XiaoMi-AI文件搜索系统
World File Search SystemErrPs
![arxiv：2109.13085v1 [cs.lg] 21 Sep 2021](/simg/c\c18afb6dff6069fa5a070de2f822b415342e474a.webp)
arxiv：2109.13085v1 [cs.lg] 21 Sep 2021
摘要 - 与错误相关的电位（ERRP）是事件与事件相关的电位（ERP），这是由于实验参与者在任务性能过程中对错误的识别所引起的。错误已被用于用于脑部计算机界面（BCIS），以检测和纠正错误，并在线解码算法。基于Riemannian几何学的特征提取和分类是BCI的一种新方法，在一系列实验范式中显示出良好的性能，但尚未应用于ERRP的分类。在这里，我们描述了一个实验，该实验引起了执行视觉歧视任务的七个正常参与者的错误。在每个试验中提供了音频反馈。我们使用多通道脑电图（EEG）记录来对ERRP进行分类（成功/失败），将基于Riemannian几何的方法与计算时间点特征的传统方法进行了比较。总体而言，Riemannian方法的表现优于传统方法（78.2％对75.9％的精度，p <0.05）；在七个参与者中，有三名在统计学上是显着的（p <0.05）。这些结果表明，Riemannian方法更好地捕获了反馈引用的错误，并且可能在BCI中应用于错误检测和校正。
涉及感觉运动控制的多任务处理过程中的错误相关电位：脑机接口的 ERP 和离线解码研究
人类通过感知和应对错误来实现高效的行为。错误相关电位 (ErrP) 是在感知错误时发生的电生理反应。有人提出利用 ErrP 来提高脑机接口 (BCI) 的准确性，利用大脑的自然错误检测过程来提高系统性能。然而，外部和环境因素对 ErrP 可检测性的影响仍然不太清楚，特别是在涉及 BCI 操作和感觉运动控制的多任务场景中。在此，我们假设感觉运动控制的困难会导致多任务处理中的神经资源分散，从而导致 ErrP 特征的减少。为了检验这一点，我们进行了一项实验，其中指示参与者将球保持在板上的指定区域内，同时尝试通过运动想象控制显示屏上的光标。BCI 以 30% 的随机概率提供错误反馈。根据感觉运动控制的难度，我们采用了三种场景——无球（单任务）、轻量球（简单任务）和重量球（困难任务）——来描述 ErrP。此外，为了研究多任务对 ErrP-BCI 性能的影响，我们离线分析了单次试验分类准确度。与我们的假设相反，改变感觉运动控制的难度不会导致 ErrP 特征发生显著变化。然而，多任务会显著影响 ErrP 分类准确度。事后分析显示，在单任务 ErrP 上训练的分类器在困难任务场景下准确度降低。据我们所知，这项研究是首次在离线框架内研究在涉及感觉运动控制和 BCI 操作的多任务环境中 ErrP 是如何被调节的。尽管 ErrP 特征保持不变，但观察到的准确度变化表明，在实现基于 ErrP 的实时 BCI 之前，需要设计考虑任务负荷的分类器。
使用基于脑电图的隐式人类反馈
摘要 - 用人类反馈的提供强化学习（RL）代理可以极大地改善学习的各个方面。但是，以前的方法要求人类观察者明确地给出输入（例如，按钮，语音界面），在RL代理的学习过程的循环中为人提供负担。此外，不断提供明确的人类建议（反馈）并非总是可能或过于限制，例如自主驾驶，残疾人康复等。在这项工作中，我们以与错误相关电位的形式（ERRP）的形式调查了捕获人类的内在反应，作为隐式（和自然）的反馈，为人类提供了一种自然而直接的方式，使人类改善RL剂量的学习。因此，可以通过隐式反馈与RL算法进行整合，以加速RL代理的学习。我们开发了三个合理复杂的2D离散导航游戏，以实验评估拟议工作的整体绩效。和将ERR作为反馈的动机也通过主观实验来验证。我们工作的主要贡献如下，（i）我们提出并在实验中验证了错误的错误学习，其中一个游戏可以学习错误，并转移到其他未见的游戏中，（ii）我们提出了一个新颖的RL框架，以通过err rl and grouns and Spart和II，与II级别的人类相比，与人类的反馈相比，与人类的反馈相比，与II相比，与II相比，与II相比，与II相比，与II相比，与II相比，与Firical Inf（II I Iff）相比，与Firical Inf（IS）相比（将错误应用于合理复杂的环境，并通过真实的用户实验来证明我们的方法可以加速学习的重要性。
