XiaoMi-AI文件搜索系统
World File Search SystemEEG
在家中，脑电图和智力残障人士的脑电图监测技术：范围评论
这项工作是根据创意共享归因于非商业化衍生作品4.0国际许可证的许可。一般权利一般权利所有珍珠中的内容均受版权法保护。根据发布者政策提供作者手稿。请仅使用项目记录或文档中提供的详细信息引用发布的版本。在没有公开许可证的情况下（例如Creative Commons），应从出版商或作者那里寻求进一步重用内容的许可。取消策略取消政策，如果您认为本文档违反版权，请联系提供详细信息的图书馆，我们将立即删除对工作的访问并调查您的索赔。遵循以下工作：https：//pearl.plymouth.ac.uk/nm-research
对癫痫样放电的网络和计算机分析的综述，表征和检测癫痫
¶癫痫样排放的无EEG。方法。使用首选的报告项目进行系统审查和荟萃分析（PRISMA）指导的范围审查，并通过对Embase，Medline和Psychinfo进行了文献搜索。将预先设计的包含/排除标准应用于选定的文章。结果。最初的搜索找到了3398篇文章。在重复删除和筛选后，审查了591篇摘要，选择了64篇文章并阅读，导致20篇文章符合必要的包含/排除标准。这些是9个报告和2项横断面研究，使用网络分析来比较和/或对脑电图进行分类。对17项报告和10项横断面研究的一项评论仅旨在对脑电图进行分类。一项横断面研究讨论了与自闭症相关的脑电图异常。结论。癫痫样排放的自由脑电图特征来自网络/计算机分析的特征在患有和没有癫痫的人之间存在显着不同。诊断算法报告高精度，并且在临床上可能有用。在智障（ID）和/或自闭症种群中缺乏此类研究，癫痫病更为普遍，并且还有其他诊断挑战。
心冲击图伪影消除，用于同时进行 EEG - ...
1. Mulert, C.、Pogarell, O. 和 Hegerl, U. 同步 EEG-fMRI：精神病学展望。CEN, 39(2)，61–64 (2008)。https://doi.org/10.1177/155005940803900207 2. Shams, N.、Alain, C. 和 Strother, S. 同步 EEG–fMRI 中诱发反应的 BCG 伪影去除方法比较。J. Neurosci. Methods 245, 137–146 (2015) 3. Iannotti GR、Pittau F.、Michel CM、Vulliemoz S. 和 Grouiller F. 基于 EEG 地图拓扑在同步 EEG-fMRI 记录中进行脉冲伪影检测。脑拓扑； 28(1):21-32 (2015) 4. Allen, PJ, Polizzi, G., Krakow, K., Fish, DR 和 Lemieux, L. Identification of EEG events in the MR scanner: the problem of pulse pseudodragon and a method for its subtraction. Neuroimage 8(3), 229–239 (1998) 5. C. Bénar, Y. Aghakhani, Y. Wang 等，Quality of EEG insynchronous EEG–fMRI for epilepsy，Clin. Neurophysiol. 114 (3), 569–580 (2003) 6. K. Niazy, CF Beckmann, GD Iannetti 等, 使用最优基础集从 EEG 数据中去除 FMRI 环境伪影, Neuroimage 28 (3), 720–737 (2005) 7. Kruggel F, Wiggins CJ, Herrmann CS 等, 在 3.0 Tesla 场强下功能性 MRI 期间记录事件相关电位。Magn Reson Med, 44(2): 277-282 (2000) 8. Niazy, RK, Beckmann, CF, Iannetti, GD, Brady, JM 和 Smith, SM, 使用最优基础集从 EEG 数据中去除 FMRI 环境伪影。 Neuroimage 28(3), 720–737 (2005) 9. Li Hu, Zhiguo Zhang: EEG 信号处理和特征提取。Springer Nature (2019) 10. Ibrahim Sadek, Jit Biswas, Bessam Abdulrazak。心冲击信号处理：综述。健康
使用 EEG 希尔伯特包络和时间精细结构进行隐性语音分类的迁移学习
脑机接口 (BCI) 可以从神经活动中解码想象中的语音。然而，这些系统通常需要大量的训练，参与者在训练中想象重复单词，这会导致精神疲劳和难以识别单词的开头，尤其是在想象单词序列时。本文通过将在显性语音数据中训练过的分类器转移到隐性语音分类中来解决这些挑战。我们使用了从希尔伯特包络和时间精细结构中得出的脑电图 (EEG) 特征，并使用它们来训练双向长短期记忆 (BiLSTM) 模型进行分类。我们的方法减轻了大量训练的负担，并实现了最先进的分类准确率：使用显性语音分类器，显性语音的准确率为 86.44%，隐性语音的准确率为 79.82%。
