XiaoMi-AI文件搜索系统
World File Search SystemEEG
基于EEG
摘要 - 近年来，神经科学家与脑部计算机界面（BCI）设备的开发有关。运动障碍患者可能会受益于BCIS作为通信手段和恢复运动功能的手段。脑电图（EEG）是评估神经元活性的最常用之一。在许多计算机视觉应用中，深度神经网络（DNN）显示出显着的优势。倾向于最终使用DNN，我们在这里提出了一个浅神经网络，该网络主要使用两个卷积神经网络（CNN）层，其参数相对较少，并且快速学习了脑电图的光谱时暂时特征。我们将该模型与其他三个神经网络模型进行了比较，该模型具有不同的深度，该模型使用了针对患有运动障碍的患者和视觉功能下降的患者的眼神闭合状态应用于精神算术任务。实验结果表明，浅CNN模型的表现优于所有其他模型，并达到了90的最高分类精度。68％。处理跨主题分类问题也更加健壮：仅3％的准确性偏差而不是15。传统方法的6％。
比较脑电图，凝视和手动运动
人类机器人协作（HRC）依赖于对人类意图的准确和及时认识以确保无缝相互作用。在常见的HRC任务中，已经广泛研究了人身到机器人的对象移交，以计划在对象接收期间的机器人行动，假设人类的对象移交意图。但是，将移交意图与其他动作区分开来，受到了有限的关注。大多数对Han-Dovers的研究都集中在视觉检测运动轨迹上，这通常会导致轨迹重叠时延迟或错误检测。本文研究了人类对物体移交的意图是否反映在基于非运动的生理信号中。我们进行了比较三种数据模式的多模式分析：脑电图（EEG），凝视和手动信号。我们的研究旨在区分HRC环境中的移交预期的动作和非移交动作，从而评估每种形态在预测和之后人类运动开始之前和之后对这些行为进行分类时的表现。我们根据这些方式开发和评估人类意图探测器，比较它们在识别切换意图方面的准确性和时机。据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。 我们的分析表明，移交意图可以是据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。我们的分析表明，移交意图可以是
整合脑电图和EMG以减少身体需求
摘要 - 我们提供了一个混合脑机界面（BMI），该界面（BMI）整合了基于视觉诱发电位（SSVEP）的脑电图和面部EMG，以改善多模式控制并减轻辅助应用中的疲劳。传统的BMI仅依赖于脑电图或EMG具有固有的局限性 - 基于EEG的控制需要持续的视觉焦点，导致认知疲劳，而基于EMG的控制会随着时间的流逝引起肌肉疲劳。我们的系统在脑电图和EMG输入之间动态交替，使用EEG检测9.75 Hz的SSVEP信号，以及从脸颊和颈部肌肉中检测到14.25 Hz和14.25 Hz和EMG，以根据任务需求优化控制。在虚拟乌龟导航任务中，混合系统达到了与仅EMG的方法相当的任务完成时间，而90％的用户报告说减少或相等的物理需求。这些发现表明，多模式BMI系统可以增强可用性，减少应变并改善辅助技术的长期依从性。索引术语 - 基于EEG的接口，EMG处理和应用，脑机界面
完善版本引用（APA）：Cracco, E., Oomen, D., Papeo, L., & Wiersema, JR (2022)。使用脑电图运动标记来分离大脑反应
检测生物运动对于适应性社会行为至关重要。先前的研究已经揭示了这种能力背后的大脑过程。然而，生物运动感知过程中的大脑活动会捕捉到多种过程。因此，我们通常不清楚哪些过程反映了运动处理，哪些过程反映了建立在运动处理基础上的次要过程。为了解决这个问题，我们开发了一种新方法来测量与观察到的运动直接相关的大脑反应。具体来说，我们向 30 名成年男性和女性展示了一个以 2.4 Hz 的速度移动的点光源步行器，并使用 EEG 频率标记来测量与该速度相关的大脑反应（“运动标记”）。结果显示，在步行频率下有一个可靠的反应，而两种已知会破坏生物运动感知的操作会降低这种反应：相位扰乱和反转。有趣的是，我们还发现了步行频率一半（即 1.2 Hz）的大脑反应，这对应于各个点完成一个周期的速率。与 2.4 Hz 响应相比，对于乱序步行者（相对于未乱序步行者），1.2 Hz 响应有所增加。这些结果表明，频率标记可用于捕捉生物运动的视觉处理，并且可以在大脑信号的不同频率下分离涉及生物运动感知的全局（2.4 Hz）和局部（1.2 Hz）过程。
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的数据集上取得了 2.728 的价标签得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的数据集上取得了 2.3 的唤醒标签得分。
