XiaoMi-AI文件搜索系统
World File Search SystemEPOC
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。
哮喘管理和预防袖珍指南
NSAIDs 非甾体抗炎药 BDP 丙酸倍氯米松 DPI 干粉吸入器 DU 急诊科 COPD 慢性阻塞性肺病 GERD 胃食管反流病 FeNO 呼出气一氧化氮分数 FEV 1 一秒用力呼气量 FVC 用力肺活量 HDM 屋尘螨 ICS 吸入皮质类固醇 ICS-LABA ICS 与 LABA 组合 Ig 免疫球蛋白 IL 白介素 SLIT 舌下免疫治疗 IV 静脉注射 LABA 长效β2受体激动剂 LAMA 长效毒蕈碱拮抗剂 LTRA 白三烯受体拮抗剂 O 2 氧气 OCS 口服皮质类固醇 PEF 呼气峰流量 pMDI 加压定量吸入器 SABA 短效β2受体激动剂 SC 皮下 TSLP 基质淋巴细胞生成素胸腺
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。
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。
数据集用于使用eeg进行的设想语音识别...
脑部计算机界面是一个重要而热门的研究主题，它彻底改变了人们与世界的互动，尤其是对于神经系统疾病的人。虽然已经在英语字母和单词的脑电图信号中进行了广泛的研究，但仍然存在一个主要限制：缺乏许多非英语语言（例如阿拉伯语）公开可用的脑电图数据集。尽管阿拉伯语是全球口语最多的语言之一，但据我们所知，到目前为止，目前尚无公开可用的脑电图信号。为了解决这一差距，我们介绍了Areeg_chars，这是一个新颖的EEG数据集，该数据集用于30名参与者（21名男性和9名女性）的阿拉伯语31个字符，使用Epoc X 14通道设备收集了这些记录，每次CHAR记录长10秒。记录信号的数量为930个脑电图记录。使EEG信号适合分析，每个记录分别分别为多个信号，分别为250ms。因此，本研究中总共收集了39857个脑电图信号的记录。此外，Areeg_chars将公开用于研究人员。我们确实希望该数据集能够填补对阿拉伯语脑电图的研究，从而使讲阿拉伯语的残疾人受益。
使用无线脑电图信号估计心理负荷
摘要：先前的研究已经证明了脑电图 (EEG) 在评估心理工作负荷方面的适用性。然而，开发可靠的跨任务、跨受试者和跨会话工作负荷分类模型仍然是一个挑战。在本研究中，我们使用无线 Emotiv EPOC 耳机评估了八名受试者和两项心理任务（即 n-back 和算术任务）的工作负荷。0-back 和 2-back 任务以及 1 位和 3 位加法分别被用作 n-back 和算术任务中的低和高工作负荷。使用功率谱密度作为特征，开发了一个信号处理和特征提取框架来对工作负荷级别进行分类。在 n-back 和算术任务中，会话内准确率分别达到 98.5% 和 95.5%。为了便于实时估计工作负荷，应用了快速域自适应技术，实现了 68.6% 的跨任务准确率。同样，我们在 n-back 和算术任务中分别获得了 80.5% 和 76.6% 的跨会话准确率，以及 74.4% 和 64.1% 的跨受试者准确率。尽管参与者数量有限，但该框架在跨受试者和任务方面具有很好的推广性，并为开发独立于受试者和任务的模型提供了一种有前途的方法。它还表明在认知监测中使用消费级无线 EEG 耳机实时估计工作量在实践中的可行性。
heurísticapara elanálisisde emociones usandoseñales...
除了脑电图信号外，神经心理学中还有几种允许对情绪进行分类的测试，其中是SAM（（自我评估MIEARS）。sam是一种基于激发和瓦伦西亚模型的非语言工具，通过人形象形图，它可以评估一个人面对刺激的愉悦，兴奋和掌握[6]。 div>该测试是由Lang开发的，该测试是基于Mehrabian和Rusell在1974年提出的差异模型（Henthfory SDM）[7]。 div>最后，这项工作的目的是提出一种启发式，该启发式措施允许在暴露于刺激的情况下评估人类的情绪，将SAM测试所抛出的结果与Emotiv COPD头带所抛出的结果进行比较，一旦这些标志将这些标志与小波变换进行处理。 div>
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)，在我们的价标签数据集上取得了 2.728 的均方根得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的唤醒标签数据集上取得了 2.3 的得分。
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。