2021 BEETL 竞赛：推进针对受试者独立性和异构 EEG 数据集的迁移学习
Stylianos Bakas 1 , 2 , 3 stelios@cogitat.io Siegfried Ludwig 1 , 2 siegfried@cogitat.io Konstantinos Barmpas 1 , 2 ntinos@cogitat.io Mehdi Bahri 1 , 2 mehdi@cogitat.io Yannis Panagakis 1 , 2 , 4 yannis@cogitat.io Nikolaos Laskaris 1 , 2 , 3 nikos@cogitat.io Dimitrios A. Adamos 1 , 2 , 3 dimitrios@cogitat.io Stefanos Zafeiriou 1 , 2 stefanos@cogitat.io William C. Duong 5 , 6 wduong@dcscorp.com Stephen M. Gordon 5 , 6 sgordon@dcscorp.com 弗农·J·劳恩 (Vernon J. Lawhern) 6 vernon.j.lawhern.civ@army.mil Maciej ´ Sliwowski 7 , 8 , 9 maciej.sliwowski@opium.sh Vincent Rouanne 7 vincent.rouanne@gmail.com Piotr Tempczyk 9 , 10 piotr.tempczyk@opium.sh 1 Cogitat Ltd.，英国 2 智能行为理解小组，伦敦帝国理工学院，英国 3 塞萨洛尼基亚里士多德大学，希腊 4 雅典国立和卡波迪斯特里安大学，希腊 5 DCS 公司，弗吉尼亚州亚历山大，美国 6 人类研究与工程理事会，DEVCOM 陆军研究实验室，马里兰州阿伯丁试验场，美国 7 大学。格勒诺布尔阿尔卑斯大学，CEA，LETI，Clinatec，F-38000 格勒诺布尔，法国 8 巴黎萨克雷大学，CEA，List，F-91120，帕莱索，法国 9 波兰国家机器学习研究所 (OPIUM)，华沙，波兰 10 deeptale.ai，波兰
不同运动执行和想象任务中宽带脑电图中长程时间相关性的动态
大脑活动由振荡和宽带心律失常成分组成；然而，在运动研究中，人们更多地关注振荡感觉运动节律，而宽带心律失常脑电图 (EEG) 的时间动态仍未被探索。我们之前已经证明，宽带心律失常脑电图包含短距离和长距离时间相关性，这些相关性在运动过程中会发生显著变化。在本研究中，我们以之前的工作为基础，更深入地了解宽带脑电图中长距离时间相关性 (LRTC) 的这些变化，并将它们与文献中常见的众所周知的 alpha 振荡幅度 LRTC 进行对比。我们使用两个独立的 EEG 数据集（这两个数据集以两种不同的范式记录）来调查和验证五种不同类型的运动和运动想象任务期间 LRTC 的变化——我们的手指敲击数据集（包含单次自我发起的异步手指敲击）和公开可用的 EEG 数据集（包含提示的拳头和脚的连续运动和运动想象）。我们通过对单次试验 2 秒 EEG 滑动窗口进行去趋势波动分析，量化了宽带 LRTC 的瞬时变化。与静息状态相比，宽带 LRTC 在所有运动任务中均显著增加（p < 0.05）。相反，必须在较长的拼接 EEG 段上计算的 alpha 振荡 LRTC 显著下降（p < 0.05），与文献一致。这表明在运动和运动想象过程中，潜在的快速和慢速神经元无标度动力学是互补的。单次试验宽带 LRTC 在所有运动执行和想象任务中均具有较高的平均二元分类准确率，范围为 70.54 ± 10.03 % 至 76.07 ± 6.40 %，因此可用于脑机接口 (BCI)。因此，我们证明了新型运动神经相关性单次试验宽带 LRTC 在单个异步和提示连续运动-BCI 范式中的不同运动执行和想象任务中的普遍性、稳健性和可重复性，以及它与 LRTC 在 alpha 振荡幅度方面的对比行为。
脑电动态网络分析方法揭示视觉运动协调的神经特征
人类的视觉-运动协调是运动控制的基本功能，需要多个大脑区域的相互作用。了解皮层-运动协调对于改善运动障碍的物理治疗具有重要意义。但其潜在的瞬态神经动力学仍然很大程度上未知。在本研究中，我们应用基于特征向量的动态网络分析方法来研究视觉-运动协调任务下从脑电图 (EEG) 信号计算的功能连接并识别其亚稳态动力学。我们首先在模拟网络上测试了这种信号处理以与其他动力学方法进行比较，表明基于特征向量的动态网络分析能够正确提取演化网络的动态特征。随后，将基于特征向量的分析应用于视觉-运动协调实验下收集的EEG数据。在对参与者的EEG研究中，拓扑分析和基于特征向量的动态分析的结果都能够区分视觉跟踪任务的不同实验条件。通过动态分析，我们表明，通过研究功能连接的亚稳态动态可以区分不同的视觉运动协调状态。
