XiaoMi-AI文件搜索系统
World File Search SystemBCI
偏差反馈影响运动想象 BCI 的学习
简介：提出了各种用户训练来帮助用户完成运动想象（MI）BCI 任务，例如，使用正（有偏见）反馈（它是对一个人标记的大脑活动的乐观表示）已被证明可以提高表现[1]或学习[2]。相反，在[3]中，正反馈减少，而负反馈增加用户在一次会话中的学习。为了更好地理解有偏见的反馈对BCI训练期间的表现和学习的好处，我们考虑了用户状态，例如工作量和心流状态，一种最佳认知控制、沉浸和愉悦的状态，这些状态已被证明与表现相关[4]。材料、方法和结果：30名参与者（12名女性，平均年龄：28.56岁，SD：6.96）分为3组：1.无偏见，2.正偏见和3.负偏见，其中SVM分类器输出使用累积beta分布函数实时偏置。参与者参加了 2 个环节，每个环节包括校准（2 次运行）和测试（6 次运行）。一次运行包含每个类 20 次试验，持续约 5 分钟。用户使用左右手 MI 玩 Tux Racer 游戏。每次运行后，分别使用 NASA-TLX [5] 和 EduFlow [6] 问卷评估工作量和流动状态。在线表现被计算为分类器的峰值表现。学习率是环节内在线表现与运行的线性回归的斜率，例如高于零表示积极学习，而低于零表示学习下降。我们发现学习率在组×环节之间存在显着的相互作用（双向方差分析，p <0.01），图 1.A；但组间表现没有差异。我们发现流动状态与表现（Pearson's r = 0.30）和学习率（r = - 0.20）之间存在相关性（p <0.05，用 FDR 校正）；工作量与绩效之间没有相关性，但与学习率有相关性（r=0.13）。最后，我们发现各组之间存在显著差异，EduFlow 分数的认知控制维度 p<0.05，如 [4] 图 1.B 所示。
用于 BCI 中 EEG 表征学习的多尺度神经网络
摘要 — 深度学习的最新进展对脑机接口 (BCI) 研究产生了方法论和实践上的影响。在各种深度网络架构中，卷积神经网络 (CNN) 非常适合时空谱脑电图 (EEG) 信号表征学习。文献中描述的大多数现有基于 CNN 的方法都通过重复的非线性操作在连续的抽象级别提取特征，并涉及密集连接的层进行分类。然而，神经生理学研究表明，EEG 信号携带不同频率成分范围的信息。为了更好地反映 EEG 中的这些多频特性，我们提出了一种新颖的深度多尺度神经网络，该网络可发现多个频率/时间范围内的特征表征并提取电极之间的关系，即空间表征，以识别主体的意图/条件。此外，通过用时空谱信息完全表示脑电信号，所提出的方法可用于主动和被动脑电接口中的多种范式，而现有的方法主要集中在单一范式脑电接口上。为了证明我们提出的方法的有效性，我们对各种范式的主动/被动脑电接口数据集进行了实验。我们的实验结果表明，与同类的最先进的方法相比，所提出的方法取得了性能上的提升。此外，我们使用不同的技术分析了所提出的方法，例如 PSD 曲线和相关性分数检查以验证多尺度脑电信号信息捕获能力、用于研究学习到的空间滤波器的激活模式图和用于可视化表示特征的 t-SNE 绘图。最后，我们还展示了我们的方法在现实问题中的应用。
使用BCI
摘要：脑部计算机界面使用大脑的信号（例如脑电图）来确定大脑状态，而大脑状态又可用于发出命令，例如控制工业机械。虽然云计算可以帮助创建和运行工业多用户BCI系统，但从EEG信号产生的大量数据会导致缓慢的响应时间和带宽问题。雾计算可减少高需求计算网络中的延迟。因此，本文引入了用于BCI处理的雾计算解决方案。该解决方案包括使用将机器学习算法的雾节点转换为命令以控制网络物理系统的命令。机器学习模块使用深度学习编码器来从EEG信号中生成特征图像，这些特征图像随后被随机森林分类为命令。使用各种分类器比较分类方案，这是获得最佳性能的随机森林。此外，在雾计算方法中进行了比较，并仅通过使用雾计算模拟器来使用云计算。结果表明，与纯云计算方法相比，雾计算方法的潜伏期较小。
RSVP 下基于视觉 ERP 的 BCI 中的刺激大小效应
摘要：快速序列视觉呈现 (RSVP) 是目前最适合用于基于事件相关电位 (ERP-BCI) 的视觉脑机接口 (ERP-BCI) 的范例之一，适用于眼球运动障碍患者。然而，凝视非依赖性范例的研究不如凝视依赖性范例那么深入，而且在 RSVP 下尚未探索诸如呈现的刺激大小等变量。因此，本研究的目的是评估刺激大小是否会影响 RSVP 范例下的 ERP-BCI 性能。12 名参与者使用三种不同的刺激大小测试了 RSVP 下的 ERP-BCI：小 (0.1 × 0.1 厘米)、中 (1.9 × 1.8 厘米) 和大 (20.05 × 19.9 厘米)，距离为 60 厘米。结果显示，不同条件下的准确度存在显著差异；刺激越大，准确度越高。研究还表明，这些差异不是由于对刺激的错误感知造成的，因为在感知辨别任务中，刺激大小没有影响。因此，本研究显示，刺激大小会影响 RSVP 下 ERP-BCI 的性能。未来针对需要注视独立系统的用户的 ERP-BCI 提案应考虑这一发现。
