XiaoMi-AI文件搜索系统
World File Search SystemECOG
在ECOG中解码秘密演讲的可行性，具有在公开语音>的变压器中
在听觉语音感知，公开的言语，或想象的语音（covert）演讲中，已经对语音脑 - 计算机接口（BCI）进行了用于解码音素，子词，单词或句子的解码，例如电代理图（ECOG）。从秘密语音中解码句子是一项具有挑战性的任务。有16例颅内植入电极的癫痫患者参加了这项研究，并且在公开的言语，秘密语音和八个日本句子的被动聆听期间记录了ECOG，每个句子由三个令牌组成。将变压器神经网络模型应用于Covert语音的解码文本句子，该句子是使用公开语音中获得的ECOG培训的。我们首先使用相同的任务进行训练和测试检查了提出的变压器模型，然后在使用公开或感知任务进行培训时评估了模型的性能，以解码秘密语音。在秘密演讲中训练的变压器模型的平均令牌错误率（TER）为46.6％，用于解码秘密演讲，而在公开语音上训练的模型的可比较TER为46.3％（p>0。05; d = 0。07）。因此，可以使用公开语音来解决秘密语音培训数据的挑战。秘密语音的表现可以通过使用大量公开语音来改善。
脑电图上的前额叶高伽马标记感知和想象中的音乐节奏周期性
摘要 已知有节奏的听觉刺激能引发神经群体中匹配的活动模式。此外，最近的研究表明高伽马大脑活动在听觉处理中具有特殊重要性，因为它参与了听觉短语分割和包络跟踪。在这里，我们使用来自 8 名人类听众的皮层脑电图 (ECoG) 记录来查看在节奏感知和想象过程中高伽马活动的周期性是否跟踪音乐节奏包络中的周期性。通过指示参与者想象节奏在几次重复的停顿期间继续，可以引发节奏想象。为了确定高伽马活动周期跟踪音乐节奏周期的电极，我们计算了音乐节奏和神经信号的自相关 (ACC) 之间的相关性。参与者听白噪声的条件用于建立基线。颞上回听觉区和两个半球额叶区域的高伽马自相关与音乐节奏的自相关显著匹配。总体而言，在右半球观察到大量重要的电极。特别有趣的是右前额叶皮层中的一大群电极在节奏感知和想象时都处于活跃状态。这表明有意识地处理节奏的结构，而不仅仅是听觉现象。自相关方法清楚地表明，从皮层电极测量的高伽马活动既跟踪注意的节奏，也跟踪想象的节奏。
脑电图上的前额叶高伽马标记了音乐节奏在感知和想象中的周期性
版权所有 © 2020 Herff 等人。这是一篇开放获取的文章，根据知识共享署名 4.0 国际许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，前提是正确署名原始作品。
用于检测术中ECOG中高频振荡（HFO）的尖峰神经网络（SNN）
要获得癫痫发作的自由，癫痫手术需要完全切除癫痫脑组织。在术中电视学（ECOG）记录中，癫痫组织产生的高频振荡（HFO）可用于量身定制切除缘。但是，实时自动检测HFO仍然是一个开放的挑战。在这里，我们提出了一个尖峰神经网络（SNN），用于自动HFO检测，最适合神经形态硬件实现。我们使用独立标记的数据集（58分钟，16个记录），训练了SNN，以检测从术中ECOG测量的HFO信号。我们针对快速连锁频率范围（250-500 Hz）中HFO的检测，并将网络结果与标记的HFO数据进行了比较。我们赋予了SNN新型的伪影排斥机制，以抑制尖锐的瞬变并证明其在ECOG数据集中的有效性。该SNN检测到的HFO速率（中位数为6.6 HFO/ min）与数据集中发布的HFO率（Spearman'sρ= 0.81）相当。所有8例患者的术后癫痫发作结果被“预测”为100％（CI [63 100％]）的精度。这些结果为建造实时便携式电池式HFO检测系统提供了进一步的一步，该检测系统可在癫痫手术期间使用，以指导癫痫发作区的切除。
使用实时脉冲神经网络硬件框架对 ECoG 中的癫痫样模式进行稳健压缩和检测
训练数据集。ECoG 数据的稀疏分解已被证实可以检测病理性 HFO 30, 31 。我们在此生成一个有效的稀疏时间编码，允许设计简单的规则来通过明确使用设备不匹配来检测癫痫样模式。3.3 测量视角
基于功能性 MRI 的 ECoG 网格配置模拟，用于最佳测量空间分布的手势信息
1 美国明尼苏达州罗切斯特市梅奥诊所生理学和生物医学工程系 2 荷兰乌得勒支大学医学中心乌得勒支大学脑中心神经内科和神经外科系。 3 美国明尼苏达州罗切斯特市梅奥诊所神经外科系 * 通讯作者。电子邮件：max.vandenboom@mayo.edu、hermes.dora@mayo.edu
在基于ECOG的大脑计算机界面的长期临床试验中，运动皮层中误差相关的检测
摘要：错误相关性被认为是BCI的有望作为执行错误校正或预防的一种方式，或标记数据以在线适应BCIS的控制模型。当前最新的BCIS是基于运动模拟的侵入性BCI，因此除了感觉运动皮质外，无法访问神经数据。我们在单个试验级别研究了在观察或运动成像（MI）控制BCI期间，误差的存在和可检测性与四翼型用户对BCI进行了两个离散类别。We show that error correlates can be detected using a broad range of classifiers, namely Support Vector Machine (SVM), logistic regression, N-way Partial Least Squares (NPLS), Multilayer Perceptron (MLP) and Convolutional Neural Network (CNN) with respective mean AUC of the ROC curve of 0.645, 0.662, 0.642, 0.680 and 0.630在观察条件下，在MI-Control条件下，0.623、0.605、0.603、0.626和0.580。我们还建议这些误差相关的时间稳定。这些发现表明，使用基于侵入性运动模拟的BCI进行误差校正或预防，可以在临床试验中使用误差相关性。
