XiaoMi-AI文件搜索系统
World File Search SystemFBCSP
基于脑电图模拟的空间滤波方法的性能：对中风患者的BCI研究
该研究报告了中风后神经疗法的中风患者在操作基于运动构象的脑部计算机界面（MI-BCI）的表现，并比较了三种不同的BCI空间滤波技术。对五名中风患者进行了实验，这些患者总共进行了15次Mi-BCI疗程，以围to的肢体为目标。在每个会话的初始校准阶段收集了脑电图数据，并通过使用源功能共同调节（SPOC），频谱加权的常见空间模式（SPECCSP）和过滤器银行常见的空间模式（FBCSP）BCI方法制作单个BCI模型。FBCSP的准确性显着高于SPOC的准确性（85.1±1.9％vs. 83.0±1.9％； P = 0.002），而FBCSP的准确性略高于SPECCSP的准确性（85.1±1.9％vs. 83.8±2.0％; P = 0.068）。SPOC和SPECCSP之间没有明显差异（p = 0.616）。平均误报比率为16.9％，17.1％，14.3％，而SPECCSP，SPOC，FBCSP的平均假阴影分别为15.5％，16.9％，15.5％。总而言之，我们证明了中风患者能够控制MI-BCI，并且可以用作早期中风阶段中互补神经居住的MI-BCI方法。
高性能多类运动想象脑电图分类
摘要：在现实生活中的脑机接口应用中，脑电图 (EEG) 中的运动想象 (MI) 的使用需要高性能算法，这些算法既准确又计算量小。基于公共空间模式 (CSP) 和滤波器组公共空间模式 (FBSP) 的特征提取方法已被证明非常有前景。在本文中，我们推进了这一前沿，提出了一种新的有效方法，其变体在准确性（就 kappa 值而言）方面优于具有相同或更小特征集的现有方法。我们已经证明，从准确性和计算复杂度的角度来看，使用一个 mu 波段和三个 beta 子波段都非常理想。我们已经能够使用我们的方法为 BCI 竞赛 IV 的数据集 2a 实现最佳报告 kappa 值 0.67，其中特征向量长度为 64，直接由 FBCSP 变换后的数据样本组成，无需进一步的特征选择。直接由 FBCSP 数据组成的 32 大小的特征向量足以在 kappa 值实现方面胜过现有方法。在本文中，我们还系统地报告了使用不同分类器（包括 kNN、SVM、LDA、Ensemble、ANN 和 ANFIS）和不同长度的特征向量进行的实验。据报道，SVM 是最好的分类器，其次是 LDA。
引用出版版本的引文：吴，x，jiang，s，li，g，liu，s，metcalfe，b，chen，l＆zhang，d 2023，''卷卷卷神经网络的深度学习
摘要 - 目的：基于卷积神经网络（CNN）的深度学习已使用头皮脑电图（EEG）在脑部计算机界面（BCIS）方面取得了成功。然而，对所谓的“黑匣子”方法的解释及其在立体情节摄影（SEEG）基于BCIS（SEEG）的BCIS中的应用仍然在很大程度上未知。因此，在本文中，对SEEG信号深度学习方法的解码性能进行了评估。方法：招募了三十例癫痫患者，并设计了包括五种手和前臂运动类型的范式。六种方法，包括过滤库公共空间模式（FBCSP）和五种深度学习方法（EEGNET，浅层和深CNN，Resnet，Resnet和一个名为STSCNN的深CNN变体），用于对SEEG数据进行分类。进行了各种实验，以研究Resnet和STSCNN的窗口，模型结构以及解码过程的影响。结果：EEGNET，FBCSP，浅CNN，DEEP CNN，STSCNN和RESNET的平均分类精度分别为35±6.1％，38±4.9％，60±3.9％，60±3.3％，61±3.2％和63±3.1％。对所提出方法的进一步分析表明，在光谱域中不同类别之间的可分离性明显。结论：重新连接和STSCNN分别达到了第一高的解码精度。STSCNN证明了额外的空间卷积层是有益的，并且可以从空间和光谱的角度部分解释解码过程。意义：这项研究是第一个研究Seeg信号深度学习的表现的研究。此外，本文证明了所谓的“黑盒”方法可以部分解释。
开发一个基于运动图像的实时异步混合型BCI控制器，用于下LIMB外骨骼
摘要：这项研究旨在开发与步态相关的运动图像（MI）基于较低LIMB外骨骼的基于与基于步态相关的运动图像（MI）的混合脑机构界面（BCI）控制器，并研究控制器在包括标准，Gait-Forwhard和Sit-Down的实际情况下的可行性。在研究中使用过滤库的公共空间模式（FBCSP）和基于信息的最佳个人特征（MIBIF）选择来解码MI脑电图（EEG）信号，并提取特征矩阵作为支持向量机（SVM）分类的输入。连续的眼光开关在操作下LIMB外骨骼时依次与EEG解码器结合。十个主题在OfflINE（培训）和在线方面都表现出80％以上的精度。所有受试者通过开发的实时BCI控制器穿着下LIMB外骨骼成功完成了步态任务。与手动智能手表控制器相比，BCI控制器的时间比为1.45。开发的系统可能有可能是具有神经系统疾病的人，他们可能有效地操作手动控制。
