XiaoMi-AI文件搜索系统
World File Search SystemBCI
评估神经生理模式的相关性以预测基于运动想象的 BCI 用户的表现
摘要 —基于运动想象的脑机接口 (MI-BCI) 允许用户仅使用大脑活动来控制计算机以执行各种应用，而大脑活动通常由脑电图 (EEG) 记录。尽管 BCI 应用众多，但由于其准确性较差，它们在实验室外的使用仍然很少。一些用户无法使用 BCI，这种现象有时被称为“BCI 文盲”，影响了大约 10% 到 30% 的 BCI 用户，他们无法产生可辨别的 EEG 模式。通过进行神经生理学分析，尤其是通过识别 BCI 性能的神经生理学预测因子，我们可以更好地理解这种现象及其原因。反过来，这也可能帮助我们更好地理解并从而可能改进 BCI 用户培训。因此，本文提出了专用于预测 MI-BCI 用户表现的统计模型，该模型基于从“睁眼放松”条件下的两分钟 EEG 记录中提取的神经生理学用户特征。我们考虑了 56 名受试者在进行 MI-BCI 实验之前在“睁眼放松”条件下记录的数据。我们使用机器学习回归算法和留一交叉验证来构建我们的预测模型。我们还计算了这些特征（神经生理预测因子）与用户的 MI-BCI 表现之间的不同相关性。我们的结果表明，此类模型可以比偶然性（p ≤ 0.01）更好地预测用户表现，但平均绝对误差相对较高，为 12.43%。我们还发现我们的一些特征与性能之间存在显着的相关性，包括之前探索的 µµµ 波段预测因子，以及这里提出的新预测因子：µµµ 峰值位置变异性。因此，这些结果有助于更好地理解和预测 BCI 文盲。但是，它们还需要进一步改进才能获得更可靠的预测。索引词 — 脑机接口 (BCI)、脑电图 (EEG)、神经生理预测指标
基于类独特性的黎曼流形上基于振荡活动的 BCI 的频带选择：初步结果
摘要 — 众所周知，考虑用户特定设置可以增强脑机接口 (BCI) 的性能。特别是，振荡活动分类的最佳频带高度依赖于用户，过去二十年已经开发了许多频带选择方法。然而，这些传统方法是否可以有效地应用于黎曼 BCI 尚未得到很好的研究，黎曼 BCI 是一类新兴的 BCI 系统，与传统 BCI 管道不同，它利用了数据的非欧几里得性质。在本文中，我们提出了一种基于黎曼流形的新型频带选择方法。选择频带时，考虑到基于流形上的类间距离和类内方差量化的类独特性。该方法的一个优点是可以针对每个人调整频带，而无需进行密集的优化步骤。在使用基于运动想象的 BCI 公共数据集的比较实验中，我们的方法比固定宽频带和流行的传统频带选择方法的平均准确率有显著提高。尤其是，我们的方法显著提高了最初准确度较低的受试者的表现。这一初步结果表明，开发考虑流形属性的新用户特定设置算法的重要性，而不是直接应用在黎曼 BCI 兴起之前开发的方法。
运动意象过程中的 ERD 调节与用户特征和 BCI 性能相关
摘要 — 提高用户表现是基于运动想象 (MI) 的 BCI 控制的主要问题之一。MI-BCI 利用运动和感觉运动皮层上的感觉运动节律 (SMR) 的调制来区分几种心理状态并实现用户交互。这种调制被称为事件相关去同步 (ERD) 和同步 (ERS)，来自 mu (7-13 Hz) 和 beta (15-30 Hz) 频带。这种 BCI 开辟了有希望的领域，特别是控制辅助技术、运动训练甚至中风后运动康复。然而，MI-BCI 在实验室外仍然很少使用，主要是因为它们缺乏稳健性和可用性（15% 到 30% 的用户似乎无法控制 MI-BCI）。提高用户表现的一种方法是更好地了解用户特征与 BCI 性能背后的 ERD/ERS 调制之间的关系。因此，在本文中，我们在一个包含 75 名参与者的大型 MI-BCI 数据库中分析了 MI 任务（即 ERD 和 ERS）背后的大脑运动模式如何根据 (i) 任务性质（即右手 MI 和左手 MI）、(ii) 执行任务的会话（即校准或用户培训）和 (iii) 用户特征（例如年龄、性别、手动活动、性格特征）进行调节。本研究的独创性之一是将与用户特征相关的人为因素研究与 MI 任务期间的神经生理 ERD 调节结合起来。我们的研究首次从 16PF5 问卷中揭示了 ERD 与自我控制之间的关联。
