XiaoMi-AI文件搜索系统
World File Search SystemBCI
社论：BCI 在医学领域的突破性应用
脑机接口 (BCI) 在皮质活动和外部设备之间建立了直接连接。BCI 可以使用非侵入性方法，例如脑电图 (EEG)，也可以使用侵入性方法，例如皮层电图 (ECoG) 或神经尖峰记录 (Homer 等人，2013；Guger 等人，2015、2018)。在过去的几十年里，人们开发了许多 BCI 方法，基于慢波、诱发电位 (EP)、稳态诱发电位 (SSEP)、基于代码的 EP 或运动想象 (MI) 范式，目的是将帮助人们的医疗应用推向市场。第一个 BCI 系统用于拼写、控制假肢或移动电脑屏幕上的光标 (Guger 等人，2015；Allison 等人，2020)。早期的 BCI 工作主要针对闭锁症或完全闭锁症患者。如今，越来越多的BCI技术临床应用正在被开发。
通过词语预测自动校准 c-VEP BCI
摘要。代码调制的视觉诱发电位脑机接口 (c-VEP BCI) 允许从闪烁字符的虚拟键盘进行拼写。所有字符同时闪烁，每个字符根据预定义的伪随机二进制序列闪烁，循环移位不同的时间滞后。对于给定的字符，伪随机刺激序列会在受试者的脑电图 (EEG) 中唤起 VEP，可将其用作模板。此模板通常在校准阶段获得，并在拼写阶段应用于目标识别。c-VEP BCI 系统的一个缺点是它需要较长的校准阶段才能达到良好的性能。本文提出了一种无监督方法，通过从连续字符之间的 VEP 响应中提取相对滞后并使用字典预测完整单词，避免了 c-VEP BCI 中的校准阶段。我们在公共数据集上进行了离线实验。我们模拟了从英语词典中选择的四组单词的拼写，这些单词的总字符数不同。每个实验都由刺激周期数参数化。所得结果表明，基于单词预测的 c-VEP BCI 自动校准方法可以高效且有效。
使用bci和eeg进行处理和分析
使用流行的脑机接口 (BCI) 分析信号和大脑活动行为是一个非常当前的课题，许多研究人员经常从各个方面进行研究。这种比较在研究人机环境系统中的信息和信号流时特别有用，特别是在交通科学领域。本文介绍了使用基于虚拟现实技术的专有模拟器对驾驶员行为进行的初步研究的结果。该研究使用研究人类思维及其特定区域对给定环境因素作出反应而发出的信号的技术。提出了一种基于虚拟现实的解决方案，限制了现实世界发出的外部刺激，并对获得的数据进行了计算分析。研究重点是交通状况及其对受试者的影响。测试由不同年龄段的代表参加，有驾照的和没有驾照的都有。本研究展示了我们设计和建造的 VR 技术研究台的原始功能模型。在 VR 条件下进行测试可以限制不良外部刺激的影响，这些刺激可能会扭曲读数结果。同时，它增加了可以模拟的道路事件范围，而不会给参与者带来任何风险。在所介绍的研究中，BCI 用于评估驾驶员的行为，从而可以记录受检者的选定脑电波活动。脑电图 (EEG) 用于研究大脑活动及其对来自虚拟现实创建的环境的刺激的反应。由于使用放置在头骨选定区域皮肤上的电极，因此可以检测电活动。介绍了用于信号和信息流模拟测试的专有测试台的结构，该测试台允许选择测量信号和参数记录方法。这项研究的一个重要部分是展示在对汽车驾驶员行为进行实际研究过程中获得的初步研究结果。
开源人类在循环的BCI研究框架
大脑计算机界面（BCIS）将大脑活动转化为数字命令，以与物理世界互动。该技术在几个应用领域具有巨大的潜力，从医疗应用到娱乐业，并为认知神经科学的基础研究创造了新的条件。当今的BCIS，仅对用户当前心理状态的原油在线分类，而对精神状态的更复杂的解码取决于耗时的offline数据分析。本文通过利用一组分析管道的改进来直接解决此限制，从而为下一代在线BCI铺平了道路。特别是我们引入了一个开放源研究框架，该框架具有模块化和可定制的硬件设计。此框架促进了人类在循环（HIL）模型培训和再训练，实时刺激控制，并使转移学习和云计算用于脑电图（EEG）数据的在线分类。刺激和研究人员的诊断。使用实验室流层标准和Websocket发送消息。实时信号处理和分类以及机器学习模型的培训，由开源Python包装时间频率促进。框架在Linux，MacOS和Windows上运行。虽然在线分析是BCI-HIL框架的主要目标，但可以通过MNE，EEGLAB或FIELDTRIP（例如Python，Matlab和Julia）对EEG数据进行OfflINE分析。本文描述并讨论了人类在BCI研究平台的理想特性。BCI-HIL框架是根据MIT许可发布的，其示例为：bci.lu.se/bci-hil（或at：github.com/bci-hil/bci-hil）。
