤波方法相比，所提出的方法在分类准确率和信息传输速率 (ITR) 方面表现出优势。比较结果证明了所提出的空间滤波器对于基于 SSVEP 的 BCI 中的目标识别的有效性。
通过跨域转移学习促进基于模板的SSVEP解码
抽象目标。本研究旨在建立一个广义的转移学习框架，以通过利用跨域数据传输来提高稳态视觉诱发电位（SSVEP）基于脑部计算机界面（BCIS）的性能。方法。我们通过结合了最小二乘转换（LST）的转移学习来增强基于最新的模板的SSVEP解码，以利用跨多个域（会话，主题和脑电图蒙太奇）利用校准数据。主要结果。研究结果验证了LST在跨域传输现有数据时消除SSVEP的可变性的功效。此外，基于LST的方法比标准与任务相关的组件分析（TRCA）的方法和非第一个天真转移学习方法明显更高的SSVEP解码精度。意义。这项研究证明了基于LST的转移学习能够在各种情况下对其原理和行为进行深入研究，从而利用主题和/或设备的现有数据。当校准数据受到限制时，提出的框架显着提高了标准TRCA方法的SSVEP解码精度。其在校准减少方面的性能可以促进基于SSVEP的BCIS和进一步的实用应用。
基于稳定闪烁动作视频的开发......
摘要。背景：本研究重点是开发上肢康复计划。为此，设计了一个基于稳态视觉诱发电位 (SSVEP) 触发的脑机接口 (BCI)-功能性电刺激 (FES) 的动作观察游戏，该游戏以闪烁的动作视频为特色。目的：特别是，通过将动作观察范式与基于 BCI 的 FES 相结合来研究游戏的协同效应。方法：在两种条件下对比 BCI-FES 系统：闪烁的动作视频和闪烁的噪声视频。为此，招募了 11 名年龄在 22-27 岁之间的右利手受试者。检查了对这两种情况的大脑激活差异。结果：结果表明，T3 和 P3 通道在动作视频中表现出 8-13 Hz 的 Mu 抑制比噪声视频更大。此外，与噪声视频相比，T4、C4 和 P4 通道对动作的增强高 beta（21-30 Hz）。最后，T4 表明与噪声视频相比，动作视频的低 beta（14-20 Hz）受到抑制。结论：基于闪烁动作视频的 BCI-FES 系统比基于闪烁噪声的系统对皮质激活产生了更大的协同效应。
TMS 一个
背景：对双侧初级运动皮层 (M1) 进行双经颅直流电刺激 (tDCS) 对慢性中风有潜在益处，但其对亚急性中风的影响相对较少，因为亚急性中风对行为的影响可能更大。在本文中，我们研究了双 tDCS 对亚急性中风幸存者的神经生理学效应及其反应性影响因素。方法：我们对 18 名在发病后 2 - 4 周首次发生单侧皮质下缺血性中风的幸存者和 14 名匹配的健康对照者进行了一项随机假对照交叉研究。参与者在不同的日子接受真正的双 tDCS（同侧 [对照组右侧] M1 阳极和对侧 M1 [对照组左侧] 阴极；2 mA 持续 20 分钟）和假双 tDCS，同时进行偏瘫 [对照组左侧] 手部锻炼。使用经颅磁刺激 (TMS) 和脑磁图 (MEG)，我们在 tDCS 之前和之后记录了运动诱发电位 (MEP)、同侧静默期 (iSP)、短间隔皮层内抑制和手指运动相关的皮层振荡。