XiaoMi-AI文件搜索系统
World File Search SystemEEG
基于快速脑电图的听觉方向聚焦解码...
摘要 — 目标：当存在多个声源时，当前助听器中的降噪算法缺乏有关用户关注的声源的信息。为了解决这个问题，它们可以与听觉注意解码 (AAD) 算法相辅相成，该算法使用脑电图 (EEG) 传感器解码注意力。最先进的 AAD 算法采用刺激重建方法，其中关注源的包络从 EEG 重建并与各个源的包络相关。然而，这种方法在短信号段上表现不佳，而较长的片段在用户切换注意力时会产生不切实际的长检测延迟。方法：我们提出使用滤波器组公共空间模式滤波器 (FB-CSP) 解码注意力的方向焦点作为替代 AAD 范式，它不需要访问干净的源包络。结果：提出的 FB-CSP 方法在短信号段上的表现优于刺激重建方法，在相同任务上的表现也优于卷积神经网络方法。我们实现了高精度（1 秒窗口为 80%，准瞬时决策为 70%），足以实现低于 4 秒的最小预期切换持续时间。我们还证明解码器可以适应来自未见对象的未标记数据，并且仅使用位于耳朵周围的部分 EEG 通道来模拟可穿戴 EEG 设置。结论：提出的 FB-CSP 方法可以快速准确地解码听觉注意力的方向焦点。意义：在非常短的数据段上实现高精度是朝着实用的神经引导听力设备迈出的重要一步。
EEG信号处理 20世纪欧洲的经济历史 艾森豪威尔与冷战经济
2.6连贯性，多元自回归（MVAR）建模和定向转移功能（DTF）67 2.7混乱和动态分析71 2.7.1熵71 2.7.2 Kolmogorov熵71 2.7.7.3.7.3 Series 75 2.7.6 Approximate Entropy 11 2.7.7 Using the Prediction Order 78 2.8 Filtering and Denoising 79 2.9 Principal Component Analysis 83 2.9.1 Singular-Value Decomposition 84 2.10 Independent Component Analysis 86 2.10.1 Instantaneous BSS 90 2.10.2 Convolutive BSS 95 2.10.3 Sparse Component Analysis 98 2.10.4 Nonlinear BSS 99 2.10.5 Constrained BSS 100 2.11受约束BSS的应用：示例102 2.12信号参数估计104 2.13分类算法105 2.13.1支持向量机106 2.13.2 K-Means算法114 2.14匹配匹配追踪117 2.15摘要和结论118参考119 119 119
用于实时检测颅内脑电图中高频振荡 (HFO) 的电子神经形态系统
嵌入式设备可以在本地实时处理生物医学信号，因此临床研究和治疗应用的生物医学信号分析可以受益匪浅。一个例子是分析癫痫患者的颅内脑电图 (iEEG) 以检测高频振荡 (HFO)，这是致痫脑组织的生物标志物。混合信号神经形态电路提供了构建紧凑、低功耗神经网络处理系统的可能性，该系统可以实时在线分析数据。在这里，我们介绍了一种神经形态系统，该系统在同一芯片上结合了神经记录头端和脉冲神经网络 (SNN) 处理核心来处理 iEEG，并展示了它如何可靠地检测 HFO，从而实现最先进的准确性、灵敏度和特异性。这是首次使用混合信号神经形态计算技术实时识别 iEEG 中相关特征的可行性研究。
评估脑电图位置和数量的影响...