0.0023 毫米$^2$/ch. 具有刺激伪影抑制功能的增量编码、时分复用混合信号 ECoG 记录架构
摘要 — 本文展示了一种可扩展的时分复用生物电位记录前端，能够实时抑制差分和共模伪影。增量编码记录架构利用了皮层脑电图 (ECoG) 记录的功率谱密度 (PSD) 特性，结合了 8 位 ADC 和 8 位 DAC，以实现 14 位动态范围。利用数字反馈架构的灵活性，将 64 个差分输入通道时分复用到共享混合信号前端，与最先进的技术相比，通道面积减少了 2 倍。用于增量编码的反馈 DAC 还可以通过片外自适应环路消除差分伪影。本文包括对该架构的分析以及 65 nm CMOS 测试芯片实现的硅片性能测量（包括工作台和体内）。
数据集大小和长期基于 ECoG 的 BCI 使用对深度学习解码器性能的影响
通过思维与效应器进行交互，可以使这些患者在日常生活中恢复一定的自主权。例如，基于运动想象的 BCI 已被用于控制脊髓损伤后截瘫或四肢瘫痪患者的上肢（ Hochberg 等人， 2012 年； Collinger 等人， 2013 年； Wodlinger 等人， 2014 年； Edelman 等人， 2019 年）、下肢（ López-Larraz 等人， 2016 年； He 等人， 2018 年）和四肢（ Benabid 等人， 2019 年）的假肢或外骨骼。在本研究中，我们重点研究基于皮层脑电图 (ECoG) 的运动 BCI，这是一种很有前途的工具，与更具侵入性的方法相比，它可以实现神经假体控制的连续 3D 手部轨迹解码，同时降低植入风险 ( Volkova 等人，2019)。BCI 记录神经元活动并将其解码为效应器的控制命令。解码器通常以监督的方式使用机器学习算法进行训练。在绝大多数研究中，由于对记录的访问有限，训练数据集受到严格限制。同时，数据集大小是机器学习分析中的一个重要因素，会极大地影响整个系统的性能。与最近的计算机视觉和自然语言处理研究（Kaplan 等人，2020 年；Rosenfeld 等人，2020 年；Hoiem 等人，2021 年）相比，对于 BCI，很少研究训练数据的最佳数量，即解码器性能在给定应用中达到稳定状态的数量（Perdikis and Millan，2020 年）。尤其是学习曲线，它提供了对模型性能和训练集大小之间关系的洞察，但却很少被提出。学习曲线可用于模型选择、减少模型训练的计算量或估计向训练数据集添加更多数据的理论影响（Viering and Loog，2021 年）。考虑到人类记录的数据集的访问权限有限，最后一点在 BCI 中尤为重要。如果不知道系统性能和数据集大小之间的关系，就很难确定提高解码器准确性的策略：增加训练数据量还是增加模型容量。对于基于 ECoG 的运动 BCI，大多数模型的容量有限。所使用的解码器是卡尔曼滤波器（Pistohl 等人，2012 年；Silversmith 等人，2020 年）并且大多是线性模型的变体（Flamary 和 Rakotomamonjy，2012 年；Liang 和 Bougrain，2012 年；Nakanishi 等人，2013 年、2017 年；Chen 等人，2014 年；Bundy 等人，2016 年；Eliseyev 等人，2017 年）。在大多数这些研究中，解码器优化都是在包含几分钟或几十分钟信号的数据库上进行的。这会产生可用的模型，但并未提供有关可以通过更多数据实现的性能提升的任何信息，也没有比较多个解码器之间的数据量/性能关系。在 BCI 中，模型特征和学习曲线并不是影响解码器性能的唯一因素。人类生成独特脑信号模式的能力对于 BCI 系统至关重要。近年来的研究主要集中在开发越来越高效的解码器上，例如深度学习 (DL)（Bashivan 等人，2015 年；Elango 等人，2017 年；Schirrmeister 等人，2017 年；Du 等人，2018 年；Lawhern 等人，2018 年；Pan 等人，2018 年；Xie 等人，2018 年；Zhang 等人，2019 年；Rashid 等人，2020 年；´ Sliwowski 等人，2022 年），而不是耐心学习或共同适应（Wolpaw 等人，2002 年；Millan，2004 年），尽管一些研究表明
皮质表面电位的柱状定位和层状起源
简述：Baratham 等人研究了感觉诱发的 ECoG 反应的定位和起源。他们通过实验发现，ECoG 反应各向异性地定位在 £ ±200 μm 范围内，即单个皮质柱。生物物理详细模拟表明，与通常的想法相反，V 层和 VI 层的神经元是诱发的 ECoG 反应的主要来源。