基于BCI系统的脑电信号控制无人机运动
摘要。脑机接口使个人能够通过脑电图 (EEG) 信号与设备进行通信，在许多使用脑电波控制单元的应用中都是如此。本文介绍了一种使用 EEG 波通过眨眼和注意力水平信号控制无人机运动的新算法。通过使用支持向量机算法对眨眼进行分类并通过人工神经网络将其转换为 4 位代码，对获得的信号识别进行优化。线性回归法用于将注意力分为具有动态阈值的低级或高级，从而产生 1 位代码。算法中的运动控制由两个控制层构成。第一层提供眨眼信号的控制，第二层提供眨眼和感知到的注意力水平的控制。使用单通道 NeuroSky Mind-Wave 2 设备提取和处理 EEG 信号。所提出的算法已通过对 5 个不同年龄个体的实验测试进行了验证。结果表明，与现有算法相比，该算法具有较高的性能，对 9 个控制命令的准确率为 91.85%。该算法最多可处理 16 个命令，准确率高，适用于许多应用。
脑机接口（BCI）领域最新趋势研究
脑机接口 (BCI) 是大脑和计算机之间的直接通信过程。多年来，研究人员一直在尽最大努力升级这种设备，以帮助身体有障碍的人或降低人类的工作能力。在过去的 20 年里，研究人员对这种设备进行了升级，使其更加准确，研究也迅速发展。2003 年 5 月 21 日，脑机接口工作得到了美国国立卫生研究院的支持。此后，许多国家举行了会议，工程师、医生和科学家参加了会议。它通过监测大脑活动来发挥作用，无需任何人力。它有传感器，可以存储大脑的活动。这项技术有可能在没有任何人力的情况下控制计算机，只有用户可以思考，整个工作就完成了。最近，通过大脑图像技术，它是一项成功的技术。身体残疾的孩子可以不费吹灰之力控制自己的轮椅。我们也有很多例子，比如用户可以用机械臂从杯子里喝咖啡。BCI 主要需要信号采集硬件。这个信号采集硬件必须保持安全。首先，用户对自己的指令进行编码，然后 BCI 通过以下方式识别该命令：
振动触觉刺激和 tDCS 能否帮助低效的 BCI ......
基于快速傅里叶变换 (FFT) 的相位跟踪算法，如先前提出和采用的 [20, 36]；在 FFT 幅度中，8 至 13Hz 之间的主要 alpha 频率分量和相应的相位用于获得简单的正弦函数来预测即将到来的相位。当预测的相位下降时，根据运动想象类别通过左或右振动马达传递振动 100 毫秒，刺激间隔设置为 100 毫秒。因此，提取 C4 通道 alpha 相位用于左侧运动想象试验，当预测的相位下降时激活左侧振动马达，反之亦然。刺激会话结束后，受试者执行与刺激前相同的运动想象任务
RSVP 下基于视觉 ERP 的 BCI 中的刺激大小效应
摘要：快速序列视觉呈现 (RSVP) 是目前最适合用于基于事件相关电位 (ERP-BCI) 的视觉脑机接口 (ERP-BCI) 的范例之一，适用于眼球运动障碍患者。然而，凝视非依赖性范例的研究不如凝视依赖性范例那么深入，而且在 RSVP 下尚未探索诸如呈现的刺激大小等变量。因此，本研究的目的是评估刺激大小是否会影响 RSVP 范例下的 ERP-BCI 性能。12 名参与者使用三种不同的刺激大小测试了 RSVP 下的 ERP-BCI：小 (0.1 × 0.1 厘米)、中 (1.9 × 1.8 厘米) 和大 (20.05 × 19.9 厘米)，距离为 60 厘米。结果显示，不同条件下的准确度存在显著差异；刺激越大，准确度越高。研究还表明，这些差异不是由于对刺激的错误感知造成的，因为在感知辨别任务中，刺激大小没有影响。因此，本研究显示，刺激大小会影响 RSVP 下 ERP-BCI 的性能。未来针对需要注视独立系统的用户的 ERP-BCI 提案应考虑这一发现。
使用黎曼概率的贝叶斯积累的端到端 P300 BCI
摘要 — 在脑机接口 (BCI) 中，大多数基于事件相关电位 (ERP) 的方法都侧重于 P300 的检测，旨在对拼写任务进行单次试验分类。虽然这是一个重要的目标，但现有的 P300 BCI 仍然需要多次重复才能达到正确的分类准确率。P300 BCI 中的信号处理和机器学习进步主要围绕 P300 检测部分，而字符分类不在范围之内。为了在保持良好字符分类的同时减少重复次数，解决完整的分类问题至关重要。我们引入了一个端到端流程，从特征提取开始，由使用概率黎曼 MDM 的 ERP 级分类组成，该分类使用跨试验的贝叶斯置信度积累提供字符级分类。现有方法仅在字符闪现时增加其置信度，而我们新的管道，称为黎曼概率贝叶斯累积 (ASAP)，在每次闪现后更新每个字符的置信度。我们提供了此贝叶斯方法的正确推导和理论重新表述，以便无缝处理从信号到 BCI 字符的信息。我们证明我们的方法在公共 P300 数据集上的表现明显优于标准方法。
增强 BCI 性能的功能连接集成方法（FUCONE）
表 1：研究中考虑的功能连接指标 FC 指标缩写类别参考瞬时相干性瞬时频谱相干性[31]虚相干性 ImCoh 频谱相干性[32]锁相值 PLV 相位估计[33]相位滞后指数 PLI 相位估计[34]平方 wPLI 的去偏估计量 wPLI2-d 相位估计[35]幅度包络耦合 AEC 幅度耦合[36、37]