XiaoMi-AI文件搜索系统
World File Search SystemEEG
使用卷积神经网络基于EEG的低位检测
摘要。缺陷率检测已成为生物医学信号处理场中重要的活跃研究领域。为此，脑电图（EEG）是嗜睡和觉醒检测中最常见的方式之一。在这种情况下，我们提出了一种用于检测疲劳状态的新EEG分类方法。我们的方法利用A和觉醒的检测。在这种情况下，我们提出了一种用于检测疲劳状态的新EEG分类方法。我们的方法利用了卷积神经网络（CNN）体系结构。我们使用Emotiv Epoc+耳机定义了实验方案。之后，我们在记录和注释的数据集上评估了我们提出的方法。报告的结果表明检测准确性很高（93％），并表明所提出的方法是与其他方法相比，该方法是缺陷检测的有效替代方案。
新型移动无线脑电图耳机对于音乐愉悦感的评价可靠吗？
自 20 世纪初以来，脑电图 (EEG) 已被广泛应用于医疗和各种大脑过程的研究。随着技术的快速发展，越来越多精确和先进的研究工具应运而生。然而，这些设备的主要限制因素往往是价格高，有些设备便携性差，设置时间长。尽管如此，市场上还是出现了各种各样的无线 EEG 设备，它们没有这些限制，但信号质量较低。同时对多名参与者进行 EEG 记录的技术以及新的技术解决方案为了解群体的大脑情绪动态提供了更多可能性。大量研究对许多移动设备进行了比较和测试，但结果却相互矛盾。因此，在开展大规模研究之前，测试特定无线设备在特定研究环境中的可靠性非常重要。本研究的目的是评估两种无线设备（g.tech Nautilus SAHARA 电极和 Emotiv™ Epoc +）用于检测音乐情绪的可靠性，并与金标准 EEG 设备进行对比。16 名参与者报告说，在听他们最喜欢的令人毛骨悚然的音乐片段时，他们感到情绪愉悦（从低度愉悦到音乐般的寒意）。在情绪检测方面，我们的结果显示，在 alpha 频段的左前额叶和左颞叶区域，Epoc + 与金标准设备之间存在统计学上的显著一致性。我们验证了 Emotiv™ Epoc + 在音乐情绪研究中的用途。我们没有发现 g.tech 和黄金标准之间存在任何显著的一致性。这表明 Emotiv Epoc 更适合在自然环境中调查音乐情绪。
心理策略和静息态脑电图：
摘要。神经反馈 (NFB) 是一种脑机接口，允许个人调节大脑活动。尽管 NFB 具有自我调节的性质，但 NFB 训练期间使用的策略的有效性却很少受到研究。在对健康年轻参与者进行的一次 NFB 训练（6*3 分钟训练块）中，我们通过实验测试了提供心理策略列表（列表组，N = 46）与未接受任何策略的组（无列表组，N = 39）相比，是否影响参与者对高 alpha（10-12 Hz）振幅的神经调节能力。我们还要求参与者口头报告用于增强高 alpha 振幅的心理策略。然后将逐字记录归类为预先确定的类别，以检查心理策略类型对高 alpha 振幅的影响。首先，我们发现向参与者提供列表并不能提高神经调节高 alpha 活动的能力。然而，我们对学习者在训练块期间报告的具体策略的分析表明，认知努力和回忆记忆与更高的高 alpha 振幅有关。此外，训练后高 alpha 频率的静息振幅可预测训练期间振幅的增加，这一因素可能会优化 NFB 方案的纳入。本研究结果还证实了 NFB 训练期间与其他频带的相互关系。尽管这些发现是基于单个 NFB 会话，但我们的研究代表着朝着开发 NFB 高 alpha 神经调节的有效方案迈出了进一步的一步。图形摘要
开放的EEGLAB门户界面：使用EEGLAB进行高性能计算
EEGLAB 信号处理环境是目前处理脑电图 (EEG) 数据的领先开源软件。神经科学网关 (NSG，nsgportal.org) 是一个基于 Web 和 API 的门户，允许用户在美国 XSEDE 网络中的高性能计算 (HPC) 资源上轻松运行各种与神经科学相关的软件。我们最近报道了 (Delorme 等人，2019) Open EEGLAB Portal 扩展了免费 NSG 服务，以允许神经科学界使用 EEGLAB 工具环境构建和运行 MATLAB 管道。我们现在发布了一个 EEGLAB 插件 nsgportal，它可以在任何个人实验室计算机上的 MATLAB 上运行的 EEGLAB 中直接将 EEGLAB 与 NSG 连接起来。该插件具有灵活的 MATLAB 图形用户界面 (GUI)，允许用户轻松提交、交互和管理 NSG 作业，以及检索和检查其结果。支持这些 GUI 功能的命令行 nsgportal 工具允许 EEGLAB 用户和插件工具开发人员构建高度自动化的功能和工作流程，包括可选的 NSG 作业提交和处理。这里我们详细介绍了 nsgportal 的实施和文档，提供了示例应用程序的用户教程，并展示了使用 HPC 与笔记本电脑处理的计算时间的比较示例测试结果。
使用水印
