XiaoMi-AI文件搜索系统
World File Search SystemErrPs
与错误相关的电位：挑战和应用
错误相关电位（ERRP）是与错误处理相关的神经生理信号。在过去的三十年中有很多情况下，在许多情况下报告了它们是生成的，即当一个主题认为他/她/她/她已经犯了错误并在选择反应时间范式中立即识别出来时，当主体会在不知道是否出错的情况下，当主体的反馈中，当主体的反馈是错误的（反馈erfack erfect of persect）时，当主体会在选择反馈的情况下（“响应errp”），或者是“反馈”或“智能”的反馈（）当反馈不是预期的反馈时，与大脑计算机界面（BCI）的相互作用（“相互作用errp”）。ERRP的组件出现在500毫秒的时间窗口中，并且在大脑中自然而然地引起了用户的明确意图。因此，其自动检测可以以无数的方式实时使用。鉴于错误监测社会互动，行为，人机相互作用和认知学习的重要性，人们开始认识到，通过机器学习自动检测错误信号的可能性可能与许多现实生活中的临床和非临床环境中的许多现实应用有关。ERRP已经被用作多种应用程序中的一种概念，用于检测和纠正BCI选择以提高可靠性，随着时间的推移调整BCI系统或使人工智能系统学习。此外，近年来，人们对基于错误监测错误监测的临床应用中基于ERRP的方法的整合越来越感兴趣。虽然错误信号的实际使用仍处于起步阶段，并且是一个开放的研究领域，但为了了解其起源和潜在的神经机制，还有很多知识。Aiming at contributing to this research field, the special Research Topic on challenges and applications of ErrPs was launched in Frontiers in Human Neuroscience – Brain-Computer Interfaces, which brought together inputs from clinical and basic neuroscience, psychology, and engineering, presenting new neurophysiological insights about error signals, novel applications, both in terms of original contributions and literature reviews.
Hannah S. Pulferer 和 Gernot R. Müller-Putz* 闭环 2D 跟踪任务期间的连续错误处理
摘要：过去几十年来，错误相关电位 (ErrPs) 在非侵入式脑机接口 (BCI) 控制研究中的实用性已得到证实。然而，为了持续纠正 BCI 中末端执行器（例如机械臂）的错误动作，这些仅与离散错误感知相关的神经关联仍然存在问题。使用预先记录的数据集，在不同的正确或错误条件下提供 2D 跟踪任务的反馈，我们分析了是否可以从脑电图 (EEG) 中观察到连续反馈过程中的错误处理。在这个包含 30 个记录会话的数据集中，我们能够检测到正确条件和错误条件之间的显著差异。此外，报告了两种错误条件之间的最小显著差异，证实了错误和认知反应之间的直接联系。
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。
用于检测主动矫形器装置引入的误差的 EEG 和 EMG 数据集
外骨骼和矫形器经常用于促进运动障碍患者的肢体运动，因为它们可以使用脑电图 (EEG) 信号整合镜像疗法等经典治疗方法（Kirchner 等人，2013 年；Kirchner 和 Bütefür，2022 年）。除了触发外骨骼辅助外，EEG 还可用于推断运动意图（Kirchner 和 Bütefür，2022 年），这已被证明对于成功的神经康复至关重要（Noda 等人，2012 年；Hortal 等人，2015 年）。此外，EEG 还可用于推断人类观察或与之交互的机器人行为的主观正确性，正如 Iturrate 等人（2015 年）和 Kim 等人（2017 年、2020 年）在多篇论文中所证明的那样。为了验证辅助设备的正确性，深入了解患者感受到的支持水平非常重要。具体而言，必须评估患者是否感觉到机器人辅助系统所犯的错误。对于某些辅助设备，支持可以通过视觉观察到，并且可以根据从 EEG 信号中检测到的 ErrP 验证和调整主观正确性（Batzianoulis 等人，2020 年）。但是，对于患者佩戴的机器人，例如主动外骨骼或主动矫形器（Kirchner 和 Bütefür，2022 年），患者可能看不到但能感觉到不正确的行为。因此，研究外骨骼或矫形器中不正确行为的触觉检测是否会引发与视觉观察到的行为类似的事件相关电位 (ERP) 是有意义的。这些信息可用于纠正患者感知到的不正确行为[有关此已发布数据集的初步结果以及关于利用不同模式传输错误信息的进一步讨论，请参阅 Kim 和 Kirchner (2023)]。在脑电图研究中，当观察到错误行为（Iturrate 等人，2010 年；Kim 和 Kirchner，2013 年）、收到指示错误事件的反馈（Holroyd 和 Coles，2002 年）或在交互过程中发生错误（Kim 等人，2017 年）时，就会引发所谓的错误相关电位 (ErrP)。Chavarriaga 等人 (2014 年) 对此进行了全面的综述。此外，通过检测 ErrP 从脑电图中推断错误具有挑战性，因为它需要对相关模式进行异步分类（Kim 等人，2023 年）。这种异步分类通常会导致大量假阳性，因为与系统的交互时间较长或任务执行时间延长（Omedes 等人，2015 年；Spler 和 Niethammer，2015 年；Lopes-Dias 等人，2021 年）。在大多数研究中，视觉刺激用于诱发错误相关电位 (ErrPs)（例如，van Schie 等人，2004 年）。虽然一些研究