XiaoMi-AI文件搜索系统
World File Search SystemBCI
探索丰富环境中的多模式 BCI 策略
摘要 — 脑机接口依赖于看似简单但实际执行起来却很复杂的认知任务。在这种情况下，提供引人入胜的反馈和主体的体现是整个系统性能的关键之一。然而，事实证明，单靠非侵入性大脑活动通常不足以精确控制机械臂等复杂外部设备的所有自由度。在这里，我们开发了一种混合 BCI，它还集成了眼动追踪技术，以提高主体的整体代理感。虽然之前已经探索过这种解决方案，但如何结合凝视和大脑活动以获得有效结果的最佳策略研究甚少。为了解决这一差距，我们探索了两种不同的策略，其中执行运动想象的时间会发生变化；一种策略可能比另一种策略更不直观，这会导致性能差异。
基于异步运动的 BCI 中快速生成训练数据的新范例
简介：基于运动的脑机接口 (BCI) 利用执行或尝试运动期间产生的大脑活动来控制应用程序。通过依赖自然运动过程，这些 BCI 与其他 BCI 系统相比提供了更直观的控制。然而，利用脑电图 (EEG) 信号的非侵入式基于运动的 BCI 通常需要大量训练数据才能在检测运动意图方面达到适当的准确度。此外，运动障碍患者需要基于提示的范例来指示与运动相关的任务的开始。这样的范例往往会在试验之间引入较长的延迟，从而延长训练时间。为了解决这个问题，我们提出了一种新颖的实验范例，可以在 18 分钟内收集 300 次提示运动试验。
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。
在BCI竞赛中为运动障碍用户进行的多个多阶段培训
图4。在训练阶段应用的实验4级范式。用户必须执行每个控制任务（RH，MUS，LAN）5 s。每个任务都与将任务图标与在适当时间瞬间从游戏中提取的图像相结合而制作的图像相关联。对应于无控制任务（NC）的其余间隔的总持续时间为12 s。在此休息间隔的5秒钟后，屏幕上出现了一个绿十字，持续2 s，以提高飞行员的浓度。
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。
基于EEG的听觉注意检测及其对被动BCI的未来应用
在复杂的听觉环境中区分和参加一个特定声音源的能力是有效交流的基本技能。的确，它使我们可以在酒吧里与朋友进行家庭对话或讨论。这种能力在听力受损的个体中受到挑战，并且更准确地说是有人工耳蜗（CI）的能力。的确，由于植入物的光谱分辨率有限，在嘈杂的环境或同时听觉来源的情况下，听觉感知仍然很差。最近的方法学进步允许现在根据神经信号检测，该神经信号在一个人正在关注的多个并发流中的听觉流。这种称为基于脑电图的听觉注意检测（AAD）的方法基于基本研究发现，表明，在多语音方案中，与无人看管的语音相比，在多语音方案中，对播放的语音信封的皮质跟踪得到了增强。在这些发现之后，其他研究表明，可以使用脑电图/脑电图（脑电图/磁脑摄影）来探索在鸡尾酒派对的情况下语音聆听期间探索听觉的关注。总的来说，这些发现使人们可以构想下一代助听器将习惯技术和AAD结合在一起。重要的是，AAD在被动BCI的背景下，在教育环境以及互动音乐表演的背景下也具有巨大的潜力。在这篇迷你综述中，我们首先介绍了AAD的不同方法和全球概念的主要局限性。然后，我们在非临床被动BCI领域暴露其潜在应用。
通过侵入式脑机接口进行神经元干扰网络攻击，影响需要视觉能力的任务的解决
根据侵入性，BCI 主要分为两类。非侵入式 BCI 无需手术即可从外部刺激大脑。尽管某些技术可以针对大脑的较小区域，但非侵入式 BCI 可以覆盖大脑的较大区域。相比之下，侵入式系统可以应用于小区域，甚至具有单神经元分辨率，但会带来更高的生理风险（Ramadan 和 Vasilakos，2017 年）。基于 BCI 的相关性和扩展性，近年来出现了新的技术和公司，专注于开发新的侵入式系统，以神经元粒度刺激大脑。Neuralink 就是一个例子（Musk 和 Neuralink，2019 年），这家公司设计了颠覆性的 BCI 系统来记录神经元级别的数据，目前正致力于覆盖刺激功能。此外，神经尘埃（Seo 等人，2013）是一种由数百万个位于大脑皮层中的纳米级可植入设备组成的架构，可以进行神经记录。神经尘埃的演变是无线光遗传学纳米网络设备 (WiOptND)（Wirdatmadja 等人，2017），它使用光遗传学来刺激神经元。尽管这些方法很有前景，但 Bernal 等人 (2020) 的作者表明，它们存在漏洞，可能允许攻击者控制两个系统并执行恶意刺激动作，从而改变自发的神经元信号。根据攻击的覆盖范围（就大脑区域和受影响的神经元数量而言），网络攻击者可能会造成永久性脑损伤，甚至导致患者死亡。在同一方向上，Bernal 等人 (2021) 发现 BCI 的网络安全领域还不够成熟，非复杂的攻击可能会造成重大损害。