XiaoMi-AI文件搜索系统
World File Search SystemEMOTIV
用于音乐复音生成系统的脑机接口、视觉追踪器和人工智能
系统架构如图2所示。左侧的音高剖面生成器模块基于一种算法，该算法将Leap Motion 设备检测到的作曲家手指坐标转换为音符音高。结果是音高剖面，即一系列没有关于其持续时间的音符。右侧模块的特点是前馈网络分类器，它采用深度网络算法，分析作曲家佩戴的Emotiv 耳机的五个电极发出的脑电图信号，并将其心理状态分类为“专注”或“放松”。这里的心理状态是从脑电图信号获得的一系列功率谱值。该算法先前已通过特定作曲家的心理状态数据集进行训练。复音结构生成器：1）接收音高轮廓，2）将其乘以四以获得复音草案，3）根据作曲家的心理状态，为四个音高轮廓的音符赋予持续时间，并通过乱序方法进行区分。
神经模糊算法在人体中的性能分析...
摘要。脑机接口是一种非侵入式设备，可获取大脑产生的信号，然后对其进行操纵以适应各种应用。BCI 的一个流行应用是与机器人接口；并且，每个 BCI - 机器人系统都采用不同的机器学习算法。本研究旨在对神经模糊算法（特别是自适应网络模糊推理系统 (ANFIS)）进行性能分析，以对 Emotiv INSIGHT 检索到的 EEG 信号进行分类。还开发了一种 SVM 算法作为 ANFIS 性能的参考。研究人员可以使用一种生成和获取 EEG 信号的方法作为参考。面部和眼部手势被用作 EEG 信号生成的手段，并被输入到两种算法中进行模拟实验。结果表明，ANFIS 往往比 SVM 算法更可靠，并且略胜一筹。与 SVM 相比，ANFIS 占用了大量的计算资源，需要更高的规格和训练时间。
使用脑机接口控制的概念......
摘要：本研究探讨了为受伤或截肢后的患者实施智能假肢的可能性。脑机技术允许在大脑和外部设备之间获取和发送信号。然而，上肢假肢是一种相当复杂的工具，因为手本身具有非常复杂的结构，由多个关节组成。最复杂的关节无疑是位于拇指根部的鞍状关节。您需要展示足够的解剖学知识来构建一个易于使用且尽可能类似于人手的假肢。使用合适的软件创建合适的控制系统也很重要，以便与脑机接口轻松协同工作。因此，本工作中提出的解决方案由三部分组成，分别是：Emotiv EPOC + Neuroheadsets，由伺服器和 Arduino UNO 板（带专用软件）组成的控制系统，以及在三维图形程序 Blender 中制作并使用 3D 打印机打印的手假肢模型。这种由大脑信号控制的手部假肢可以帮助截肢后的残疾人和残肢部位神经支配受损的人。
使用消费级耳机记录的错误相关电位进行深度学习在线脑电图解码脑机接口
摘要 目的。脑机接口 (BCI) 允许感觉运动障碍的受试者与环境互动。依赖于事件相关电位 (ERP) 等脑电信号的非侵入式 BCI 已被证实是时空分辨率和患者影响之间的可靠折衷，但由于便携性和多功能性而受到限制，因此无法广泛应用。在这里，我们描述了一种使用消费级便携式耳机脑电图 Emotiv EPOC + 的深度学习增强误差相关电位 (ErrP) 辨别 BCI。方法。我们在视觉反馈任务中记录并辨别了 14 名受试者的在线和在线 ErrP。主要结果：我们实现了高达 81% 的在线辨别准确率，与使用生成对抗网络或训练数据和极简计算资源的内在模式函数增强进行深度学习获得的准确率相当。意义。我们的 BCI 模型有可能将 BCI 的范围扩展到更便携、人工智能增强、更高效的接口，从而加速这些设备在科学实验室受控环境之外的常规部署。
一个由大脑控制的代理在Unity玩游戏
人类代理人的互动表现为人们指导对象或代理人充当人类意图。这项演示工作开发了一种在线人类代理相互作用系统，尤其是针对脑部计算机界面（BCI），该系统使用实时的脑部信号：脑电图：脑电图（EEG）来控制Unity3D游戏平台中的代理。开发的系统还提供了EEG信号的线路可视化，包括三个频带（Theta，Alpha和Beta）中预处理的时间数据和功率谱。为了构建这项系统的工作，我们首先通过蓝牙传输从商业上可用的14通道脑线软件（Emotiv）收集无线EEG信号。然后对EEG信号进行预处理，并将其馈送到经过训练的深度学习模型中，以预测人类的意图，该模型将发送到Unity3D平台，以控制代理商在游戏中的动作，例如卡丁车游戏场景。在线测试结果表明，我们的系统工作的可行性将受益于人类代理人的互动社区。演示视频可以在以下链接中查看：https：//youtu.be/9awkheatc6i
设计一种新型光敏体模以精确校准脑电图系统的时间响应
