XiaoMi-AI文件搜索系统
World File Search SystemEEGLAB
开源人类在循环的BCI研究框架
大脑计算机界面（BCIS）将大脑活动转化为数字命令，以与物理世界互动。该技术在几个应用领域具有巨大的潜力，从医疗应用到娱乐业，并为认知神经科学的基础研究创造了新的条件。当今的BCIS，仅对用户当前心理状态的原油在线分类，而对精神状态的更复杂的解码取决于耗时的offline数据分析。本文通过利用一组分析管道的改进来直接解决此限制，从而为下一代在线BCI铺平了道路。特别是我们引入了一个开放源研究框架，该框架具有模块化和可定制的硬件设计。此框架促进了人类在循环（HIL）模型培训和再训练，实时刺激控制，并使转移学习和云计算用于脑电图（EEG）数据的在线分类。刺激和研究人员的诊断。使用实验室流层标准和Websocket发送消息。实时信号处理和分类以及机器学习模型的培训，由开源Python包装时间频率促进。框架在Linux，MacOS和Windows上运行。虽然在线分析是BCI-HIL框架的主要目标，但可以通过MNE，EEGLAB或FIELDTRIP（例如Python，Matlab和Julia）对EEG数据进行OfflINE分析。本文描述并讨论了人类在BCI研究平台的理想特性。BCI-HIL框架是根据MIT许可发布的，其示例为：bci.lu.se/bci-hil（或at：github.com/bci-hil/bci-hil）。
BeMoBIL Pipeline 用于自动分析多模式移动大脑和身体成像数据
硬件技术和分析方法的进步使脑电图 (EEG) 实验具有越来越多的移动性。除了神经活动之外，移动大脑/身体成像 (MoBI) 研究还可以记录各种类型的数据，例如运动或眼动追踪。尽管有可用的选项可以以标准化的方式分析 EEG 数据，但它们并不能完全涵盖来自移动实验的复杂多模态数据。因此，我们提出了 BeMoBIL 管道，这是 MATLAB 中一个易于使用的管道，支持时间同步处理多模态数据。它基于 EEGLAB 和 fieldtrip，由用于 EEG 预处理和随后的源分离的自动化功能组成。它还提供用于运动数据处理和从不同数据模态中提取事件标记的功能，包括使用独立成分分析从 EEG 中提取事件。该管道引入了一种新的稳健方法，用于基于感兴趣区域的独立 EEG 成分的组级聚类。最后，BeMoBIL 管道在各个处理步骤中提供分析可视化，保持分析透明并允许对结果进行质量检查。所有参数和步骤都记录在数据结构中，可以使用相同的脚本完全复制。该流程使（移动）EEG 和身体数据的处理和分析更加可靠，并且不受个别研究人员的先前经验的影响，从而促进了 EEG 的一般使用，特别是 MoBI。这是一个开源项目，可在 https://github.com/BeMoBIL/bemobil-pipeline 下载，允许将来进行社区驱动的改编。
BeMoBIL Pipeline 用于自动分析多模式移动大脑和身体成像数据
硬件技术和分析方法的进步使脑电图 (EEG) 实验具有越来越多的移动性。除了神经活动之外，移动大脑/身体成像 (MoBI) 研究还可以记录各种类型的数据，例如运动或眼动追踪。尽管有可用的选项可以以标准化的方式分析 EEG 数据，但它们并不能完全涵盖来自移动实验的复杂多模态数据。因此，我们提出了 BeMoBIL 管道，这是 MATLAB 中一个易于使用的管道，支持时间同步处理多模态数据。它基于 EEGLAB 和 fieldtrip，由用于 EEG 预处理和随后的源分离的自动化功能组成。它还提供用于运动数据处理和从不同数据模态中提取事件标记的功能，包括使用独立成分分析从 EEG 中提取眼动和步态相关事件。该管道引入了一种新的稳健方法，用于基于感兴趣区域的独立 EEG 成分的组级聚类。最后，BeMoBIL 管道在各个处理步骤中提供分析可视化，保持分析透明并允许对结果进行质量检查。所有参数和步骤都记录在数据结构中，可以使用相同的脚本完全复制。该流程使（移动）EEG 和身体数据的处理和分析更加可靠，并且不受个别研究人员的先前经验的影响，从而促进了 EEG 的一般使用，特别是 MoBI。这是一个开源项目，可在 https://github.com/BeMoBIL/bemobil-pipeline 下载，允许将来进行社区驱动的改编。
mvpalab：用于多维脑电图数据的机器学习解码工具箱
