XiaoMi-AI文件搜索系统
World File Search SystemBCIs
使用基于ERP的BCI的全面的家庭设备控制数据集，并应用了受试者间转移学习
大脑计算机界面（BCIS）有可能通过在大脑和计算机系统之间建立直接联系来彻底改变人类计算机的互动。最近的研究越来越关注BCIS的实际应用 - 例如，仅通过思想控制家庭设备。使用脑电图（EEG）的非侵入性BCI之一利用事件相关电位（ERP）来响应目标刺激，并在控制家庭设备方面表现出了希望。在本文中，我们提供了一个基于在线ERP的BCI的全面数据集，用于控制各种刺激呈现环境中的各种家用设备。我们从总共84位受试者中收集了在线BCI数据，其中60名受试者控制了三种类型的设备（电视：30，门锁：15和电灯：15），每个设备4个功能，14位受试者通过LCD监控器控制了6个功能的蓝牙扬声器，并通过LCD监控器进行4个功能，并通过4个受试者控制空调的空调，并通过4个功能通过4个功能。使用数据集，我们旨在通过采用两种不同方法的转移学习来解决ERP中受试者间可变性的问题。第一种方法是“范式转移学习”，旨在将模型推广到相同的刺激呈现范式内。第二种方法是“交叉范式转移学习”，涉及将模型从4级LCD环境扩展到不同的范式。结果表明，转移学习可以有效地增强基于ERP的跨不同受试者和环境的ERP的普遍性。
fnirs-eeg bcis用于运动康复：评论
1智能神经工程枢纽（Hubin），Aspire Create，IOMS，伦敦大学学院（UCL），伦敦Stanmore，伦敦HA7 HA7 4LP，英国伦敦大学学院（UCL）； jianan.chen.22@ucl.ac.uk（J.C。）; yunjia.xia.18@ucl.ac.uk（y.x。）; xinkai.zhou.21@ucl.ac.uk（X.Z。）; Alex.thomas@ucl.ac.uk（A.T。）2 DOT-HUB，伦敦大学学院（UCL）医学物理与生物医学工程系，英国伦敦WC1E 6BT； ernesto.vidal@ucl.ac.uk（e.v.r。）; robert.cooper@ucl.ac.uk（R.J.C.）3数字健康和生物医学工程，电子和计算机科学学院，南安普敦大学，南安普敦大学SO17 1BJ，英国4 Aspire Create，骨科与肌肉骨骼科学系，伦敦大学学院（UCL），斯坦莫尔大学，伦敦伦敦HA7 4LP，英国伦敦HA7 4LP； r.loureiro@ucl.ac.uk（R.L.）; t.carlson@ucl.ac.uk（T.C。）*通信：Hubin.zhao@ucl.ac.uk†这些作者对这项工作也同样贡献。
情感大脑 - 计算机界面（ABCIS）：教程
手稿于2022年10月4日收到； 2023年4月21日修订；接受出版日期2023年5月31日；当前版本的日期2023年10月11日。这项工作得到了STI 2030年的部分支持，即Major Project 2021ZD0201300，部分由惠田省基金为杰出的年轻学者根据2020CFA050的授予年轻学者提供了支持。（相应的作者：bin hu; Zhigang Zeng。）Dongrui Wu和Zhigang Zeng是教育部的重要实验室，用于图像处理和智能控制部，人工智能与自动化学院，瓦兹港科学技术大学，WUHAN 430074，中国（电子邮件：drwu@hust.hust.edu.cn; zgzengement;Bao-Liang Lu曾在上海Jiao Tong University，Shanghai 200240，中国的计算机科学与工程系，中国（电子邮件：bllu@sjtu.edu.edu.cn）。 bin hu曾与中国北京理工学院工程医学研究所一起，中国北京100811（电子邮件：bh@bit.edu.cn）。Bao-Liang Lu曾在上海Jiao Tong University，Shanghai 200240，中国的计算机科学与工程系，中国（电子邮件：bllu@sjtu.edu.edu.cn）。bin hu曾与中国北京理工学院工程医学研究所一起，中国北京100811（电子邮件：bh@bit.edu.cn）。
脑机接口中的信息传输速率