人脑由 100 × 10 9 个神经元组成，它们相互连接，充当人体的控制系统。对人脑的研究从公元前一世纪就一直在进行。1最近，这引发了脑机接口 (BCI) 的研究。2 BCI 设计需要分析从头皮记录下来的脑电活动作为脑电图 (EEG) 活动。EEG 信号根据 EEG 电极位置和人体动作而变化。BCI 使用这些变化作为控制设备的特征或命令。传统医疗级 EEG 系统如 NeuroScan TM 、BioSemi TM 和 g.Tec TM 可在医院和医疗诊所找到，用于诊断一系列疾病，如癫痫、睡眠障碍和其他脑相关疾病。3,4 这些 EEG 系统由于其高质量和可靠性已经使用了很多年。最近，一些廉价的消费级无线脑电图系统已在家庭中使用，用于冥想和简单的脑电图诊断（NeuroSky TM 、Emobio TM 、Muse TM 、Emotiv TM 等）。与传统脑电图系统相比，这些无线脑电图系统不仅更便宜，而且更简单、更快捷
基于脑电图的脑机接口用于使用小波变换的手部辅助系统
摘要。多年来，机器人一直为人类带来巨大的用途。在人体无法按需求运作的情况下，机器人的功能在这些情况下非常有效。脑电图 (EEG) 控制的手部助手利用 EEG 信号和脑机接口 (BCI)。使用 Emotiv Insight 耳机从大脑获取 EEG 信号，然后对信号进行处理和特征提取，然后对信号进行调节，因为它是具有加性噪声的低幅度信号。使用小波变换对模拟信号进行信号处理。小波变换将有助于从模拟信号中提取信息。然后为信号分配签名以执行专用任务。滤波信号被提供给 Arduino Uno 的模拟引脚。借助 Arduino Uno 上内置的 ADC，数字数据也可在数字引脚上获得。然后通过 MATLAB 访问 Arduino 板。在不久的将来，如果它得到类似的输入，它将准确理解要执行什么操作。此外，机器人手部助手可以根据我们的需要进行操作。
基于心理命令和面部的无人机控制...
摘要 - 当它试图控制无人机时，通过各种设备有许多不同的方式，使用面部运动，带有传感器的特殊手套，笔记本电脑上的红色，绿色，蓝色摄像头，甚至通过执行由运动传感器拾取的手势来使用智能手表。本文提出了一项有关如何使用脑电波控制无人机的工作，而无需任何这些设备。当前研究的无人机控制系统是使用Emotiv Insight耳机拍摄的脑电图信号开发的。脑电图信号是从用户的大脑中收集的。然后通过蓝牙将处理后的信号发送到计算机。耳机采用蓝牙低能来进行无线传输。用户的大脑经过训练，以便使用生成的脑电图数据。最终信号通过MQTT消息传递协议传输到Raspberry Pi零。Raspberry Pi从耳机中控制无人机通过传入信号的运动。几年后，大脑控制可以替代许多普通的输入来源，例如键盘，触摸屏或其他传统方式，因此它可以增强交互式体验，并为残疾人与周围环境互动提供新的方式。
使用脑电图测量心理负荷的影响和解释对适当人工智能依赖的影响
摘要。人们期待人工智能能改善人类在各个领域的决策能力，尤其是高风险、困难的任务。然而，人类对人工智能建议的依赖往往是不恰当的。解决这个问题的常用方法是向决策者提供有关人工智能输出的解释，但迄今为止结果好坏参半。人们往往不清楚何时可以适当地依赖人工智能，何时解释可以提供帮助。在这项工作中，我们进行了一项实验室实验（N = 34），以研究人类对（可解释的）人工智能的依赖程度如何取决于不同决策难度引起的心理负荷。我们使用脑电图（Emotiv Epoc Flex 头罩，32 个湿电极）来更直接地测量参与者的心理负荷，而不是自我评估。我们发现，决策的难度（由诱发的心理负荷表明）强烈影响参与者适当依赖人工智能的能力，这通过相对自力更生、相对人工智能依赖以及有无人工智能的决策准确性来评估。虽然依赖对于低脑力负荷决策是合适的，但参与者在高脑力负荷决策中容易过度依赖。在这两种情况下，解释都没有显著影响。我们的结果表明，应该探索常见的“推荐和解释”方法的替代方案，以帮助人类在具有挑战性的任务中做出决策。
儿童注意力和创造力表现期间脑电图记录的功率谱和连接分析
摘要：本研究的目的是检查功率谱并探索注意力表现过程中的功能性大脑连接/断开情况，以注意力 d2 测试和创造力测试为衡量标准，以正常发育儿童的 CREA 测试为衡量标准。为此，我们通过使用相位同步性（即锁相指数 (PLI)）对 15 名 9 至 12 岁儿童通过 Emotiv EPOC 神经耳机获取的 EEG 信号进行检查来检查大脑连接。此外，作为补充，还对获取的信号进行了功率谱分析。我们的结果表明，在 d2 测试过程中，全局伽马相位同步增加，而全局 alpha 和 theta 波段去同步。相反，在 CREA 任务期间，功率谱分析显示 delta、beta、theta 和 gamma 波段显著增加。连接分析显示 theta、alpha 和 gamma 明显同步。这些发现与其他神经科学研究一致，表明多种大脑机制确实与创造力有关。此外，这些结果对于在临床和研究环境中评估注意力功能和创造力以及对具有正常和非正常发育的儿童的神经反馈干预具有重要意义。