评估两个不同大小的数据集上的双层特征选择的运动想象分类性能
摘要：已经进行了大量研究来从各个方面提高基于运动想象的脑机接口 (BCI) 分类性能。然而，在客观和主观数据集上比较他们提出的特征选择框架性能的研究有限。因此，本研究旨在提供一种新颖的框架，该框架将不同频带的空间滤波器与双层特征选择相结合，并在已发布和自获取的数据集上对其进行评估。对脑电图 (EEG) 数据进行预处理并将其分解为多个频率子带，然后根据 Fisher 比率和最小冗余最大相关性 (mRmR) 算法提取、计算和排序其特征。通过线性判别分析 (LDA) 选择信息滤波器组进行最佳分类。研究结果首先表明，所提出的方法在准确性和 F1 分数方面可与其他传统方法相媲美。研究还发现，手与脚的分类比左手与右手的分类更具可辨性（差异为 4-10%）。最后，在应用于小规模数据时，滤波器组通用空间模式（FBCSP，无特征选择）算法的性能明显低于所提出的方法（p = 0.0029、p = 0.0015 和 p = 0.0008）。
等位基因特异性基因编辑以挽救主要的CRX- ...
由于非平稳性和脑电图信号的低信噪比（低SNR）特征，实现较高的分类性能是具有挑战性的。空间过滤通常用于改善SNR，但通常会忽略潜在的时间或频率信息中的个体差异。本文通过正交小波分解研究了运动图像信号，通过该分解，原始信号被分解为多个无关的子带分量。此外，通过加权渠道频谱过滤量滤波器进行过滤，并通过空间过滤共同实施，以提高EEG信号的可区分性，并具有嵌入在目标函数中的l 2-NORM正规化术语，以解决潜在的过度处理问题。最后，使用高斯先验的稀疏贝叶斯学习应用于提取的功率特征，产生RVM分类器。SEOWADE的分类性能比几种竞争算法（CSP，FBCSP，CSSP，CSSSP和Shallow Convnet）的分类性能要好得多。通过SEOWADE优化的空间滤波器的头皮重量图在神经生理学上具有更有意义。总而言之，这些结果证明了Seowade在提取单次脑电图分类的相关时空信息方面的有效性。
通过脑电信号测量认知好奇心的状态
摘要 — 了解好奇心背后的神经生理机制并因此能够识别一个人的好奇心水平，将为神经科学、心理学和计算机科学等众多领域的研究人员和设计师提供有用信息。揭示好奇心的神经相关性的第一步是在好奇状态下收集神经生理信号，以便开发信号处理和机器学习 (ML) 工具来识别好奇状态和非好奇状态。因此，我们进行了一项实验，其中我们使用脑电图 (EEG) 测量参与者在被诱导进入好奇状态时的大脑活动，使用琐事问答链。我们使用两种 ML 算法，即滤波器组公共空间模式 (FBCSP) 与线性判别算法 (LDA) 相结合，以及滤波器组切线空间分类器 (FBTSC)，以将好奇的 EEG 信号与非好奇的 EEG 信号进行分类。总体结果表明，两种算法在 3 到 5 秒的时间窗口内均获得了更好的性能，表明最佳时间窗口长度为 4 秒（FBTSC 的分类准确率为 63.09%，FBCSP+LDA 的分类准确率为 60.93%）可用于基于 EEG 信号的好奇心状态估计。索引术语 — 好奇心 - 心理状态 - 学习 - 脑电图 - 被动脑机接口
脑电图信号的分析和分类
摘要。 div>脑电图信号（EEG）的分析已成为研究在不同的认知和运动任务中研究大脑活动的强大工具。 div>在这项研究中，该技术用于分析10名J´ovenes参与者的数据，他们进行了运动想象范式，以控制一种称为HAND OF HOPER（HOH）的机器人型（HOH），以恢复心血管疾病患者的康复患者。 div>信号的获取是在训练和验证阶段进行的。 div>训练数据用于校准称为滤波器库公共空间模式（FBCSP）的人工智能模型，以提取特征和线性区分分析（LDA）作为分类器。 div>随后，对信号进行了频率分析，该频率分析估计了放松和想象任务之间的频谱功率以及频域中这些信号之间的相关性。 div>除了信号的检测时间外，SLICE验证数据还用于评估参与者移动'robalotica'tortesis的产率和能力。 div>结果表明，与弛豫状态相比，在运动想象力中，在α和theta波段的C3和CP3通道的光谱功率上存在不同步，这表明在其上激活了运动皮层，该均具有所用电极的位置。 div>
用于较低分辨率的多域卷积神经网络...
