XiaoMi-AI文件搜索系统
World File Search SystemBCIs
基于图形的运动想象脑机接口脑电图频谱动态递归量化分析
摘要 — 尽管不断进行研究，但基于脑机接口 (BCI) 的通信方法尚不是一种有效可靠的手段，严重残疾的患者可以依赖这种手段。迄今为止，大多数基于运动想象 (MI) 的 BCI 系统使用传统的频谱分析方法来提取判别特征并对相关的基于脑电图 (EEG) 的感觉运动节律 (SMR) 动态进行分类，这导致性能相对较低。在本研究中，我们调查了使用递归量化分析 (RQA) 和基于复杂网络理论图的特征提取方法作为提高 MI-BCI 性能的新方法的可行性。这些特征植根于混沌理论，探索了 MI 神经反应背后的非线性动力学，作为对 MI 进行分类的新信息维度。方法：将六名健康参与者执行 MI-Rest 任务时记录的 EEG 时间序列投射到多维相空间轨迹中，以构建相应的递归图 (RP)。从 RP 中提取了八个基于非线性图的 RQA 特征，然后通过 5 倍嵌套交叉验证程序与经典光谱特征进行比较，以使用线性支持向量机 (SVM) 分类器进行参数优化。结果：与经典特征相比，基于非线性图的 RQA 特征能够将 MI-BCI 的平均性能提高 5.8%。意义：这些发现表明，RQA 和复杂网络分析可以为 EEG 信号的非线性特征提供新的信息维度，从而提高 MI-BCI 性能。
跨主体辅助：间和主体内最大相关性，以增强基于SSVEP的BCIS
摘要 - 目的：通过使用单个校准数据，当前的最新方法显着提高了稳态诱发电位（SSVEP）的检测性能。但是，耗时的校准会限制了培训试验的数量，并可能导致视觉疲劳，从而削弱了单个培训数据的效率。为解决此问题，本研究提出了一种新型的受试者间和受试者内最大相关性（IISMC）方法，以通过采用跨主体间和受试者的相似性和可变性来增强SSVEP识别的鲁棒性。通过有效的转移学习，在相同任务下的类似经验在主题之间共享。方法：IISMC从自己和其他受试者中提取主题的特定信息和与任务相关的相似信息，通过最大化和内部对象内相关性来执行相同任务。多个弱分类器是由几个现有主题构建的，然后集成以通过平均加权来构建强晶格。最后，为目标识别获得了强大的融合预测指标。结果：在35个受试者的基准数据集上验证了所提出的框架，实验结果表明，IISMC获得的性能要比与TART与任务相关的成分分析（TRCA）的状态更好。明显：所提出的方法具有开发高速BCI的巨大潜力。
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。
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。
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。
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。
用于混合 BCI 中注意力分类的多模态 EEG 和眼动追踪特征融合方法
通常，各种模态会捕捉特定心理状态或活动的不同方面。虽然机器学习算法可以使用单一模态可靠地预测人类认知和行为的许多方面，但它们可以从多种模态的组合中受益。这就是混合 BCI 越来越受欢迎的原因。然而，组合多模态数据集中的特征并不总是那么简单。除了生成特征的方法外，还必须决定在分类过程中何时组合模态。在本研究中，我们将单模态 EEG 和眼动追踪对内部和外部注意力的分类与多模态方法在早期、中期和晚期融合中的应用进行了比较。在机会水平为 0.5 的二元数据集上，数据的后期融合实现了最高的分类准确率 0.609–0.675（95% 置信区间）。总体而言，结果表明，对于这些模态，中期或晚期融合方法比早期融合方法更合适。对观察到的趋势进行额外的验证将需要使用额外的数据集、替代特征生成机制、决策规则和神经网络设计。我们得出了一组在决定多模态注意力状态分类方法时需要考虑的前提。
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。
迈向多模式BCI：外围控制对运动皮层活动和代理意识的影响
摘要 - 近年来，使用运动图像的大脑计算机界面（BCI）显示出一些局限性在控制质量方面。为了改善这项有前途的技术，一些研究旨在与其他技术（例如眼睛跟踪）开发混合BCI，这些技术显示出更可靠的可靠性。但是，在机器人控制中使用眼动仪可能会自身影响机构感（SOA）（SOA）和用于运动图像（MI）区域的大脑活动。在这里，我们探讨了代理意识与运动皮层活动之间的联系。为此，我们使用了投影在表面上的虚拟臂，该虚拟手臂由运动捕获控制或使用眼迹器凝视控制。我们发现，在凝视控制任务期间，电动机皮层有一项活动，并且对预计的机器人臂的控制会带来显着差异，这与观察机器人移动的情况有很大的差异。
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。