从历史上看，采用电交置数据（EEG）数据的大脑功能的研究依赖于对几种引起的EEG录音的不同峰的振幅和延迟的经典单变量分析，通常称为事件相关电位（ERP）。过去几十年来科学和技术的持续发展使搜索者和工程师能够开发和应用更高级的信号处理技术，例如时间/频率分析，相聚类，独立组件分析（ICA）分解[1,2]等。这些技术已在出色的分析和预处理工具中实施，例如EEGLAB [3]，ERPLAB [4]或FIELDTRIP [5]，这些技术是在各个领域中开发无数研究的研究人员。最近，较新的基于机器学习的算法（ML）与先进的神经影像学技术（例如功能磁共振成像（fMRI）或磁脑化术（MEG））结合使用，在神经科学方面已广受欢迎。这一趋势始于Haxby和Norman [6-8]的研究以及其他参考贡献[9-14]，这开辟了有关大脑功能研究的新途径。多年来，ML模型也成功地用于医学成像，主要是在计算机辅助诊断领域[15]。仅提及几个例子，在研究和阐述几种神经系统疾病的研究和解释中，使用了不同的ML方法，例如Parkinson [16-18]，Alzheimer [19-21]，自闭症[22-24]，或睡眠差异或睡眠差异[25-27]。根据初步研究[28-30]，甚至可以使用人工智能（AI）在胸部射线照相中成功诊断出近期扩散的共证。[28-30]。然而，最近ML模型的增长不仅限于神经科学或医学应用，而是在跨切割的大量科学学科中存在。
脑电图地形特征可用于评估腹腔镜手术训练期间的技能水平
目的：本研究的目的是根据脑电图 (EEG) 评估专家外科医生和新手住院医师之间的大脑活动差异。第一个子目标是评估 Microstate EEGlab 工具箱和 BCIlab 工具箱，用于数据分析和对基于微状态的公共空间模式 (CSP) 分析的地形特征进行分类。然后，第二个子目标是将基于微状态的 CSP 与传统的正则化 CSP 方法进行比较。方法：经 IRB 批准后，在布法罗大学招募了 10 名专家外科医生和 13 名新手住院医师。知情同意后，受试者进行了三次腹腔镜缝合和打结试验，任务试验之间有休息时间。在任务执行期间进行了 32 通道 EEG，用于分析 8 名专家外科医生（2 名因数据质量原因退出）和 13 名新手住院医师的大脑活动空间模式。在 CSP 分析之前，微状态分析被用作预处理以提高信噪比，从而区分专家外科医生和新手住院医生的大脑活动。结果：基于微状态的 CSP 分析根据头皮上的最大空间模式向量确定了重要通道。虽然新手主要涉及额叶皮层以获得头皮上的最大空间模式向量，但专家的空间模式向量热点在额叶和顶叶皮层上。使用基于微状态的 CSP，具有 10 倍交叉验证的简单线性判别分析实现了 90% 以上的分类准确率，而传统的正则化 CSP 可以达到 80% 左右的分类准确率。结论和讨论：基于微状态的 CSP 分析可以确定一组最佳通道，以评估专家外科医生和新手住院医生之间的大脑活动差异。未来的研究可以应用基于微状态的大脑行为时间动态监测，以实现个性化的自适应 VR 训练范式。
在脑部计算机界面中弥合计算智能和神经科学之间的差距，并具有对系统和数据的共同描述
我们正在进入开放科学的时代，这是科学的实践，以鼓励协作，对研究数据，研究过程，工具，脚本/代码以及任何其他相关信息的贡献。这种仅定义涉及支持知识产生的透明度和可访问性的框架（Vicente-Saez and Martinez-Fuentes，2018年）。然而，尽管共享的做法本身具有巨大的好处（Woel fllpe et al。，2011），特别是对于科学界而言，但它在研究人员之间的共同标准发展方面构成了显着的挑战。新知识的产生是新颖的研究主题，有吸引力的主题和问题所固有的。脑部计算机界面（BCI）（Vallabhaneni等，2005）就是这样一种领域，引起了研究人员的广泛关注。bcis允许人们通过直接使用其大脑信号与环境相互作用，从而绕过神经和肌肉的自然途径。在过去的二十年中，已经提出了几种系统，并且在像PubMed和Google Scholar这样的学术搜索引擎中进行了一些简单的探索，该一词“脑部计算机界面”一词分别提供了超过3K至40k的结果，每年都会发布更多的结果。可以从BCI社区和BCI社区提供几种开放数据资源。但是，这些和其他资源仍然使用不同的术语，数据格式，处理方法和机器学习对BCIS的这一数字研究仍在增加，代表了一个高度的多学科领域，其中神经科学家，数学家，医师，计算机科学家和工程师都相互互动，以改善BCI，通过提出新的Neurophyphyphyophymyolophypardigms，新的Neurophyophysiolophy Paradigms，“高级大脑信号”记录方法和设备，并确定了数学范围，以及数据，以及数据，以及数据，以及指码，以及指码 - 算法，以及指码。Data resources as MOABB ( Jayaram and Barachant, 2018 ), and software tools like EEGLAB 1 or MNE 2 are meant to use data formats and methods such as the European data format (EDF), JavaScript Object Notation (JSON) or comma-separated values (CSV) files to make it possible to easily mix data-processing techniques even if the data were obtained from different sources.