XiaoMi-AI文件搜索系统
World File Search SystemCYBATHLON
长期非侵入性大脑的设计注意事项...
最近的几项研究表明，大脑计算机界面（BCI）技术如何揭示各种任务的神经机制并将其转化为控制命令。虽然许多研究表明了BCI的理论潜力，但关注的一点是，这些研究仍在实验室环境中确定，并且大部分限于健康，健美的受试者。Cybathlon 2020 BCI竞赛是一个机会，可以进一步制定BCI设计策略，以与四边形最终用户一起在实时应用中使用。在这项研究中，作为参与Cybathlon 2020 BCI种族的准备工作的一部分，我们研究了BCI的设计方面，尤其是其组件的选择，尤其是校准范式的类型及其对长期使用的相关性。最终目标是开发一个适合长期使用的用户友好且引人入胜的界面，尤其是针对脊柱受伤（SCI）患者。使用预训练的BCI解码器，我们比较了常规开环校准范式与实时闭环范式的效率。各种绩效指标，包括由此产生的分类性能，游戏完成时间，大脑激活图以及飞行员的主观反馈。我们的结果表明，具有实时反馈的闭环校准范例对于飞行员而言更具吸引力。与传统的校准范式相比，他们还表明表明可以实现更好的在线中间分类性能（p = 0.0008）。我们还观察到，在闭环范式中引起了更强，更局部的大脑激活模式，其中实验界面与最终应用非常相似。因此，基于对单个受试者数据的纵向评估，我们证明了具有主动用户参与的基于BCI的校准范例，例如实时反馈，可以帮助实现更好的用户可接受性和性能。
四肢瘫痪用户的长期 BCI 训练：自适应黎曼分类器和用户训练
基于脑电图 (EEG) 的脑机接口 (BCI) 通常被认为是针对运动障碍用户的有前途的辅助技术，但由于在现实生活中的可靠性低，在实验室外仍很少使用。因此，需要设计可供最终用户（例如严重运动障碍者）在实验室外使用的长期可靠的 BCI。因此，我们提出并评估了一种基于多类心理任务 (MT) 的 BCI 设计，用于为 CYBATHLON BCI 系列 2019 的四肢瘫痪用户进行纵向训练（3 个月内 20 次训练）。在本次 BCI 锦标赛中，四肢瘫痪的飞行员在赛车游戏中用精神驾驶虚拟汽车。我们旨在将渐进式用户 MT-BCI 训练与基于自适应黎曼分类器的新设计的机器学习流程相结合，该分类器已被证明有望在现实生活中应用。我们遵循两步训练过程：前 11 个课程用于训练用户通过执行两个认知任务（休息和心理减法）或两个运动想象任务（左手和右手）来控制 2 类 MT-BCI。第二个训练步骤（剩余 9 个课程）应用了自适应、独立于会话的黎曼分类器，该分类器结合了之前使用的所有 4 个 MT 类别。此外，由于我们的黎曼分类器以无监督的方式逐步更新，因此它将捕获会话内和会话之间的非平稳性。实验证据证实了这种方法的有效性。也就是说，与初始课程相比，训练结束时的分类准确率提高了约 30%。我们还研究了这种性能改进的神经相关性。使用新提出的 BCI 用户学习指标，我们可以显示我们的用户学会了通过产生越来越匹配 BCI 分类器训练数据分布的 EEG 信号来改善他的 BCI 控制，而不是通过改善他的 EEG 类别辨别。然而，由此产生的改进只对同步（基于提示）BCI 有效，并没有转化为 CYBATHLON BCI 游戏性能的提高。为了克服这个问题