XiaoMi-AI文件搜索系统
World File Search SystemBCI
联想皮层区域的功能断开连接可以预测BCI培训期间的性能
巴黎，阿拉米斯项目团队，F-75013，法国巴黎，法国B. Institut du Cerveau et de la Moelle Epini ere, ICM, Inserm U 1127, CNRS UMR 7225, Sorbonne Universit e, Ecole Normale Sup erieure, ENS, Centre MEG-EEG, F-75013, Paris, France e Department of Bioengineering, School of Engineering and Applied Science, University of Pennsylvania, Philadelphia, PA, 19104,宾夕法尼亚州宾夕法尼亚大学佩雷曼医学院，美国弗莱尔曼大学神经病学系，19104年，美国G物理与天文学系，艺术与科学学院，宾夕法尼亚大学，宾夕法尼亚大学，宾夕法尼亚大学，宾夕法尼亚大学，宾夕法尼亚大学，19104年，美国电气和系统工程学系，宾夕法尼亚州宾夕法尼亚州，宾夕法尼亚州pr。 19104年，美国I精神病学系，宾夕法尼亚州宾夕法尼亚大学佩雷尔曼医学院，宾夕法尼亚州费城，19104年，美国J Santa Fe Institute，NM，NM，87501，美国，
在大型开源数据集上验证BCI性能的神经生理预测指标
大脑计算机界面（BCI）是处理大脑活动以从中解码特定命令的系统，例如在用户Image-Im-Ine运动时生成的运动成像模式。尽管对BCI的兴趣日益增加，但由于用户内部和内部的可变性，它们引起了重大挑战，尤其是在解码不同的神经模式方面。文献表明，各种预测因子与受试者的BCI绩效相关。在这些指标中，神经生理学的预测符似乎是最有效的，尽管研究通常涉及小样本，结果并未被复制，从而质疑其可靠性。在我们的研究中，我们使用了一个带有85位受试者的大型数据集来分析文献和BCI性能中确定的不同预测因子之间的关系。我们的发现表明，在此数据集中可以替换了测试的六个预测因子中的四个。这些结果强调了验证文献发现的必要性，以确保此类预测因子的可靠性和适用性。
学习如何使用基于BCI的学习环境来生成动力学运动图像：基于指导或试验方法的比较研究
摘要 - Kinesthetic Motor图像（KMI）是一项心理任务，如果正确执行，则在运动训练或康复中使用脑部计算机界面（BCI）可能非常相关。不幸的是，这项心理任务通常很复杂，并且可以导致其执行情况高度可变性，从而减少其潜在的好处。KMI任务如此困难的原因是因为没有标准化的方式来指导该主题在这项心理任务中。这项研究提出了一种创新的BCI，称为Grasp-It，以支持KMI任务的学习，并评估两种不同的学习方法：（i）第一个由实验者和渐进率指导的，基于渐进率的概念，（ii）第二个学习者是单独的，并且通过试验和错误进行了学习和练习。基于脑电图分析的发现和主观问卷调查验证了grasp-it bci的设计，并为KMI学习方式开辟了观点。索引项 - Kinesthetic Motor图像；大脑计算机界面； grasp-it;中风康复； BCI学习环境；人类计算机相互作用
BCI学习在M/ ... div>中诱导核心 - 周期重组
图2：单层和多层提供的信息（a）在MI条件下BCI训练中单层和多重疗法值的演变。对于与单个脑叶相关的给定轴，我们绘制了分别在EEG，MEG和Multiplex（Mux）中分别在受试者和属于叶的ROI中获得的中位裂缝值。第一线对应于α2频带内的演变，第二线对应于β1频带中的演化。（b）相对度（∆ c）在会话中的演变。表示用脑电图层获得的ΔC值，平均在受试者上。在Y轴上显示了用MEG层获得的值。标记的颜色与用多路复用获得的值相关联。每个标记对应于给定的ROI。
光标BCIS的长期无监督重新校准
皮质内脑机构界面（IBCIS）需要频繁地重新校准，以维持由于随着时间的推移积累而导致的神经活动变化而保持稳健的性能。补偿这种非机构性将使您无需进行监督的重新校准期，在这种情况下，用户无法自由使用其设备。在这里，我们介绍了一个隐藏的马尔可夫模型（HMM），以推断用户在IBCI使用期间朝着哪些目标转向。然后，我们使用这些推断的靶标对系统进行重新训练，从而使无监督的神经活动适应。我们的方法在两个月内以大规模的闭环模拟和人类IBCI用户的闭环模拟以优于最高的最新技术。利用跨越五年IBCI记录的离线数据集，我们进一步显示了最近提出的重新校准的数据分配匹配方法如何在长时间尺度上失败；只有目标推断方法似乎能够实现长期无监督的重新校准。我们的结果表明，如何使用任务结构将嘈杂的解码器引导成一个高度表现的解码器，从而克服了临床翻译BCI的主要障碍之一。
BCI评估的伪在线框架：MOABB透视
