XiaoMi-AI文件搜索系统
World File Search System闭眼
脑电图记录中的错误通道检测
摘要：脑电图 (EEG) 广泛应用于临床应用和基础研究。干脑电图为游戏和神经反馈期间的自我应用等新领域开辟了应用领域。在记录过程中，信号总是受到伪影的影响。手动检测坏通道是凝胶和干脑电图的黄金标准，但很耗时。我们提出了一种简单而强大的方法，用于自动检测脑电图中的坏通道。我们的方法基于对每个通道标准差的迭代计算。这些标准差的统计测量可作为坏通道检测的指标。我们将新方法与从手动识别的脑电图记录坏通道获得的结果进行了比较。我们分析了闭眼静息状态下的脑电图信号和头部运动数据集。结果显示，凝胶和干脑电图的静息状态脑电图准确率为 99.69%。对于两种设置中带有头部运动的数据集，我们的新方法的准确率为 99.38%。手动识别不良通道的黄金标准与我们的迭代标准差方法之间没有显著差异。因此，所提出的迭代标准差方法可用于静息态和运动脑电图记录中的不良通道检测。
由于完成连续的认知任务或观看纪录片而导致的精神疲劳会损害平衡控制
摘要 本研究旨在评估由 90 分钟持续性认知任务引起的心理疲劳 (MF) 对平衡控制的影响。招募了 20 名健康的年轻参与者。他们必须在观看纪录片之前和之后站在力台上执行三项姿势任务（睁眼站在稳定支撑物上、闭眼站在摇板上），或在 MF 条件下执行长时间持续性认知任务 (AX-持续性表现测试 - AX-CPT)。结果表明，执行 AX-CPT 会产生 MF，因为参与者在 AX-CPT 后从 NASA 任务负荷指数中感受到的主观工作量比观看纪录片后更高。AX-CPT 和观看纪录片都会损害平衡控制，主要是通过影响姿势调节机制来损害平衡控制，这种机制随着认知资源的参与度增加而向不太自动和不太复杂的调节模式发展。 AX-CPT 产生的 MF 通过损害注意力处理来影响平衡控制，而观看纪录片对姿势控制的有害影响可能源于长时间坐着对随后站立时平衡控制的不利影响。
迈向无处不在的脑电图，耳内脑电图与前额脑电图的相关性
摘要：近年来，可穿戴式脑电图 (EEG) 在临床和研究之外的广阔应用前景推动下越来越受欢迎。连续脑电图的普遍应用需要不显眼的外形，以便终端用户轻松接受。在此过程中，可穿戴式脑电图系统已从整个头皮转移到前额，最近又转移到耳朵。本研究的目的是证明新兴的耳部脑电图提供与现有的前额脑电图相似的阻抗和信号特性。在阻抗分析后，使用装有三个定制电极和一个前额电极 (Fpx) 的通用耳机从十名健康受试者获取了睁眼和闭眼阿尔法范式的脑电图数据。入耳式电极阻抗的受试者间变异性在 10 Hz 时为 20 k Ω 至 25 k Ω。信号质量相当，入耳式电极的 SNR 为 6，前额电极的 SNR 为 8。所有入耳式电极在睁眼状态下的 Alpha 衰减都很明显，并且遵循前额电极功率谱密度图的结构，入耳位置 ELE（左耳上）和 ERE（右耳上）与前额位置 Fp1 和 Fp2 之间的 Pearson 相关系数分别为 0.92。结果表明，就阻抗、信号特性和信息内容而言，入耳式 EEG 是已建立的前额 EEG 的非侵入式替代方案。
基于脑振荡的方法
正念冥想是一种流行的冥想形式，已在教育、临床环境、商业行业和军队等各个领域显示出广泛的益处（Goldberg 等人，2020 年；Duff，2022 年）。身心联系是正念冥想的核心，最近的研究表明，冥想可以调节大脑网络组织和默认模式网络内心脏活动的神经表征（Jiang 等人，2020 年；Lurz 和 Ladwig，2022 年；Wong 等人，2022 年）。然而，与对正念其他机制的大量研究相比，关于脑心联系的潜在神经机制的研究仍然相对稀缺（Ng 等人，2005 年；Minhas 等人，2022 年）。我们之前的研究证明了正念冥想练习者的脑心同步，然而，它只在群体层面检查了数据（Gao 等人，2016 年）。为了更好地理解大脑和身体在冥想过程中如何相互作用，本研究重点关注个体正念冥想练习中瞬间的大脑-心脏同步，这将支持在正念练习中的更广泛应用。自然地，个体在对重大事件或强烈情绪的反应中可以感受到即时的身心联系，而心脏尤其敏感。这是因为中枢神经系统通过自主神经系统调节内脏器官活动，大多数内脏器官自主运作，但表现出明显的昼夜节律（Tran 等人，2021 年；Chambers 等人，2022 年）。保持一致的身心活动和昼夜节律对我们的健康至关重要，扰乱可能会导致内脏器官功能障碍甚至心脏骤停（Tran 等人，2021 年）。认识到身心一致性的重要性，生物医学社会模型已被提出用于促进健康（ Heidger，2011 ）。为了简化身心联系的研究，本研究探讨了大脑和心脏活动之间的关系，因为心脏是对外界刺激最敏感的器官（ Lutwak and Dill，2012 ）。