主动推理作为基于 P300 的 BCI 的统一、通用和自适应框架
摘要。目的。适应性是脑机接口 (BCI) 领域的一大挑战。这需要机器能够最佳地表达有关用户意图及其自身行为的推理。适应性可以在多个维度上进行，因此需要一个通用且灵活的框架。方法。我们采用最全面的大脑 (自适应) 功能计算方法之一：主动推理 (AI) 框架。它需要一个与机器交互的用户的显式 (概率) 模型，这里涉及 P300 拼写任务。这采用离散输入输出状态空间模型的形式，建立机器的 (i) 观察值（例如 P300 或错误电位）、(ii) 表示（用户拼写或暂停的意图）和 (iii) 操作（闪烁、拼写或关闭应用程序）之间的联系。主要结果。使用来自 18 名受试者的真实 EEG 数据进行模拟，结果表明 AI 能够显著提高比特率 (17%)，优于最先进的方法，例如动态停止。意义重大。由于其灵活性，该模型不仅能够实现最佳（动态）停止，还能实现最佳闪烁（即主动采样）、自动纠错以及在用户不再看屏幕时关闭。重要的是，这种方法使机器能够灵活地在所有这些可能的操作之间进行仲裁。我们将 AI 展示为一个统一的通用框架，用于在给定的 BCI 环境中实现灵活的交互。
具有间断性的 BCI 的黎曼通道选择......
摘要— 目标：会话间非平稳性是当前脑机接口 (BCI) 面临的主要挑战，会影响系统性能。在本文中，我们研究了使用通道选择来减少黎曼 BCI 分类器的会话间非平稳性。我们使用协方差矩阵的黎曼几何框架，因为它具有鲁棒性和良好的性能。当前的黎曼通道选择方法不考虑会话间非平稳性，通常在单个会话中进行测试。在这里，我们提出了一种新的通道选择方法，该方法专门考虑非平稳性影响，并在多会话 BCI 数据集上进行评估。方法：我们使用顺序浮动后向选择搜索策略删除最不重要的通道。我们的贡献包括：1) 在黎曼框架中通过不同标准量化多类问题中非平稳性对大脑活动的影响；2) 一种预测 BCI 性能是否可以通过通道选择提高的方法。结果：我们在三个基于多会话和多类心理任务 (MT) 的 BCI 数据集上评估了所提出的方法。与使用所有通道相比，它们可以显著提高受会话间非平稳性影响的数据集的性能，并且在所有数据集上都明显优于最先进的黎曼通道选择方法，尤其是在选择小通道集大小时。结论：通过通道选择降低非平稳性可以显著提高黎曼 BCI 分类准确性。意义：我们提出的通道选择方法有助于使黎曼 BCI 分类器对会话间非平稳性更具鲁棒性。索引词——脑机接口、EEG、黎曼流形、通道选择、非平稳性。
为什么我们应该在基于 BCI 的中风后运动康复研究中系统地评估、控制和报告体感障碍
中风导致的神经元损失迫使 80% 的患者接受运动康复治疗，为此可以使用脑机接口 (BCI) 和神经反馈 (NF)。在康复过程中，当患者尝试或想象执行动作时，BCI/NF 会根据他们的感觉运动相关大脑活动为他们提供同步的感觉（例如触觉）反馈，旨在促进大脑可塑性和运动恢复。上升（即体感）和下降（即运动）网络的共同激活确实能够显著改善功能性运动，并产生显著的感觉运动相关神经生理变化。体感能力对于患者感知 BCI 系统提供的反馈至关重要。因此，体感障碍可能会显著改变基于 BCI 的运动康复的效率。为了准确理解和评估体感障碍的影响，我们首先回顾了中风后基于 BCI 的运动康复的文献（14 项随机临床试验）。我们表明，尽管体感能力在基于 BCI 的卒中后运动康复中发挥着核心作用，但后者很少在相关文献中被报道和用作纳入/排除标准。然后，我们认为，体感能力已被反复证明会影响一般的运动康复结果。这强调了在基于 BCI 的卒中后康复中也考虑它们并在文献中报告它们的重要性，特别是因为一半的卒中后患者患有体感障碍。我们认为，如果我们想准确评估体感能力对 BCI 效率的影响，就应该系统地评估、控制和报告体感能力。不这样做可能会导致对报告结果的误解，而这样做可以提高 (1) 我们对运动恢复机制的理解 (2) 我们根据患者的障碍调整治疗的能力和 (3) 我们对文献中提到的受试者间和研究间治疗结果差异的理解。