摘要。目的。信息传输速率 (ITR) 或有效比特率是一种流行且广泛使用的信息测量指标，尤其适用于基于 SSVEP 的脑机 (BCI) 接口。通过将速度和准确性结合为单值参数，该指标有助于评估和比较不同 BCI 社区中的各种目标识别算法。为了计算 ITR，通常假设输入分布均匀，并且通道模型过于简单，该模型无记忆、静止且本质上对称，字母大小离散。因此，为了准确描述性能并启发未来 BCI 设计的端到端设计，需要更彻底地检查和定义 ITR。方法。我们将视网膜膝状体视觉通路承载的共生通信介质建模为离散无记忆通道，并使用修改后的容量表达式重新定义 ITR。我们利用有向图的结果来表征由于新定义导致的转换统计不对称与 ITR 增益之间的关系，从而得出数据速率性能的潜在界限。主要结果。在两个著名的 SSVEP 数据集上，我们比较了两种尖端目标识别方法。结果表明，诱导的 DM 通道不对称对实际感知的 ITR 的影响大于输入分布的变化。此外，证明了新定义下的 ITR 增益与通道转换统计的不对称呈反比。进一步表明，单独的输入定制可以带来感知的 ITR 性能改进。最后，提出了一种算法来寻找二分类的容量，并进一步讨论了通过集成技术将这些结果扩展到多类情况。意义。我们期望我们的研究结果将有助于表征高度动态的 BCI 通道容量、性能阈值和改进的 BCI 刺激设计，以实现人脑与计算机系统之间更紧密的共生，同时确保有效利用底层通信资源。
整合邻近刺激数据以增强基于 SSVEP 的 BCI
摘要 — 为了增强基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了各种空间滤波器。当前的方法仅从相应刺激中提取目标相关信息来学习空间滤波器参数。然而，来自邻近刺激的 SSVEP 数据也包含目标刺激的频率信息，可用于进一步提高目标识别性能。在本文中，我们提出了一种结合来自邻近刺激的 SSVEP 来增强目标相关频率信息的新方法。首先，通过最大化对应于目标及其邻近刺激的 SSVEP 数据的协方差之和来获得空间滤波器。然后计算空间滤波模板和测试数据之间的相关特征以进行目标检测。为了进行性能评估，我们使用来自 35 名受试者的 40 类基准数据集和来自 11 名受试者的 12 个目标自收集数据集进行了离线实验。与最先进的空间滤波方法相比，所提出的方法在分类准确率和信息传输速率 (ITR) 方面表现出优势。比较结果证明了所提出的空间滤波器对于基于 SSVEP 的 BCI 中的目标识别的有效性。
社论：BCIS：儿童的研发
数百万患有严重神经系统障碍的儿童与世界建立联系的能力有限，剥夺了他们的基本权利。大脑计算机界面（BCIS）是一种快速发展的潜在解决方案。尽管BCI技术和设计方面取得了进展以及良好的需求，但孩子们几乎完全忽略了BCI研究。这正在发生变化，该研究主题提供了具体的例子，说明了小儿BCI快速新兴领域的基本问题。面向患者的方法对于满足儿科种群需求的BCI的设计至关重要。与以患者为导向的设计相符，Rowley等。将功率流动性确定为严重神经残疾儿童家庭的一个共同目标。他们证明了临床小儿BCI计划组织试验临床试验的能力，将简单，实用的BCI系统与已建立的功率流动培训技术相结合。得到参与者家庭的认可，其结果证明了这种方法的可行性，并提供了有望推动未来研究的功能性能的证据。BCI与其他辅助技术的杂交是一种良好的策略，可最大程度地提高性能和实际影响。尽管很容易想象这种技术的引人注目的用途，但迄今为止，儿童的研究受到限制。填补了这一差距，墨西岛和亚当斯对基于混合EEG的BCI系统进行了广泛的审查，从有复杂需求的儿童及其家人的角度来看。Jadavji等。包括> 40项相关研究，它们描述了混合BCIS设计的多种策略，包括选择系统和范式元素，这些策略有望为未来的研究提供信息，并可以帮助将现代的杂交方法带入小儿BCI。使用BCI用于临床康复是一个快速发展的研究领域，与小儿种群特别相关。例如，即使在半脑膜大脑麻痹的儿童中发现了可比的负担，所有关于中风引起的偏瘫的BCI的研究都集中在成年人群上。迈出了缩小差距的第一步是将BCI与围产期卒中和半肢体的一组儿童组合BCI与功能性电刺激（BCI-FES）相结合的第一个初步试验。确认患有较大脑病变的儿童操作简单的BCI系统以及配对运动EEG信号的可耐受性，并在paretic肢中执行功能运动。第2阶段临床试验似乎处于直接状态。