脑电图（EEG）和心电图（ECG）可以分别轻松测量大脑和心脏活动。不同的 EEG 频带，如 delta、theta、alpha、beta 和 gamma，反映了不同的心理状态。其中，alpha 波是人类的主要大脑振荡，alpha 波活动的变化是 EEG 冥想研究中最可靠的结果（ Lomas et al.，2015 ）。不同的冥想形式会引起不同脑波段的变化；例如，传统的藏传佛教冥想与伽马波段变化有关（Lutz 等人，2004 年；Ferrarelli 等人，2013 年；Jiang 等人，2020 年）。研究还表明，前扣带皮层与自主神经系统相连（Devinsky 等人，1995 年），和额叶中线 θ 节律与冥想期间的心率变异性相关（Kubota 等人，2001 年）。尽管如此，在各种冥想过程中，普遍观察到 α 波活动增加，特别是在枕叶和额叶区域（Cahn 和 Polich，2006 年）。在本研究中，我们专注于 α 波分析，因为它在闭眼放松期间的大脑节律和主导地位中具有重要意义，闭眼放松被认为是一种“皮质
生物心理学 - 薮猫 - UNIL
本研究旨在调查极限山地超级马拉松 (MUM) 对 16 名完赛者自发性脑电活动的影响。通过在 330 公里比赛（平均持续时间：125 ± 17 小时；睡眠持续时间：7.7 ± 2.9 小时）之前和之后使用 4 分钟闭眼高密度脑电图 (EEG) 记录，进行频谱功率、源定位和微状态分析。比赛结束后，功率分析显示，在顶枕部位，delta（0.5 – 3.5 Hz）和 theta（4.0 – 7.5 Hz）频带的功率集中局部增加，alpha（8.0 – 12.0 Hz）功率降低。在左后扣带皮层、左角回和视觉联想区内观察到 alpha 频带的更高大脑激活。微状态分析表明，在比赛结束时，地图 C 优势显著下降，地图 D 的全局场功率 (GFP) 增加。这些功率模式和微状态参数的变化与之前报告的短时间耐力训练后的结果形成对比。我们讨论了解释顶枕区内较低 alpha 活动和 MUM 后微状态变化的潜在因素。总之，可以推荐使用高密度 EEG 静息状态分析来研究极限运动中的大脑适应性。
调查用户对脑电图运动想象的熟练程度——...
摘要：基于脑电图 (EEG) 的脑机接口 (BCI) 研究广泛应用于轮椅控制。用户的能力是 BCI 效率的一个因素。因此，我们专注于 BCI 任务和协议，以从个人用户的稳健 EEG 特征中获得高效率。本研究提出了一种基于任务的大脑活动来获得 alpha 波段的力量，其中包括闭眼以获得枕叶区域的 alpha 反应、注意向上箭头以获得额叶区域的 alpha 反应以及想象的左/右运动以获得左/右运动皮层与 alpha 事件相关的去同步。EPOC X 神经耳机用于获取 EEG 信号。我们还通过推荐运动想象任务来提出用户在肢体运动范式的运动意象会话中的熟练程度。使用所提出的系统，我们验证了特征提取算法和命令翻译。 12 名志愿者参加了实验，并使用传统的运动想象范式来比较效率。利用用户的运动想象能力，左右命令的平均准确率达到 83.7%。通过用户熟练程度推荐的 MI 范式比传统 MI 范式的准确率高出约 4%。此外，模拟轮椅的实时控制结果显示，基于时间条件的效率很高。与基于操纵杆的控制相比，执行相同任务的时间结果仍然大约长三倍。我们建议使用用户熟练程度为初学者推荐个性化的 MI 范式。此外，所提出的 BCI 系统可用于严重残疾人士的电动轮椅控制。
生物医学信号处理与控制
注意力缺陷多动障碍 (ADHD) 是一种神经发育障碍，其特征是不同程度的冲动、多动和注意力不集中。治疗这种疾病并尽量减少其对学习、工作、建立关系和生活质量的负面影响在很大程度上取决于早期识别。脑电图 (EEG) 是一种有用的神经成像技术，可用于了解 ADHD。本研究通过使用固有时间尺度分解 (ITD) 分析 EEG 信号来检查 ADHD 儿童的大脑活动。由 ITD 产生的模式的不同组合（称为固有旋转分量 (PRC)）用于提取各种基于连接的特征（幅度平方相干性、交叉功率谱密度、相关系数、协方差、相熵系数、相关系数）。在闭眼休息时记录了 15 名 ADHD 儿童和 18 名年龄匹配的健康儿童的 EEG 信号。使用从纵向和横向平面中选择的不同通道对来计算上述特征。通过各种机器学习方法和 10 倍交叉验证法，对所提出的方法进行评估，以区分 ADHD 患者和健康对照者。纵向和横向平面的分类准确率分别在 92.90% 至 99.90% 和 91.70% 至 100.00% 之间。我们的结果支持了所提出方法的出色性能，并且在识别和分类 ADHD 方面比类似研究取得了重大进展。
适应不良的机器学习分类...