中性工作记忆训练的脑电图相关性可改善考试焦虑中的注意力控制 Wei, Hua; Beuckelaer, A. de; Zhou, R. 2022，
注意力控制理论认为，高测试焦虑 (HTA) 个体的注意力控制能力受损。然而，通过工作记忆训练，有可能提高这类人的注意力控制能力。本研究调查了 20 天的工作记忆训练（使用情绪中性刺激）是否能提高 HTA 个体的注意力控制能力。在测试相关压力情况下，使用 Flanker 和 Go/Nogo 实验任务测量注意力控制的前后结果，并收集脑电图数据。结果仅显示，HTA 个体在进行中性工作记忆训练后（即结果后与结果前）的 Nogo alpha 功率显著下降。然而，我们未能提供证据证明中性工作记忆训练对 Flanker 和 Go/Nogo 任务中任务表现的提高具有有益的转移效应。因此，本研究表明，在执行 Go/Nogo 任务时，中性工作记忆训练与重要的神经生理相关因素明显相关，但转移效应相当有限。
Emotiv 便携式脑电图设备的范围审查
。CC-BY 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2020 年 7 月 14 日发布。；https://doi.org/10.1101/2020.07.14.202085 doi：bioRxiv 预印本
两个更好？将BCI和神经反馈的EEG和FMRI结合在一起：系统评价
脑电图（EEG）和功能磁共振成像（fMRI）是两种常用的非侵入性技术，用于测量神经科学和脑部计算机接口（BCI）中的大脑活动。虽然脑电图具有较高的时间分辨率和低空间分辨率，但fMRI具有高空间分辨率和低时间分辨率。在这篇综述中，我们专注于在神经反馈（NF）中使用脑电图和fMRI，并讨论结合两种方式的挑战，以提高人们对大脑活动的了解并实现更有效的临床结果。已经开发出高级技术来同时记录脑电图和fMRI信号，以便更好地了解两种方式之间的关系。然而，脑过程的复杂性和脑电图和fMRI的异质性质在从组合数据中提取有用的信息时面临着挑战。我们将调查现有的EEG-FMRI组合和最近利用NF EEG-FMRI的研究，从而强调了实验和技术挑战。我们还将确定该领域的剩余挑战。
迈向整合的EEG-fMRI-神经反馈
神经反馈 (NF) 允许通过返回从大脑活动测量中实时提取的信息来对自己大脑活动的特定方面进行自我调节。这些测量通常通过单一模态获得，最常见的是脑电图 (EEG) 或功能性磁共振成像 (fMRI)。EEG-fMRI-神经反馈 (EEG-fMRI-NF) 是一种新方法，它同时提供基于 EEG 和 fMRI 信号的 NF。通过利用这两种模态的互补性，EEG-fMRI-NF 为定义双模态 NF 目标开辟了新的可能性，这些目标可能比单模态目标更强大、更灵活、更有效。由于 EEG-fMRI-NF 允许反馈更丰富的信息，因此出现了一个问题，即如何同时表示 EEG 和 fMRI 特征，以便让受试者实现更好的自我调节。在这项工作中，我们建议在单个双模态反馈（集成反馈）中表示 EEG 和 fMRI 特征。我们介绍了两种用于 EEG-fMRI-NF 的整合反馈策略，并通过组间设计比较了它们对运动想象任务的早期影响。BiDim 组 (n=10) 获得了二维 (2D) 反馈，其中每个维度都描绘了一种模态的信息。UniDim 组 (n=10) 获得了一维 (1D) 反馈，通过将两种类型的信息合并为一个，进一步整合了这两种信息。UniDim 组的在线 fMRI 激活明显高于 BiDim 组，这表明 1D 反馈比 2D 反馈更容易控制。然而，BiDim 组的受试者产生了更具体的 BOLD 激活，右上顶叶的激活明显更强 (BiDim > UniDim，p < 0.001，未校正)。这些结果表明，2D 反馈鼓励受试者探索他们的策略以招募更具体的大脑模式。总而言之，我们的研究表明，1D 和 2D 集成反馈是有效的，但似乎也是互补的，因此可用于双模 NF 训练计划。总之，我们的研究为开发灵活有效的双模 NF 范式铺平了道路，这些范式充分利用双模信息并适用于临床应用。
EEG 和 MEG 数据中的意外大脑特征
。CC-BY 4.0 国际许可（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2020 年 1 月 6 日发布。；https://doi.org/10.1101/2020.01.06.895664 doi：bioRxiv 预印本