EEG 误差相关电位编码误差大小和个体感知阈值
摘要 错误相关电位 (ErrPs) 是绩效监控的重要脑电图 (EEG) 相关因素，对于学习和调整我们的行为至关重要。人们对 ErrPs 是否编码了除错误意识之外的更多信息知之甚少。我们报告了一项有 16 名参与者参加的实验，该实验分为三个环节，在执行光标到达任务期间偶尔会发生不同程度的视觉旋转。我们设计了一个脑机接口 (BCI) 来检测提供实时反馈的 ErrPs。单个 ErrP-BCI 解码器在各个环节之间表现出良好的传输性能，并且在错误幅度上具有可扩展性。ErrP-BCI 输出与错误幅度之间的非线性关系可预测个人感知阈值以检测错误。我们还揭示了与所需调整幅度共同变化的 θ-γ 振荡耦合。我们的研究结果为探索和扩展当前的绩效监控理论开辟了新途径，通过结合连续的人机交互任务和对 ErrP 复合物而非单个峰值的分析。
http://dx.doi.org/10.1037/0021-843X.111.1.13 Usama, N.、Leerskov, K.、Niazi, IK、Dremstrup, K. 和 Jochumsen, M. (2020 年)。错误相关概率分类
误差相关电位 (ErrPs) 已被提议用于设计自适应脑机接口 (BCIs)。因此，必须解码 ErrPs。本研究的目的是评估在涉及运动执行 (ME) 和想象 (MI) 的 BCI 范式中使用不同特征类型和分类器组合对 ErrP 进行解码。15 名健康受试者进行了 510 次 (ME) 和 390 次 (MI) 右/左腕伸展和足背屈试验。假 BCI 反馈的准确率为 80% (ME) 和 70% (MI)。记录连续 EEG 并分为 ErrP 和非 ErrP 时期。提取时间、频谱、离散小波变换 (DWT) 边缘和模板匹配特征，并使用线性判别分析、支持向量机和随机森林分类器对所有特征类型组合进行分类。在 ME 和 MI 范式中都引出了 ErrPs，平均分类准确率明显高于偶然水平。使用时间特征和随机森林分类的时间+DWT特征组合获得了最高平均分类准确率；ME和MI分别为89±9%和83±9%。这些结果通常表明，在检测ErrP时应使用时间特征，但受试者之间存在很大的差异，这意味着应得出用户特定的特征以最大限度地提高性能。
误差相关电位变异性：探索对分类和可转移性的影响
摘要 — 脑机接口 (BCI) 允许从大脑到外部应用程序直接通信，以自动检测认知过程，例如错误识别。错误相关电位 (ErrPs) 是当一个人犯下或观察到错误事件时引发的一种特殊大脑信号。然而，由于大脑和记录设备的噪声特性，ErrPs 会因各种其他大脑信号、生物噪声和外部噪声的组合而有所不同，这使得 ErrP 的分类成为一个不简单的问题。最近的研究揭示了导致 ErrP 变化的特定认知过程，例如意识、体现和可预测性。在本文中，我们探索了在通过改变给定任务的意识和体现水平而生成的不同 ErrP 变化数据集上进行训练时分类器可迁移性的性能。特别是，我们研究了当由相似和不同的任务引发时观察性和交互性 ErrP 类别之间的转移。我们的实证结果从数据角度对 ErrP 可转移性问题进行了探索性分析。
脑瘫、中风和
摘要：脑机接口的性能可能会随着时间的推移而降低，但调整分类器可以减少这个问题。误差相关电位 (ErrPs) 可以标记数据以进行持续调整。然而，这在严重运动障碍人群中很少被研究过。本研究的目的是通过离线分析从脑瘫、截肢或中风患者的单次脑电图中检测出 ErrPs，并确定不同大脑区域拥有多少判别信息。10 名脑瘫患者、8 名截肢患者和 25 名中风患者试图进行 300-400 次手腕和脚踝运动，同时假脑机接口对他们引发 ErrPs 的表现提供反馈。预处理的脑电图时期被输入到多层感知器人工神经网络中。每个大脑区域都单独用作输入（额叶、中央、颞右、颞左、顶叶和枕叶）、中央区域与每个相邻区域的组合以及所有区域的组合。额叶和中央区域最重要，添加其他区域只会略微提高性能。脑瘫、截肢和中风参与者的平均分类准确率分别为 84 ± 4%、87 ± 4% 和 85 ± 3%。总之，可以在运动障碍的参与者中检测到 ErrP；这可能对开发自适应 BCI 或自动纠错具有重要意义。