本研究利用机器学习模型对认知和行为情绪调节策略（ERS）进行分类，该模型由一种新的局部脑电图复杂性方法驱动，即静息状态（睁眼（EO）、闭眼（EC））下的频率特定复杂性（FSC）。按照国际10-20电极放置系统，FSC被定义为在不重叠的短脑电图段的Alpha（8−12Hz）和Beta（12.5−30Hz）频带间隔中的熵估计，以观察头皮表面62个点的局部脑电图复杂性变化。经常使用沉思和认知分散的健康成年人被纳入第一组，而很少使用这些策略的其他人群则根据他们的认知情绪调节问卷（CERQ）得分被纳入第二组。脑电图数据和CERQ分数均从公开的数据库LEMON下载。为了测试所提方法的可靠性，除了两种极限学习机模型外，还对五种不同的监督机器学习方法进行了 5 倍交叉验证，以区分对比组。在 EC 状态下，类特定成本调节极限学习机提供 99.47% 的最高分类准确率 (CA)。对于皮质区域（前额叶、中央、颞叶、顶枕叶），区域 FSC 估计没有提供更高的性能，但是，相应的统计分布显示，在以适应不良的反刍为特征的第一组中，大多数前皮质的 EEG 复杂性降低。总之，可以提出 FSC 来研究经常因反刍而导致的认知功能障碍。
使用机器学习进行基于脑电图的嗜睡预测
困倦是道路交通事故的主要原因，它会导致严重的身体伤害、死亡和重大的经济损失。为了监测驾驶员困倦程度，先前的研究使用了行为测量、车辆测量、生理测量和混合测量等各种方法。本文主要关注预测驾驶员困倦的生理方法。有几种生理方法来预测困倦。在这些方法中，脑电图是测量受试者大脑活动的非侵入性生理方法之一。从人体头皮提取的脑电信号会根据各种特征进行分析，并用于预测困倦、疲劳等各种健康应用。所提出系统的主要目标是及早高精度地预测驾驶员困倦程度，因此我们将工作分为两个步骤。第一步是收集基于脑电图的眼睛状态（睁眼和闭眼）的公开数据集，其中信号采集过程由 Emotiv EEG Neuroheadset（14 个电极）完成，并分析了各种特征工程技术和统计技术。第二步应用机器学习分类模型 K-NN 并使用基于性能的预测模型。在现有系统中，他们使用各种机器学习分类模型（如 K-NN 和 SVM）进行 EEG 眼状态分类，结果约为 80% -97%。与现有系统相比，我们提出的方法使用不同的特征工程流程和分类模型（如 K-NN）生成了更好的分类模型来预测驾驶员困倦程度，从而产生了 98% 的准确率。
系统基因组学分析恢复了一大批... - NSF-PAR
尽管对形态学、分子学和组合数据集进行了多次分析，但鱿鱼和乌贼（头足纲：十足目）之间的系统发育关系几十年来一直难以明确。最近，对完整线粒体基因组和数百个核基因座的分析也得出了类似的模棱两可的结果。在本研究中，我们通过增加分类学广度和利用几个分类群的更高质量的基因组和转录组数据，重新评估十足目关系的假设。我们还采用分析方法来 (1) 识别转录组数据中的污染，(2) 更好地评估模型的充分性，以及 (3) 考虑潜在的偏差。使用这个更大的数据集，我们一致地恢复了一个由 Myopsida（闭眼鱿鱼）、Sepiida（乌贼）和 Oegopsida（睁眼鱿鱼）组成的演化支，它是 Sepiolida（短尾和瓶尾鱿鱼）演化支的姐妹。 Idiosepiida（小鱿鱼）一直被认为是所有采样的十足目谱系的姊妹群。此外，将加权的 Shimodaira-Hasegawa 检验应用于我们的一个较大的数据矩阵，拒绝了这些序数级关系的所有替代方案。目前，可用的核基因组规模数据支持体型相对较大的十足目头足类的嵌套进化枝，但小鱿鱼除外，但需要改进分类单元采样和额外的基因组数据来严格测试这些新假设。