摘要 - 基于EEG的神经网络，医学诊断和脑部计算机界面的关键，由于依赖敏感的神经生理数据和资源密集型发展，面临着重要的知识产权（IP）风险。当前的水印方法，尤其是使用抽象触发器集的方法，缺乏强大的身份验证，并且无法解决EEG模型的独特挑战。本文介绍了针对基于EEG的神经网络量身定制的基于密码的Wonder滤清器水印框架。利用抗碰撞的哈希功能和所有者的私钥，Wonder Filter在训练过程中嵌入了位水印，可确保最小的失真（EEG任务准确性下降5％）和高可靠性（100％水印检测）。该框架是针对对抗性攻击的严格评估，包括微调，转移学习和神经元修剪。的结果表明，即使在积极的修剪后，水印状态的分类准确性仍然超过90％，而主要的任务绩效降低了速度，却阻止了去除尝试的速度。盗版性耐药性通过无法嵌入次级水印而没有严重准确性损失（在EEGNET和CCNN模型中> 10％）来验证。加密散列可确保身份验证，从而降低了蛮力攻击成功概率。在DEAP数据集上进行了跨模型（CCNN，EEGNET，TSEPTION）的评估，该方法达到了> 99。4％的无效剂量准确性，有效地消除了误报。通过将Wonder过滤器与EEG特异性改编整合在一起，这项工作弥合了神经生理模型的IP保护方面的关键差距，为医疗保健和生物识别应用提供了安全的，防篡改的解决方案。该框架针对对抗性修饰的鲁棒性强调了其在维护诊断效用的同时维护敏感的脑电图模型的潜力，从而促进了对AI驱动的生物医学技术的信任。
量子支持向量机应用于黎曼几何的脑电信号分类
有关量子计算的文献表明，与传统计算相比，量子计算在计算时间和结果方面可能更具优势，例如在模式识别或使用有限的训练集时 [14, 5]。一个无处不在的量子计算库是 Qiskit [1]。Qiskit 是一个在 Apache 2.0 下分发的 IBM 库，它同时提供量子算法和后端。后端可以是本地机器，也可以是远程机器，可以模拟它，也可以是量子机器。Qiskit 对您想要使用的机器类型的抽象使量子算法设计变得无缝。Qiskit 实现了支持向量类分类器的量子版本，称为量子增强支持向量分类器 (QSVC) [10]。在分类任务复杂的情况下，QSVC 可能比传统 SVM 更具优势。任务复杂性随着数据编码为量子态、可用数据的数量和数据质量的提高而增加。在 [6] 中，我们提出量子分类可能对依赖脑电图 (EEG) 的脑机接口具有巨大的潜力。基于这个想法，我们研究了 EEG 信号量子分类的可行性 [7]，通过使用 QSVC 结合黎曼几何 -
基于显著性的脑电情绪估计特征融合模型
摘要 — 在评估情绪的不同方式中，代表大脑电活动的脑电图 (EEG) 在过去十年中取得了令人鼓舞的成果。EEG 的情绪估计有助于某些疾病的诊断或康复。在本文中，我们提出了一个双重模型，考虑了 EEG 特征图的两种不同表示：1) 基于顺序的 EEG 频带功率表示，2) 基于图像的特征向量表示。我们还提出了一种创新方法，根据基于图像的模型的显着性分析来组合信息，以促进两个模型部分的联合学习。该模型已在四个公开可用的数据集上进行了评估：SEED-IV、SEED、DEAP 和 MPED。对于三个提出的数据集，所取得的结果优于最先进方法的结果，标准差较低，反映了更高的稳定性。为了可重复性，本文提出的代码和模型可在 https://github.com/VDelv/Emotion-EEG 获得。
认知负荷的脑电图测量：荟萃分析
摘要 认知工作量 (CWL) 是评估和监测人类执行认知任务时表现的基本概念。许多研究尝试使用神经成像技术客观、持续地测量 CWL。尽管脑电图 (EEG) 是一种广泛使用的技术，但 CWL 对大脑频率频谱功率的影响却显示出不一致的结果。本综述旨在综合文献结果并定量评估哪种大脑频率对 CWL 最敏感。按照 PRISMA 建议进行的系统文献检索突出了用于测量 CWL 的三个主要频带：θ (4-8 Hz)、α (8-12 Hz) 和β (12-30 Hz)。进行了三项荟萃分析以定量检验 CWL 对这些频率的影响。共计算了来自 24 项研究（涉及 723 名参与者）的 45 个效应大小。 CWL 对 theta (g = 0.68, CI [0.41, 0.95])、alpha (g = −0.25, CI [−0.45, 0.04]) 和 beta (g = 0.50, CI [0.21, 0.79]) 功率有显著影响。我们的结果表明，theta，尤其是额叶 theta，是 CWL 的最佳指数。alpha 和 beta 功率也受到 CWL 的显著影响；然而，它们之间的关联似乎不那么直接。考虑到脑震荡方面的文献，对这些结果进行了批判性分析。最后，我们强调需要研究 CWL 与可能影响频谱功率的其他因素（例如情绪负荷）之间的相互作用，并将该测量方法与中枢和周围神经系统的其他分析方法（例如功能连接、心率）相结合。
使用双峰脑电图进行多目标运动想象训练...