rank-1 CNN用于脑电图的心理工作负载分类
脑计算机界面（BCIS）可以分为两种主要类型：主动和被动BCI（Clerc等人2016）。当系统使用用户非自愿生成的信号时，BCI可以被动。更具体地说，这种类型的BCI经常用于评估执行不同心理需求的各种任务的用户的心理工作量，尤其是脑电图（EEG）（EEG）（Wang等人。2015，Adryou等。2018，Shalchy等。 2020）。 在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。 这取决于事先收集了标记的数据。 但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。 为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。 为此挑战提供的数据集（Hinss等人 2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。 每个会话都在不同的困难的块中分解：简单，中和困难。 提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。2018，Shalchy等。2020）。在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。这取决于事先收集了标记的数据。但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。为此挑战提供的数据集（Hinss等人2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。每个会话都在不同的困难的块中分解：简单，中和困难。提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。难度标签仅在两个初次会议上提供。
脑电图在大脑和行为研究方面的百年应用
脑电图 (EEG) 是一种非侵入性神经成像技术，用于通过放置在头皮上的电极记录大脑的电活动。记录的信号，即脑电图（缩写为 EEG），是皮质神经元群（沿皮质柱排列的锥体细胞）中同步突触活动的产物。每个电极位置的电压波动反映了活动电极和参考电极之间的差分测量值，该差分测量值被放大并记录为 EEG 轨迹。这些电变化可以以高时间分辨率捕获，从而为了解亚毫秒范围内大脑活动的时间过程提供了一个窗口。EEG 在临床环境中被证明特别有用，因为某些异常的大脑功能病例会引起相对一致的 EEG 模式，这些模式可以被检测到。定量 EEG (qEEG) 促进了此类应用，定量 EEG 是应用数学技术提取 EEG 轨迹的数值特征以支持信号解释。 EEG 轨迹是癫痫的典型测试，可用于识别睡眠问题、确定大脑是活着还是死亡，或探测某些意识障碍。视觉诱发电位已用于诊断多发性硬化症（一种导致脱髓鞘的疾病），听觉诱发电位可检测新生儿的听力异常。通过将信号锁定在响应或外部刺激上并对多次试验的信号取平均值，可以提取与引起它的感觉、运动或认知事件特定相关的神经活动。这种技术经常用于监测整个发育过程中的大脑成熟度、精神疾病以及检查行为和药物治疗后的神经变化的研究。在学术研究中，EEG 通过对信号取平均值以及最近的单次试验分析，已被广泛用于探索与认知处理相关的基本问题，包括注意力、情绪、记忆和决策的研究。由于便携性和低成本，EEG 越来越多地用于现实环境、社区和其他神经成像工具过于昂贵或后勤不切实际的环境。利用 EEG 的商业应用也在不断增加，使大脑监测可供公众使用。它与人工智能、虚拟和增强现实等其他技术的结合，为与数字和物理世界的互动创造了新的可能性。脑机接口 (BCI) 的进展表明，EEG 可用于控制假肢和通信设备、提供神经反馈训练和促进身体康复。
基于脑电图的图像回归
摘要 - 注意力多动障碍（ADHD）是一种神经发育障碍，影响了一定程度的儿童及其生活方式。一种治疗这种疾病的新方法是在整个患者中使用脑部计算机界面（BCI）学会自行自我调节自己的症状。在这种情况下，研究导致了旨在估计对这些界面的关注的工具。同时，虚拟现实（VR）耳机的民主化以及它为多个方面产生有效的环境的事实：安全，灵活和生态上有效，导致其用于BCI应用程序的使用增加。另一点是人工智能（AI）在不同领域的医疗领域越来越发达。在本文中，我们提出了一种创新的方法，目的是从生理信号的测量中估算注意力：脑电图（EEG），凝视方向和头部运动。该框架是为了评估VR环境中的注意力的开发。我们为特征提取和专用的机器学习模型提出了一种新颖的方法。试点研究已应用于一组志愿者，与最先进的方法相比，我们的方法的错误率较低。关键字 - 虚拟现实，机器学习，大脑计算接口，眼睛跟踪