XiaoMi-AI文件搜索系统
World File Search SystemECoG
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。
深度学习用于 ECoG 脑机接口
Maciej Śliwowski、Matthieu Martin、Antoine Souloumiac、Pierre Blanchart、Tetiana Aksenova。深度学习用于 ECoG 脑机接口：端到端与手工制作的特征。计算机科学讲义，2023 年，13796，第 358-373 页。�10.1007/978-3-031-27181-6_25�。�cea-04574322�
使用深度学习将 ECoG 信号解码为 3D 手势翻译
摘要。目的。运动脑机接口 (BCI) 是一种很有前途的技术，可以使运动障碍者与周围环境互动。BCI 可能会弥补手臂和手部功能的丧失，这是四肢瘫痪患者的首要任务。设计实时准确的 BCI 对于使此类设备在现实环境中有用、安全且易于患者使用至关重要。基于皮层脑电图 (ECoG) 的 BCI 是记录设备的侵入性和记录信号的良好空间和时间分辨率之间的良好折衷。然而，用于预测连续手部运动的大多数 ECoG 信号解码器都是线性模型。这些模型的表示能力有限，可能无法捕捉 ECoG 信号特征与连续手部运动之间的关系。深度学习 (DL) 模型在许多问题中都是最先进的，可以成为更好地捕捉这种关系的解决方案。方法。在本研究中，我们测试了几种基于 DL 的架构，以使用从 ECoG 信号中提取的时频特征来预测想象的 3D 连续手部平移。分析中使用的数据集是长期临床试验 (ClinicalTrials.gov 标识符：NCT02550522) 的一部分，是在对四肢瘫痪受试者的闭环实验中获得的。所提出的架构包括多层感知器 (MLP)、卷积神经网络 (CNN) 和长短期记忆网络 (LSTM)。使用余弦相似度离线比较了基于 DL 和多线性模型的准确性。主要结果。我们的结果表明，基于 CNN 的架构优于当前最先进的多线性模型。最佳架构利用 CNN 来利用相邻电极之间的空间相关性，并通过使用 LSTM 来受益于所需手部轨迹的顺序特性。总体而言，与多线性模型相比，DL 将平均余弦相似度提高了 60%，左手和右手分别从 0.189 提高到 0.302 和从 0.157 提高到 0.249。意义。这项研究表明，基于 DL 的模型可以提高 BCI 系统在四肢瘫痪受试者的 3D 手部翻译预测中的准确性。
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
使用 RNA 的 DNA 修复途径解码 ECoG 中的隐性语音的可行性经过公开语音训练的 Transformer
人们已经尝试过多次语音脑机接口 (BCI)，在听觉语音感知、显性语音或想象（隐性）语音期间使用侵入性测量（例如脑电图 (ECoG)）来解码音素、子词、单词或句子。从隐性语音中解码句子是一项具有挑战性的任务。16 名颅内植入电极的癫痫患者参与了这项研究，在八个日语句子的显性语音和隐性语音期间记录了 ECoG，每个句子由三个标记组成。具体来说，Transformer 神经网络模型被用于从隐性语音中解码文本句子，该模型使用在显性语音期间获得的 ECoG 进行训练。我们首先使用相同的任务进行训练和测试来检查所提出的 Transformer 模型，然后评估该模型在使用显性任务进行解码隐性语音训练时的性能。在隐蔽语音上训练的 Transformer 模型在解码隐蔽语音时实现了 46.6% 的平均标记错误率 (TER)，而在显性语音上训练的模型实现了 46.3% 的 TER (p > 0 .05; d = 0 .07 )。因此，可以使用显性语音来解决收集隐蔽语音训练数据的挑战。通过使用几种显性语音可以提高隐蔽语音的性能。
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。
ECOG电极阵列 - 手术指南和...
这份全面的技术文档提供了有关生物医学研究环境中动物外科手术的重要信息。它包括关键主题，包括术前程序，麻醉管理，镇痛方案，无菌/无菌技术，外科手术程序，切口闭合方法和术后护理。必须遵守根据标准程序制度动物护理和使用委员会（IACUC）制定的准则。有关更多详细信息，请咨询您的大学的IACCARPRECRED政策。
3072 电极多路复用 μECoG 阵列，用于高... - Lirias
Paoline.Coulson@nerf.be 脑皮层电图能够记录来自大脑表面的高质量信号。该技术可覆盖广泛的大脑，这对于临床应用至关重要，例如癫痫发作区的划定、皮层功能的映射或脑机接口神经信号的解码。提高这些记录的分辨率有望提高性能，但需要增加电极密度。1 在被动方案中，每个电极都单独连接到读出系统，从而产生笨重而复杂的连接器。在这里，我们引入了一种主动连接方案，其中使用薄膜晶体管来互连多路复用电极，从而使电极与导线的比率呈指数增加。此前，我们已经开发了一种概念验证设备，其中集成了 256 个电极和氧化铟镓锌 (IGZO) 晶体管，仅使用 32 条导线即可寻址。增量 ΔΣ CMOS 读出集成电路是定制设计的，复用率为 16:1。该系统通过记录小鼠体感皮层的信号在体内进行了验证，其噪声水平低于类似的多路复用设备。2 在这里，我们的技术已适应柔性半导体代工厂建立的外部生产流程。借助此流程，该设备将工业制造的晶体管整合到柔性聚酰亚胺基板上，从而实现低成本、可扩展且快速生产的技术。我们设备的新版本目前正在开发中，它整合了 3,072 个电极，仅用 128 根电线即可寻址，多路复用率为 32:1。电极间距减小到 200 µm，电极直径从 100 到 30 µm。整个阵列覆盖 2×1 cm² 的面积，厚度为 30µm，这使其能够符合人脑曲率。我们的设备展示了多路复用的潜力，可以通过简化的连接方案实现高密度和大面积记录，而这是传统无源电极技术无法实现的。该设备为改进诊断和治疗铺平了道路，例如升级的神经假体，具有增强的解码性能。改进的制造流程实现了可扩展性，从而促进了该技术的使用，并使其更接近临床转化。
通过 ECoG 信号进行运动相关解码的特征工程基准
摘要 — 通过皮层脑电图 (ECoG) 信号的侵入式脑机接口 (BCI) 系统需要有效识别来自多电极传感器阵列的时空模式。此类信号是通过机器学习算法进行自动模式识别的绝佳候选。然而，由于创建此类数据集所需的操作程序，可用数据有限。可以通过特征提取技术分析不同时间特征和单个电极的重要性。但是，在提取特征时会忽略由于非平稳性导致的信号变化，而使用哪些特征可能很难通过目视检查来确定。在本研究中，我们引入了信号分割参数来解释信号的可变性，并使用遗传选择，这允许从 8 个不同特征集池中选择最佳特征组合。索引术语 — 特征提取、特征选择、遗传搜索、ECoG、BCI、机器学习
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