XiaoMi-AI文件搜索系统
World File Search SystemADS1299
EEG、fMRI 和 TMS 系统中的单芯片微型 Mote
该项目的目标是在 TMS 期间测量 MRI 中的 EEG 信号并以无线方式报告 EEG 测量结果。将基于 SoC 的设备与尖端技术相结合的机会正在迅速扩大。作为超小型无晶体 SoC 开发的单芯片微型 Mote (SCμM) 为更多可能性打开了大门。同样，随着经颅磁刺激 (TMS)、脑电图 (EEG) 和功能性磁共振成像 (fMRI) 越来越受欢迎，大脑刺激和测量也取得了飞跃。通过评估 EEG 和 fMRI 大脑对 TMS 脉冲的反应来结合这三个元素的结构将提供宝贵的研究机会。为了帮助促进 TMS 和 fMRI 环境中的 EEG 测量，需要将数据从电极传递到外部计算机进行即时分析。SCμM 能够在各种设置和环境中运行，使其成为将这三种实践 TMS、EEG 和 fMRI 结合到组合操作中的系统组件的理想候选者。我们能够验证 SCμM 在连接到印刷电池时在 MRI 扫描期间是否正常工作。我们还能够确认 SCμM 不会在距离 SCμM 1 英寸处以高达 97% 的相对幅度传递的 TMS 脉冲下重置。我们无法在 MRI 中用 EEG 模拟前端 (ADS1299) 在新的开发板上测试 SCμM，但我们能够通过 Sulu SCμM 开发板的 GPIO 引脚通过 SPI 与 ADS1299 通信。
使用快速准确的 SSVEP 脑机接口...
摘要 — 本文介绍了一种处理和分类视觉诱发电位信号 (SSVEP) 的原创方法。它介绍了一种将典型相关分析与基于功率谱密度的方法相结合的集成学习模型。所用的刺激物是使用 LED 构建的，范围从 7.04 Hz 到 38.46 Hz。使用 ADS1299 和三个干电极收集数据。针对不同的光强度和 LED 之间的不同距离进行了测试。总共招募了 22 名参与者，平均准确率为 99.1 ± 2.27%，决策时间为 1 秒。据我们所知，这些结果超过了之前在 SSVEP-BCI 中使用高频刺激的其他作品中发表的结果，即平均准确率约为 90%，决策时间为 5 秒。索引术语 — 典型相关分析、脑机、EEG、视觉诱发电位、SSVEPC。
基于脑电信号的情绪分析系统的设计与实现
摘要 ：传统脑机系统复杂、昂贵，情绪分类算法缺乏对脑电信号不同通道间内在关系的表征，准确率还有提升空间。为降低脑电研究门槛，充分利用多通道脑电信号中蕴含的丰富信息，提出并实现一个简便易用的脑机系统，用于快乐、忧伤、悲痛、平静四种情绪的分类。该系统采用卷积注意机制与完全预激活残差块的融合，即基于注意卷积的预激活残差网络（ACPA-ResNet）。在硬件采集和预处理阶段，我们采用ADS1299集成芯片作为模拟前端，利用ESP32单片机对脑电信号进行初步处理。数据通过UDP协议无线传输到PC机进行进一步的预处理。在情绪分析阶段，ACPA-ResNet能够自动从脑电信号中提取和学习特征，通过学习时频域特征实现对情绪状态的准确分类。ACPA-ResNet在残差网络的基础上引入注意力机制，自适应地为每个通道分配不同的权重，使其在空间和通道维度上关注更有意义的脑电信号，同时避免了深度网络架构带来的梯度弥散和爆炸问题。经过对16名受试者的测试，系统实现了稳定的脑电信号采集和传输。新网络显著提高了情绪识别的准确率，平均情绪分类准确率达到95.1%。