使用人工神经网络从脑电图中检测ereg中风患者的错误相关电位
摘要：已提出了与错误相关的电位（ERRP）作为改善大脑 - 计算机界面（BCI）性能的一种手段，方法是纠正BCI执行的不正确操作或标记数据以连续适应BCI以改善性能。后一种方法可能在中风康复中相关，在这种康复中，通过使用在整个康复过程中持续个性化的广义分类器，可以将BCI校准时间最小化。如果数据正确标记，则可以实现这一目标。因此，这项研究的目的是：（1）对中风的个体产生的单次试验错误，（2）调查测试 - 重测可靠性，（3）比较不同的分类校准方案与不同的分类方法与人工新神经网络（ANN，ANN，ANN，和LINARINAL ANTIFERINAL，LDA）的不同分类方法（人工Neuratial网络）和LDA的含义。25个中风的人在两天的时间里试图执行运动，然后在记录连续脑电图时收到反馈（错误/正确）。脑电图分为时期：errps和nonerrps。根据时间特征或整个时期，将时期与多层感知器ANN分类。此外，将特征与收缩LDA分类。特征是来自感觉运动皮层的ERR和非ERRPS的波形，以改善分类器输出的解释性和解释。测试了三个校准方案：今天，日间和跨参与者。使用日期校准，将90％的数据与整个时期正确分类为ANN的输入；当使用时间特征作为ANN和LDA的输入时，它降至86％和69％。两天之间的测试可靠性较差，而其他校准方案导致准确性在63-72％的范围内，LDA表现最好。个人的损伤水平与分类精度之间没有关联。结果表明，可以在中风的个体中对错误进行分类，但是使用这种方法最佳解码需要使用用户和会话特定的校准。使用ERRP/NONERRP波形特征使对分类器输出的生理有意义解释成为可能。结果可能对在BCI中连续将数据进行标记以进行中风康复，从而有可能改善BCI性能。
通过使用检测性参数
摘要 - 近年来，在“人类机器人相互作用”（HRI）的背景下，与错误相关电位（ERRP）的研究是一种与事件相关的电位（EEG）分析（EEG）分析中使用的特定事件相关电位（ERP），它在开发可能学习的Robotic Pros方面越来越引起人们的关注，从而可以学习使用用户的需求和调整时间特定时间。这项工作旨在开发一种创新的方法来离线分类ERRP。此新方法使用称为检测图（用于预测诊断）的参数来识别电势（ERRP）。使用不同的EEG数据集进行了分析，该数据集已预处理。对检测图进行计算，分析，并与文献中已经知道的经典分类方法进行了比较。索引术语 - ERRP，Hjorth的参数，分类，HRI
评估ERN和FRN鲁棒性对跨课程可变性
简介：大脑计算机界面（BCI）是允许用户明确或隐式与计算机相互作用的设备（Clerc等，2016）。许多BCI是基于脑电图（EEG）的，在神经基础学中，BCI可用于检测用户的心理状态。然而，基于脑电图的精神状态估计管道仍未达到具有信号非平稳性的理想分类率，包括跨课程可变性（Saha＆Baumert，2020）。因此，提出了使用与EEG提取的错误相关电位（ERRP）通过一种反馈回路来帮助改善BCI算法的（Chavarriaga等，2014）。事件相关电位（ERP）已显示出比光谱特征更强大的时间效应（Roy等，2016），并且误差势（ERRP）也可能证明是如此。这些错误的形状为两个额中央ERP：错误委员会和反馈相关的消极情绪的与错误相关的负面关系（ERN）（FRN，又称奖励积极性-REWP）用于负反馈观察。阳性顶部成分伴随着这些峰：分别是误差阳性（PE）和P300（Chavarriaga等，2014）。这些潜力也通过观察出人意料和/或错误的系统作用引起（Somon等，2018）。Chavarrigia和Millán（2010）开始研究ERN和FRN的稳定性，并表明它们会随着时间的流逝而保持稳定。但是，没有研究某些因素。这项研究的初步结果打算通过两种方式扩展这些结果：首先，我们评估了在三个单独的课程中呈现ERN和FRN对ERN和FRN的一致性的影响，相隔一周；然后，我们观察到执行和反馈相关的错误随着时间的推移的稳定性。