摘要 — 随着神经工程技术的快速发展，社会对数字心理健康的需求也迅速上升。虽然社会需要利用基于可靠神经科学证据的尖端技术，但准确性和易用性的权衡严重分裂了学术界和工业界。在这里，我们提供模拟和经验证据来揭示头皮上脑电图电极的位置和数量如何影响捕获头皮范围独立成分 (IC) 的准确性。基于从 64 通道脑电图电极获得的 IC 的逆权重头皮地形，对现有的七个脑电图耳机的数量和位置进行了空间相似性分析。结果显示，随着通道数量和位置的增加，相似性呈现出独特的 S 形恶化。我们提供了一个有用的计算模型，用于量化特定耳机的假设质量。我们的量化方法为学术可靠性和社会需求之间的竞争提供了和解，这是 BCI（脑机接口）应用中的一个基本方面。
一种线性可扩展的多伪影去除方法，用于改进基于上肢脑电图的运动想象解码 Mojisola Grace Asogbon 1,2 , Oluwa
图 1：使用国际 10-20 系统从 (a) 矢状面和 (b) 轴平面 (c) 头皮角度看到的 64 个电极配置表示。注意：A= 耳垂，C = 中央，Pg = 鼻咽，P = 顶叶，F = 额叶，Fp = 额极和 O = 枕叶。
基于节能树的脑电图伪影检测
摘要 — 在癫痫监测中，由于脑电图伪影在幅度和频率上具有形态相似性，因此经常被误认为是癫痫发作，这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中，我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集，并重点关注颞电极。首先，我们使用自动机器学习框架在频域中提取最佳特征模型，在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后，这些算法针对 PULP 平台进行并行化和优化，与最先进的低功耗伪影检测框架实现相比，能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合，可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路，该解决方案具有低假阳性率和高灵敏度，可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备，结合基于 EEG 的癫痫发作检测算法，以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
一个无线系统，用于在耳塞外观中以600小时电池寿命
摘要 - 近年来，与基于标准头皮的脑电图相比，近年来，脑脑电脑术（EEG）记录了质量相似的信号，并且已经报道了客观听力阈值估计的临床应用。现有设备仍然缺乏重要的效果。实际上，大多数可用解决方案都是基于湿电极，需要连接到外部采集平台，或者不提供车载处理功能。在这里，我们克服了所有这些局限性，并基于干电极电极呈现一个耳EEG系统，其中包括直接在耳芽中的所有采集，处理和连接电子设备。听筒配备了一个超低功率模拟前端，用于模数转换，低功率MEMS麦克风，低功率惯性测量单元以及ARM Cortex-M4基于MART Cortex-M4的微控制器启用板上的船上处理和蓝牙低能能连接。系统可以直接流式传输RAW EEG数据或直接进行数据处理。我们通过分析其检测大脑对外部听觉刺激的响应的能力来测试该设备，分别实现4和1.3 MW的数据流或船上处理。后者允许在PR44锌空气电池上进行600小时的操作。据我们所知，这是执行机载处理的第一个无线且完全独立的耳朵系统，所有这些都嵌入了单个耳塞中。较长的电池寿命也适用于连续监控方案。临床相关性 - 拟议的EAR-EEG系统可以用于诊断任务，例如客观听力阈值 - 旧估计，在临床环境之外，从而使其作为护理解决方案。
MP-SeizNet：一种使用 EEG 进行癫痫类型分类的多路径 CNN Bi-LSTM 网络。
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，这是一个耗时耗力的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程、提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型多路径癫痫发作类型分类深度学习网络 (MP-SeizNet)，它由卷积神经网络 (CNN) 和具有注意机制的双向长短期记忆神经网络 (Bi-LSTM) 组成。本研究的目的是仅使用脑电图 (EEG) 数据对特定类型的癫痫发作进行分类，包括复杂部分性、简单部分性、失神性、强直性和强直阵挛性癫痫发作。EEG 数据以两种不同的表示形式输入到我们提出的模型中。 CNN 接收从 EEG 信号中提取的小波特征，而 Bi-LSTM 接收原始 EEG 信号，以便我们的 MP-SeizNet 能够从癫痫发作数据的不同表示中进行联合学习，从而获得更准确的信息学习。我们利用最大的 EEG 癫痫数据库——天普大学医院 EEG 癫痫发作语料库 TUSZ v1.5.2 评估了所提出的 MP-SeizNet。我们使用三重交叉验证对不同患者数据评估了我们提出的模型，并使用五重交叉验证对癫痫发作数据评估了模型，结果分别获得了 87.6% 和 98.1% 的 F1 分数。
脑电图微状态 A
摘要：理论基础：静息状态范式经常应用于脑电图 (EEG) 研究；然而，它与无法控制参与者的思想有关。为了量化受试者在休息时的主观体验，引入了阿姆斯特丹静息状态问卷 (ARSQ)，涵盖了十个思维游离维度。我们旨在估计主观体验与 EEG 的静息状态微状态之间的关联。方法：使用 197 名受试者的 5 分钟静息状态 EEG 数据来评估七个微状态类别的时间特性。采用贝叶斯相关方法来评估静息后评估的 ARSQ 域与微状态参数之间的关联。结果：揭示了舒适度、自我和躯体意识域与神经电微状态的时间特性之间的几种关联。舒适度与微状态 E 持续时间之间的正相关性显示出最强的证据 (BF 10 > 10)；其余相关性显示出大量证据 (10 > BF 10 > 3)。结论：我们的研究表明，评估静息状态下发生的自发思维对于理解微状态所反映的内在大脑活动具有重要意义。
用EEG信号自动操纵机器人臂
摘要 - 该项目具有客观地识别使用传感器“情感EEG Neuroset”的一些面部表情。此设备是一种能够通过脑电图技术（EEG）接收和解释大脑生物电活动的传感器，此外，还具有16个通道，并连续准确接受脑电波。此外，传感器具有易于使用的SDK，即使没有任何大脑信号获取经验，任何人即使没有任何经验。Emotiv®数据被转移到MATLAB®进行过滤脑电波，以通过串行通信向Arduino发送信息。因此，在Arduino板上获得了三种不同表达式的识别，即眨眼，眨眼和微笑，每个表达式在Arduino板上都有不同的LED颜色。