摘要：运动想象 (MI) 脑机接口 (BCI) 因其在用户意图和任务执行之间直观匹配的特点而被广泛应用于各种应用。将干脑电图 (EEG) 电极应用于 MI BCI 应用可以解决许多限制并实现实用性。在本研究中，我们提出了一种多域卷积神经网络 (MD-CNN) 模型，该模型使用多域结构学习特定于主体和依赖于电极的 EEG 特征，以提高干电极 MI BCI 的分类准确率。所提出的 MD-CNN 模型由三个域表示（时间、空间和相位）的学习层组成。我们首先使用公共数据集评估了所提出的 MD-CNN 模型，以确认多类分类的分类准确率为 78.96%（机会水平准确率：30%）。之后，10 名健康受试者参与并在两个阶段（干电极和湿电极）执行了三类与下肢运动（步态、坐下和休息）相关的 MI 任务。因此，与仅使用单个域的传统分类器（FBCSP、EEGNet、ShallowConvNet 和 DeepConvNet）相比，所提出的 MD-CNN 模型使用三类分类器实现了最高的分类准确度（干电极：58.44%；湿电极：58.66%；偶然水平准确度：43.33%），并且两种电极类型之间的准确度差异最小（0.22%，d = 0.0292）。我们期望所提出的 MD-CNN 模型可用于开发具有干电极的稳健 MI BCI 系统。
基于双向特征金字塔注意的时间卷积网络模型用于运动想象脑电图分类
脑机接口 (BCI) 是一种新兴的交互式通信方法，通过解码大脑活动产生的信号，实现对假肢和外部设备的神经控制，以及中风后运动康复。这种最先进的技术有可能彻底改变生活的各个方面，并显着提高整体生活质量。BCI 具有广泛的应用范围，从医疗援助到人类增强（Ahmed 等人，2022 年；Altaheri 等人，2023 年）。通常，脑电图 (EEG) 信号反映大脑的电活动，并通过在头皮上放置电极阵列来非侵入式地记录。获得真实值（时间和通道）二维 EEG 信号矩阵使人与外部设备之间的直接通信成为可能（Graimann 等人，2010 年）。运动想象 (MI) 是一种思考如何移动身体的某个部位而不移动身体的活动。基于 EEG 的 MI 活动已广泛应用于车辆控制、无人机控制、环境控制、智能家居、安全和其他非医疗领域（Altaheri 等人，2023 年）。然而，解码 MI-EEG 信号仍然是一项具有挑战性的任务。在此任务中，其他生理信号（例如面部肌肉活动、眨眼和环境中的电磁干扰）会污染记录的 MI-EEG 信号并导致信噪比低（Lotte 等人，2018 年）。MI-EEG 模式的个体差异受到参与者大脑结构和功能差异的影响。此外，EEG 系统在信号通道之间表现出一定程度的相关性，这进一步使信号处理过程复杂化（Altaheri 等人，2022 年）。在对 EEG 信号进行分类和识别的传统方法中，通常依赖于领域特定知识。这导致人们更加关注开发有效的特征提取和分类技术，这主要是由于 EEG 信号固有的低信噪比（ Huang et al., 2019 ）。人们通常使用各种特征提取方法，包括独立成分分析（ Barbati et al., 2004 ； Delorme and Makeig, 2004 ； Porcaro et al., 2015 ； Ruan et al., 2018 ）、小波变换（ Xu et al., 2018 ）、共同空间模式（ Gaur et al., 2021 ）和经验模态分解（ Tang et al., 2020 ）。在对 EEG 信号进行预处理后，从处理后的信号中提取基本特征并输入分类器以确定输入实例的类别（ Vaid et al., 2015 ）。传统的特征提取方法通常涉及手工设计的特征提取器，例如滤波器组共享空间模式 (FBCSP) (Ang et al., 2008) 或黎曼协方差 (Hersche et al., 2018) 特征。Ang et al.（2012）使用滤波器组公共空间模式（FBCSP）算法来优化MI-EEG上公共空间模式（CSP）的受试者特定频带，然后采用基于互信息的最佳个体特征（MIBIF）算法和基于互信息的粗糙集约简（MIRSR）算法从信号中提取判别性的CSP特征。最后，我们使用CSP算法进行分类并获得了良好的性能。值得注意的是，所有这些步骤都非常耗时。虽然传统方法通过预处理方法提高了EEG信号的信噪比，但从不同时间戳和受试者采集的EEG信号通常