传统康复技术存在局限性，大多数患者在卒中后 1 年恢复情况不佳。因此，神经反馈 (NF) 或脑机接口在卒中康复中的应用越来越受到关注。事实上，NF 有可能增强对目标皮质区域的意志控制，从而影响运动功能恢复。然而，目前的实施受到所用特定成像方式的时间、空间或实际约束的限制。在这项试点工作中，也是在文献中首次，我们应用双模 EEG-fMRI NF 对四名具有不同卒中特征和运动障碍严重程度的卒中患者进行上肢卒中恢复。我们还提出了一种新颖的多目标训练方法，引导训练激活同侧初级运动皮质。除了 fMRI 和 EEG 结果外，我们还使用纤维束成像评估皮质脊髓束 (CST) 的完整性。初步结果表明我们的方法可行，并显示出其有可能根据中风缺陷的严重程度诱导同侧运动区域的增强激活。只有两名 CST 和皮质下病变保留的患者成功上调了同侧初级运动皮质，并表现出上肢运动功能改善。这些发现强调了考虑中风患者群体差异的重要性，并使我们能够确定未来临床研究设计的纳入标准。
EEG 和 MEG 研究方面的良好科学实践
a 美国印第安纳州布卢明顿印第安纳大学心理学与脑科学 b 西班牙马德里理工大学和 CIBER-BBN c 神经适应性人机交互，德国科特布斯-森夫滕贝格勃兰登堡工业大学 d 艾克斯-马赛大学，法国蒂莫内神经科学研究所 e CNRS、LPL，法国普罗旺斯地区艾克斯-马赛大学 f加拿大不列颠哥伦比亚大学 g 生态功能与进化中心、CNRS、EPHE、IRD、蒙彼利埃大学，法国蒙彼利埃 h 认知神经影像中心、INSERM、CEA、CNRS、巴黎萨克雷大学 NeuroSpin 中心，法国 Gif/Yvette i 蒙特利尔大学心理学系认知和计算神经科学实验室，蒙特利尔， QC，加拿大 j Mila -加拿大魁北克人工智能研究所 k 塞尔维亚贝尔格莱德大学哲学系、神经认知和应用认知实验室 l 塞尔沃研究所 - 巴黎大脑研究所 - ICM、Inserm U 1127、CNRS UMR 7225、APHP、Hôpital de la Pitié Salpêtrière、索邦大学、MEG-EEG 中心、神经影像中心Recherche (CENIR)，法国巴黎。 m 加利福尼亚大学心智与大脑中心，美国加利福尼亚州戴维斯市 n 艾克斯马赛大学、法国国家健康与医学研究院、法国国家神经系统研究所 o 德克萨斯大学休斯顿健康科学中心麦戈文医学院，美国德克萨斯州休斯顿市 p 图宾根大学，德国 q 乌拉尔联邦大学，俄罗斯叶卡捷琳堡 r 鹿特丹伊拉斯姆斯大学，荷兰鹿特丹 s 全球分布式开放研究与教育研究所（IGDORE），瑞典 t 杜克大学，美国 u 图卢兹大学 ISAE-SUPAERO，法国 v 贝尔格莱德大学教师教育学院，塞尔维亚 w 南洋理工大学心理学，新加坡 x 新加坡临床科学研究所，A ∗ STAR，新加坡 y 剑桥大学 MRC 认知与脑科学部，英国剑桥 z 诺丁汉大学心理学院，英国诺丁汉德国法兰克福神经科学系，芬兰阿尔托大学