基于SSVEP的BCIS
摘要 - 稳定的视觉诱发电位（SSVEP）基于脑部计算机界面（BCIS），由于其快速通信速率和高信噪比，近年来已经大量研究了基本的研究。传输学习通常用于通过来自源域的辅助数据来提高基于SSVEP的BCI的性能。这项研究提出了一种通过转移模板和转移的空间过滤器来增强SSVEP识别性能的间接转移学习方法。在我们的方法中，通过多个协方差最大化训练空间过滤器，以提取与SSVEP相关的信息。培训试验，单个模板和人工构造的参考之间的关系涉及培训过程。将空间过滤器应用于上述模板以形成两个新的传输模板，并通过最小平方的回归获得了传输的空间滤波器。可以根据源主题和目标受试者之间的距离来计算不同源主题的贡献得分。最后，为SSVEP检测构建了四维特征向量。为了证明所提出的方法的有效性，采用了公开可用的数据集和一个自收集的数据集进行绩效评估。广泛的实验结果验证了提出的改善SSVEP检测方法的可行性。
使用可穿戴技术实现基于脑电图的运动想象范式脑机接口：系统评价
摘要：近几十年来，通过脑电图 (EEG) 技术自动识别和解释脑电波的技术取得了显著进展，从而推动了脑机接口 (BCI) 的快速发展。基于 EEG 的 BCI 是一种非侵入式系统，可实现人与直接解释大脑活动的外部设备之间的通信。得益于神经技术的进步，尤其是可穿戴设备领域的进步，BCI 现在也用于医疗和临床应用之外。在此背景下，本文提出了基于 EEG 的 BCI 的系统综述，重点关注最有前途的基于运动想象 (MI) 的范例之一，并将分析限制在采用可穿戴设备的应用范围内。本综述旨在从技术和计算的角度评估这些系统的成熟度。论文的评选遵循了系统评价和荟萃分析的首选报告项目 (PRISMA)，在过去十年（2012 年至 2022 年）中共评选出 84 篇论文。除了技术和计算方面，本评论还旨在系统地列出实验范例和可用数据集，以确定开发新应用和计算模型的基准和指南。
脑机接口在中风后运动康复中的可接受性建模：一项针对普通公众的大规模研究
简介：中风后，约 40% 的幸存者在日常生活中依赖他人，尤其是严重的运动障碍。脑机接口 (BCI) 已被证明可有效改善中风后的运动恢复，但这种效率仍远未达到临床医生和患者所期望的临床突破所需的水平。虽然已经确定了改进的技术手段（例如传感器和信号处理），但如果患者和临床医生不能或不想使用，完全优化的 BCI 是毫无意义的。我们假设，提高 BCI 的可接受性将降低患者的焦虑水平，同时提高他们在手术中的积极性和参与度，从而最终有利于学习和运动恢复。换句话说，可接受性可以作为提高 BCI 效率的杠杆。然而，基于可接受性/接受度文献的 BCI 研究尚不完善。因此，我们的目标是在中风后运动康复的背景下对 BCI 的可接受性进行建模，并确定其决定因素。
在中风康复中使用运动想象脑机接口的虚构输入来调节挫折感和能动性
摘要 脑机接口 (BCI) 可作为中风康复的一种手段，但较低的 BCI 性能会降低自主性 (用户的感知控制)，使用户感到沮丧，从而妨碍康复。在这些康复任务中，BCI 可以实现虚构的输入 (预先编程的正反馈)，从而改善自主性并减少沮丧。两项针对健康受试者和中风患者的子研究通过完成游戏和简单任务调查了这种潜力：1) 16 名健康受试者使用基于运动想象的在线 BCI；2) 13 名中风患者使用基于通过眼动仪进行眨眼检测的替代 BCI 系统来获得高度可靠的输入信号。子研究 1 在四种条件下测量了感知控制和沮丧：1) 不变的 BCI 控制，2) 30% 保证来自虚构输入的正反馈 3) 50% 保证的负反馈，和 4) 50% 保证的负反馈和 30% 保证的正反馈。在子研究 2 中，中风患者对结果的控制率为 50%，四种情况增加了从 0% 到 50% 的正反馈。在两项子研究中，正反馈提高了参与者的感知控制力并减少了挫败感，并且随着正向虚构输入量的增加，改善程度也随之增加。中风患者对虚构输入的反应不如健康参与者那么强烈。虚构输入可以隐藏在在线和代理 BCI 中，可用于改善基于游戏的交互和简单任务中的感知控制力和挫败感。这表明 BCI 设计师可以发挥艺术自由，创造引人入胜的基于运动意象的叙事游戏交互或更简单的游戏化交互，以促进改进培训工作。