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。
事件相关去同步变化是否与 BCI 性能相关？
摘要 — 尽管目前已有研究，但运动想象 (MI) 任务中产生的事件相关去同步 (ERD) 的变异性与 MI-BCI 性能之间的关系仍未得到很好的理解。事实上，之前的许多研究表明，ERD 模式在受试者之间和受试者内存在很大的变异性，但仍然难以理解这种变异的起源。缺乏对大脑运动模式变异性的了解限制了提高 BCI 性能的可能性，BCI 的性能平均仍然很差。我们认为，更好地了解 BCI 使用过程中 ERD 的变异性对于开发有效的接口至关重要。事实上，大多数研究都忽视了对 MI 期间试验间 ERD 及其整个实验会话期间的变异性的分析，这些研究主要集中于识别跨试验平均甚至跨参与者的 ERD 模式。在本研究中，我们计划分析大型 MI-BCI 数据库（n=75 名受试者），并研究右手和左手 MIs 任务（即 ERD）背后的大脑运动模式的个体间/个体内变异性与 BCI 性能之间的关系。我们的研究表明，尽管 ERD 幅度和基线功率与 BCI 性能相关，但 ERD 幅度或基线功率的变异性却无关。索引术语 — 运动意象；脑机接口；脑电图；变异性
心理意象 BCI 用户培训的物理学习伴侣
基于心理意象的脑机接口 (MI-BCI) 提供了与数字技术（如轮椅或神经假体）交互的新机会，只需执行心理意象任务（例如，想象物体旋转或想象手部运动）。MI-BCI 还可用于多种应用，如通信或中风后康复。不过，它们缺乏可靠性仍然是该技术大规模发展的障碍。例如，平均 75% 的时间可以识别两个任务之间的一项任务。研究表明，如果用户不自主或紧张，他们更有可能在使用 MI-BCI 时遇到困难。这可能至少部分是由于缺乏社交存在和情感支持，尽管教育文献中有建议，但这些在 MI-BCI 中还很少得到测试。提供这种社交和情感背景的一种方法是使用学习伴侣。因此，我们设计、实施和评估了第一个致力于改进 MI-BCI 用户培训的学习伴侣。我们将这个伴侣命名为 PEANUT，即用于神经技术用户培训的个性化情感代理。PEANUT 通过结合发音句子和面部表情的干预，根据用户的表现和进度提供社交临场感和情感支持。它是基于文献、数据分析和用户研究而设计的。我们特别进行了各种在线用户调查，以确定我们的学习伴侣在外观和支持性语音内容方面的理想特征。从这些调查的结果中，我们特别推断出根据学习者的表现和进步，应该使用哪些句子的特征（个人/非个人、感叹/陈述）。我们还发现眉毛可以增加卡通脸的表现力。然后，一旦这个伴侣
量子BCI全球灵活的资金基金（a）MQWF ...
投资政策量子BCI全球灵活的资金基金是灵活的全球基金。投资目标是最大化长期总回报。它将投资广泛的参与式利益和其他形式的参与计划，涵盖广泛的投资理念，以实现反映投资组合投资目标的投资组合。投资将除了液体形式的资产外，还将仅包括参与式利益和其他形式的本地和全球集体投资计划的参与，或其他类似计划的参与，对股票证券，财产证券，非股权证券，债券，债券，债券，偏好和货币市场工具进行投资。经理应在各个市场，资产类别和国家之间具有最大的灵活性，以反映不断变化的经济和市场状况。投资组合经理正在以最小海上敞口为80％的投资组合管理投资组合。