基于EEG的BCI情感识别：调查
摘要：影响计算是一个人工智能领域，可以识别，解释，过程和模拟人类的影响。可以通过基于脑电图（EEG）的大脑计算机接口（BCI）设备来感知用户的情绪状态。使用这些工具在情感识别方面进行研究是一个具有多个跨学科应用程序的快速增长的领域。本文对2015年至2020年相关科学文献进行了调查。从计算机科学的角度来看，它列出了算法应用中算法应用的趋势和比较分析。我们的调查概述了数据集，情感启发方法，特征提取和选择，分类算法和性能评估。最后，我们为未来的发展提供见解。
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。
利用双峰 SSMVEP 提高 BCI 性能
稳态视觉诱发电位 (SSVEP) 是一种广泛使用的脑机接口 (BCI) 范式，因其多目标能力和有限的脑电图电极要求而受到重视。传统的 SSVEP 方法经常因闪烁的光刺激而导致视觉疲劳和识别准确率下降。为了解决这些问题，我们开发了一种创新的稳态运动视觉诱发电位 (SSMVEP) 范式，该范式融合了运动和颜色刺激，专为增强现实 (AR) 眼镜设计。我们的研究旨在增强 SSMVEP 反应强度并减轻视觉疲劳。实验在受控的实验室条件下进行。使用 EEGNet 的深度学习算法和快速傅里叶变换 (FFT) 分析脑电数据，以计算分类准确率并评估反应强度。实验结果表明，双模态运动-颜色融合范式显著优于单模态SSMVEP范式和单色SSVEP范式，在中等亮度（M）和C=0.6的面积比下，准确率最高可达83.81%±6.52%。客观测量和主观报告均证实了双模态运动-颜色融合范式的信噪比（SNR）有所提高，视觉疲劳有所减轻。研究结果验证了双模态运动-颜色融合范式在基于SSVEP的脑机接口（BCI）中的应用前景，能够同时提升脑部反应强度和用户舒适度。
长距离 alpha 同步作为 BCI 的控制信号
。CC-BY-NC-ND 4.0 国际许可证永久有效。它是在预印本（未经同行评审认证）下提供的，作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。此版本的版权持有者于 2022 年 12 月 19 日发布。；https://doi.org/10.1101/2022.05.25.493035 doi：bioRxiv 预印本
长距离 a 同步作为 BCI 的控制信号
摘要 空间注意的变化与α波段（α，8-14 Hz）活动的变化有关，特别是在半球间不平衡中。其潜在机制归因于局部α-同步，它调节神经兴奋的局部抑制，以及反映长距离通信的额顶叶同步。这种神经相关性的方向特异性使其具有作为脑机接口 (BCI) 控制信号的潜力。在本研究中，我们探索了长距离α-同步是否呈现依赖于自愿注意定向的侧化模式，以及这些神经模式是否可以在单次试验水平上被拾取以提供主动 BCI 的控制信号。我们在执行隐蔽视觉空间注意 (CVSA) 任务时从一群健康成人（n = 10）收集了脑电图 (EEG) 数据。数据显示，在目标呈现之后，额叶和顶枕区域之间呈现α-波段相位耦合的侧化模式，这与之前的发现一致。然而，这种模式在线索到目标定向间隔内并不明显，而这是 BCI 的理想时间窗口。此外，使用支持向量机 (SVM) 从线索锁定同步中逐次解码注意力方向是偶然的。目前的发现表明，EEG 可能无法在单次试验的基础上检测注意力定向中的长距离 a 同步，因此，凸显了该指标作为 BCI 控制的可靠信号的局限性。
长距离 alpha 同步作为 BCI 的控制信号
版权所有 © 2023 Esparza-Iaizzo 等人。这是一篇开放获取的文章，根据知识共享署名 4.0 国际许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，前提是正确署名原始作品。