XiaoMi-AI文件搜索系统
World File Search System预期动作
爱丁堡研究探索者
虽然丘脑底核中β频带振荡同步的过度爆发与帕金森病的运动障碍有关，但一直缺乏将这两种现象联系起来的合理机制。在这里，我们检验了以下假设：β爆发所表示的同步增加可能会损害基底神经节网络中的信息编码能力。为此，我们记录了18名帕金森病患者在执行提示的上肢和下肢运动时丘脑底核中的局部场电位活动。我们使用每次试验中基于局部场电位对要移动的肢体进行分类的准确性作为系统所掌握的有关预期动作的信息的指标。使用朴素贝叶斯条件概率模型的机器学习用于分类。局部场电位动态可以在执行之前准确预测预期动作，当提前知道要求的动作时，在命令提示之前，受试者工作特征曲线下面积为 0.80 0.04。α 频段局部场电位活动爆发，尤其是 β 频段局部场电位活动爆发，严重影响了对要移动的肢体的预测。我们得出结论，低频爆发，尤其是 β 频段的爆发，限制了基底神经节系统编码有关预期动作的生理相关信息的能力。当前的发现也很重要，因为它们表明，除了恢复性脑机接口应用中的力量控制外，局部丘脑底活动可能被解码以实现效应器选择。
帕金森病的丘脑底核活动动态和肢体运动预测
虽然丘脑底核中β频带振荡同步的过度爆发与帕金森病的运动障碍有关，但一直缺乏将这两种现象联系起来的合理机制。在这里，我们检验了以下假设：β爆发所表示的同步增加可能会损害基底神经节网络中的信息编码能力。为此，我们记录了18名帕金森病患者在执行提示的上肢和下肢运动时丘脑底核中的局部场电位活动。我们使用每次试验中基于局部场电位对要移动的肢体进行分类的准确性作为系统所掌握的有关预期动作的信息的指标。使用朴素贝叶斯条件概率模型的机器学习用于分类。局部场电位动态可以在执行之前准确预测预期动作，当提前知道要求的动作时，在命令提示之前，受试者工作特征曲线下面积为 0.80 0.04。α 频段局部场电位活动爆发，尤其是 β 频段局部场电位活动爆发，严重影响了对要移动的肢体的预测。我们得出结论，低频爆发，尤其是 β 频段的爆发，限制了基底神经节系统编码有关预期动作的生理相关信息的能力。当前的发现也很重要，因为它们表明，除了恢复性脑机接口应用中的力量控制外，局部丘脑底活动可能被解码以实现效应器选择。
ConTraNet：用于 EEG 的单一端到端混合网络……
目标：脑电图 (EEG) 和肌电图 (EMG) 是两种非侵入性生物信号，广泛应用于人机界面 (HMI) 技术（EEG-HMI 和 EMG-HMI 范式），用于肢体残疾人的康复。成功将 EEG 和 EMG 信号解码为相应的控制命令是康复过程中的关键步骤。最近，提出了几种基于卷积神经网络 (CNN) 的架构，将原始时间序列（EEG 和 EMG 信号）直接映射到决策空间（用户的预期动作）。由于 CNN 是端到端学习算法，因此有意义的特征提取和分类过程是同时进行的。然而，这些网络是为学习给定生物信号的预期特征而定制的。从今以后，这些算法的含义通常仅限于单个 HMI 范式。在这项工作中，我们解决了这样一个问题：我们能否构建一个能够从不同的 HMI 范式中学习不同特征并仍能成功对其进行分类的单一架构。方法：在这项工作中，我们引入了一个称为 ConTraNet 的单一混合模型，该模型基于 CNN 和 Transformer 架构，对 EEG-HMI 和 EMG-HMI 范式同样有用。ConTraNet 使用 CNN 模块在模型中引入归纳偏差并学习局部依赖关系，而 Transformer 模块使用自注意机制来学习信号中的长距离或全局依赖关系，这对于 EEG 和 EMG 信号的分类至关重要。主要结果：我们在三个公开可用的数据集（BCI 竞赛 IV 数据集 2b、Physionet MI-EEG 数据集、Mendeley sEMG 数据集）上评估并将 ConTraNet 与最新方法进行了比较，这三个数据集属于 EEG-HMI 和 EMG-HMI 范式。ConTraNet 在所有不同类别任务（2 类、3 类、4 类和 10 类解码任务）中均优于其同行。意义：大多数 HMI 研究引入了针对其预期生物信号特征量身定制的算法，并在仅属于单一范式的数据集上验证其结果。相反，我们引入了 ConTraNet，并在两个不同的 HMI 范式上验证了结果，这两个范式包含 2、3、4 和 10 个类的数据。此外，ConTraNet 的泛化质量对于这两个范式都同样好，这表明 ConTraNet 能够从不同的 HMI 范式中学习不同的特征，并且与当前最先进的算法相比具有良好的泛化能力。