目的：BCI（脑部计算机界面）技术以三种模式运行：在线，OfflINE和伪内线。在在线模式下，经常分析实时脑电图数据。在offl ine模式下，后来获取并处理信号。伪在线模式处理收集的数据，就像实时接收一样。主要的区分是OfflINE模式经常分析整个数据，而在线和伪在线模式仅在短时间窗口中分析数据。offlINE分析通常是使用异步BCI进行的，该分析将分析限制为预先确定的时间窗口。异步BCI与在线和伪在线模式相吻合，允许灵活的心理活动持续时间。offlINE处理往往更准确，而在线分析对治疗应用更好。伪在线实现近似于在线处理而无需实时限制。与现实生活相比，许多BCI研究都引入了偏见，从而影响了分类算法的性能。方法：因此，本研究论文的目的是扩展以O fflINE模式运行的当前MOABB框架，以便允许在伪内部设置中使用不同的算法与基于重叠滑动窗口的技术的使用进行比较。这样做将需要在数据集中引入空闲状态事件，该事件考虑了所有不是任务思维的不同可能性。为了验证算法的性能，我们将使用归一化的Matthews相关系数（NMCC）和信息传输率（ITR）。主要结果：我们分析了过去15年的最新算法，该算法是由几个受试者组成的几个运动图像（MI）数据集，显示了从统计学的角度来看两种方法之间的差异。引人注目的能力：分析在OfflINE和伪在线模式中不同算法的性能的能力将使BCI社区获得有关分类算法性能的更准确和全面的报告。
带有BCI
动力学运动图像（KMI）在运动皮层（称为事件相关的（DE） - 同时化，ERD/ERS）上产生特定的脑模式，使KMI可以通过电脑范围（BCI）通过电脑（EEGEEG）信号来检测到KMI。由于执行KMI任务会刺激突触可塑性，因此基于KMI的BCIS对许多需要长期KMI实践的应用（例如，运动训练或中风后康复）有望。但是，缺乏对基于KMI的BCI相互作用的研究，尤其是关于人际因素与运动模式变化之间的关系。这项试验研究旨在更好地理解给定个人的脑运动模式如何随着时间的流逝而变化，（ii）人际因素是否可能影响BCI实践，以及（iii）BCI用户的经验会随着时间的推移调节KMI任务（即ERDS和ERS）的脑运动模式。为此，我们在这项心理任务中招募了一名专家，他在五个月的时间内在26个不同的课程中进行了2080公里的时间。这项研究的原始性在于对来自EEG信号，BCI数据性能和13个不同调查的交叉引用数据的详细检查。结果表明，这种重复和延长的实践并没有减少他的福祉，尤其是对任务的自动化感。，我们观察到随着会话的积累，ERD振幅的进行性衰减和运动区域的浓度。所有这些元素都指向神经效率的现象。情绪，任务控制，饮食等）如果通过其他研究确认，这种现象可能会质疑BCI在向用户提供持续刺激时的质量。此外，这项试验研究的结果表明了可能影响运动皮层反应的洞察力（例如，和有希望的改善旨在长期使用的BCI的教学设计的机会。
基线时间选择对基于运动图像的BCI
摘要 - 基于运动图像的大脑计算机界面（MI-BCIS）是神经技术，可利用运动皮质上的感觉运动节奏的调节，分别称为事件相关的去同步（ERD）（ERD）和综合化（ERS）。ERD/ERS的解释与用于估计它们的基线的选择直接相关，并可能导致误导ERD/ERS可视化。实际上，在BCI范式中，如果两次试验被几秒钟分开，则将基线接近上一个试验结束的基线可能会导致ERD的过度估计，而将基线的基线太接近即将到来的试验可能会导致ERD估计不足。在MI-BCI研究中，这种现象可能会引起对ERD/ERS现象的功能误解。这也可能会损害MI与REST分类的BCI性能，因为这种基准通常被用作静止状态。在本文中，我们建议研究几个基线时间窗口选择对ERD/ERS调制和BCI性能的影响。我们的结果表明，考虑选定的时间基线效应对于分析MI-BCI使用过程中ERD/ERS的调制至关重要。
P300拼写器BCI
摘要 - 脑部计算机界面（BCI）是人脑和计算机之间通信的常见设备。本文研究了使用3D界面为BCI机器使用的效率。为此，已修改了P300拼写器（使用户能够使用脑电波在屏幕上拼写字符的BCI设备）已进行了修改。P300拼写器的经典虚拟键盘被3D立体图像替换，从而增强了设备的人体工程学特征。此外，3D接口上的范围范式可以以三种方式影响设备的孔隙：准确性，速度和容量。本文提出了两种称为天然3D和平行2D界面的不同浮雕范式，并研究了它们在提到的三种措施方面的效果。前者在3D空间中的平面，后者包括不同3D深度的平行键盘的灰烬。提出了这些效果的理论分析。通过从实际受试者获得的实验数据来验证结果，并与经典的2D界面进行了比较。两个提出的键盘都提高了设备的速度，而平行2D的总性能比天然3D更好。
审查Riemannian距离和分歧，应用于基于SSVEP的BCI
背景是大脑计算机界面（BCI）分类的第一代多通道脑电图（EEG）信号，通过优化的空间滤波器增强。第二代基于直接向前算法（例如最小距离至riemannian-mean）（MDRM）的直接算法，直接根据EEG信号估算了Covari-Ance矩阵。分类结果差异很大，具体取决于所选的riemannian距离或分歧，其定义和参考文献分布在广泛的数学上。方法本文审查了所有Riemannian距离和分歧，以处理协方差，并具有与BCI约束兼容的实现。使用不同指标的影响对稳态的视觉诱发电势（SSVEP）数据集进行了评估，从而评估了类别和clasifitation精度的中心。结果和结论Riemannian方法具有嵌入至关重要的特性来处理脑电图数据。Riemannian课程中心的表现要优于OfflINE和在线设置的欧几里得。一些Riemannian