总之，攻击者可以利用 BCI 漏洞来利用这些有前途的神经刺激技术。以这些研究的发现为动机，本文重点关注针对旨在改变神经元行为的网络攻击的稀缺研究。此外，还需要新的方法来衡量和理解这些攻击的影响。特别是，这些问题具有特殊的意义，因为攻击可能会恶化或重现常见神经退行性疾病的影响（Bernal 等人，2021 年）。为了改进以前的挑战，这项工作的主要贡献是定义和实施一种新的神经元网络攻击，即神经元干扰网络攻击 (JAM)，重点关注神经活动的抑制。本研究旨在探索抑制性神经元网络攻击对大脑的影响。然而，文献中缺乏全面的神经元拓扑结构，因此，我们模拟了小鼠视觉皮层的一部分，放置在大脑的枕叶区域，定义了小鼠试图离开特定迷宫的用例。神经元拓扑是使用经过训练以解决此特定用例的卷积神经网络 (CNN)（Géron，2019）构建的。这项工作的第二个贡献是评估了 JAM 网络攻击对特定场景中的神经元和人工模拟造成的影响。为了进行分析，我们使用了现有指标，但也定义了一组新指标，得出结论：JAM 网络攻击可以改变自发的神经元行为，并迫使小鼠做出不稳定的决定以逃离迷宫。
基于拼写的语言神经解码 BCI 系统
摘要 — 脑机接口 (BCI) 通过将神经活动直接转换成文本，消除了身体动作的需要，从而提供了一种有前途的途径。然而，现有的非侵入式 BCI 系统尚未成功覆盖整个字母表，限制了它们的实用性。在本文中，我们提出了一种新型的非侵入式基于 EEG 的 BCI 系统，该系统具有基于课程的神经拼写框架，它首先通过解码与手写相关的神经信号来识别所有 26 个字母，然后应用生成式 AI (GenAI) 来增强基于拼写的神经语言解码任务。我们的方法结合了手写的便利性和 EEG 技术的可访问性，利用先进的神经解码算法和预训练的大型语言模型 (LLM) 将 EEG 模式高精度地转换为文本。该系统展示了 GenAI 如何提高典型的基于拼写的神经语言解码任务的性能，并解决了以前方法的局限性，为有沟通障碍的个人提供了可扩展且用户友好的解决方案，从而增强了包容性的沟通选择。
黎曼几何用于结合 BCI 中的功能连接度量和协方差
脑机接口不需要任何肌肉能力就能进行交流，因此被广泛研究用于帮助运动障碍患者。脑电图 (EEG) 作为一种低成本、轻量级的技术，是记录大脑活动产生的电位的常用方法 [1]。尽管 BCI 有着广泛的临床应用，但它却无法在实验室外使用。需要克服的主要挑战之一是受试者之间高度的差异性，在文献中称为“BCI 效率低下”现象，相当一部分用户即使经过几次训练后仍无法控制 BCI 设备。解决这个问题的有效方法之一是改进神经解码器 [2]。为此，研究得出了依赖于协方差矩阵的新特征，例如，对于 𝑇 信号样本的 EEG 信号 𝑋，𝐶𝑜𝑣 = 1 𝑇 −1 𝑋𝑋 ⊤，以及邻接矩阵。这些邻接矩阵是
基于突发 c-VEP 的 BCI：优化刺激设计，以最少的校准数据增强分类并改善用户体验
利用代码调制视觉诱发电位 (c-VEP) 形式的非周期性闪烁视觉刺激代表了反应性脑机接口 (rBCI) 领域的一项关键进步。c-VEP 方法的主要优势在于模型的训练与目标的数量和复杂性无关，这有助于减少校准时间。尽管如此，现有的 c-VEP 刺激设计可以在视觉用户体验方面进一步改进，同时实现更高的信噪比，同时缩短选择时间和校准过程。在本研究中，我们介绍了一种创新的代码 VEP 变体，称为“突发 c-VEP”。这种原创方法涉及以故意缓慢的速率呈现短暂的非周期性视觉闪光，通常每秒闪光两次到四次。这种设计背后的原理是利用初级视觉皮层对低级刺激特征的瞬时变化的敏感性来可靠地引发一系列独特的视觉诱发电位。与其他类型的快节奏代码序列相比，突发 c-VEP 表现出良好的特性，可以使用卷积神经网络 (CNN) 实现高按位解码性能，从而有可能在需要更少校准数据的情况下实现更快的选择时间。此外，我们的研究重点是通过减弱视觉刺激对比度和强度来降低 c-VEP 的感知显着性，以显著提高用户的视觉舒适度。通过涉及 12 名参与者的离线 4 类 c-VEP 协议测试了所提出的解决方案。按照因子设计，参与者被指示关注 c-VEP 目标，其模式（突发和最大长度序列）和幅度（100% 或 40% 幅度深度调制）在实验条件下被操纵。首先，全幅突发 c-VEP 序列表现出更高的准确度，范围从 90.5%（使用 17.6 秒的校准数据）到 95.6%（使用 52.8 秒的校准数据），而 m 序列的准确度为 71.4% 到 85.0%。两种代码的平均选择时间（1.5 秒）与之前研究报告相比更为有利。其次，我们的研究结果表明，降低刺激强度仅会稍微降低突发代码序列的准确度至 94.2%，同时会显着改善用户体验。总之，这些结果证明了所提出的突发代码在性能和可用性方面推进反应式 BCI 的巨大潜力。收集的数据集以及所提出的 CNN 架构实现均通过开放存取存储库共享。