XiaoMi-AI文件搜索系统
World File Search SystemFNIRS
EEG和FNIRS的早期融合改善了运动图像的分类
大脑 - 计算机界面（BCIS）是通信系统，它利用大脑产生的控制信号与周围环境相互作用，而无需参与周围神经系统和肌肉（Nicolas-Alonso和Gomez-Gil，2012年）。这些年来，在BCI领域取得了繁荣的进步。运动图像（MI）是BCI研究中的常见范例之一（Kaiser等，2011），它是通过想象执行给定任务（Jeannerod，1995）来完成的，例如Grabing（Herath and Mel，Mel，2021），Lifting（Kasemsumsumsumsumsumsumsumran and Boonchieng，2019年），以及。mi-bcis被广泛用于帮助由中风引起的运动功能障碍的患者（Ang等，2010），肌萎缩性的侧面硬化症（Lulé等，2007），脊髓损伤（Cramer等，2007），因此，进行日常生活援助或康复训练。由于运动图像任务诱导事件相关的对同步和同步（ERD/ERS）
使用功能性近红外光谱 (fNIRS) 进行脑机接口
脑机接口 (BCI) 是一种从大脑获取信号、转换信号并输出到设备以实现所需动作的系统 [1]。BCI 系统由硬件和软件组件组成，一般分为五个步骤，即信号采集、预处理、特征提取、特征转换和设备输出。根据 BCI 系统所连接的功能成像系统，BCI 系统可分为几种类型，例如脑电图 (EEG)-BCI、功能性磁共振成像 (fMRI)-BCI 和功能性近红外光谱 (fNIRS)-BCI。在本综述中，我们详细讨论了基于 fNIRS 的 BCI 及其功能、其实用程序的优缺点、其在有用技术中的应用和实现以及 fNIRS-BCI 的未来。功能性近红外光谱 (fNIRS) 是一种光学成像技术，其中大脑中发射的光由于吸收和散射而衰减。它利用骨骼和皮肤的一般透明特性来进入被监测的组织。当吸收的光进入吸收介质内部时，探测器会测量散射光中未被吸收的部分（图 1）。由于给定刺激引起的血流动力学反应，氧合血红蛋白 (OxyHb) 和脱氧血红蛋白 (de-oxyHb) 分别增加和减少。当光发射时，血流动力学反应的区域变化会导致光吸收和发色团的吸收光谱的区域变化，从而允许利用比尔-朗伯定律以非侵入性方式量化氧合血红蛋白和脱氧血红蛋白 [ 2 ， 3 ]。动脉血流中氧合血红蛋白浓度与静脉血流中脱氧血红蛋白浓度与总血红蛋白浓度之比
通过沉浸式可视化中的相互作用和fnirs探索感官过程
摘要 - 认知理论在设计人类计算机界面和沉浸式系统时会为我们的决策提供信息，使我们能够研究这些理论。这项工作通过使用经典可视化问题研究内部和外部用户行为来探讨沉浸式环境中的感官过程：视觉比较和聚类任务。我们开发了一个沉浸式系统来执行用户研究，从不同的渠道收集用户行为数据：用于捕获外部用户互动的AR HMD，功能性近红外光谱（FNIRS）用于捕获内部神经序列以及用于参考的视频。为了检查感官，我们评估了界面的布局（平面2D与圆柱3D布局）以及任务的挑战水平（低认知负荷）的挑战水平如何影响用户的交互，这些交互作用如何随时间变化以及如何影响任务绩效。我们还开发了一个可视化系统，以探索所有数据通道之间的关节模式。我们发现，增加的相互作用和脑血液动力学反应与更准确的性能有关，尤其是在认知要求的试验上。布局类型没有可靠地影响交互作用或任务性能。我们讨论了这些发现如何为沉浸式系统的设计和评估提供信息，预测用户绩效和互动，并从体现和分布式认知的角度提供有关感官的理论见解。
评估时间分辨的 fNIRS 在脑机接口心理交流中的应用
脑机接口 (BCI) 作为改善残疾患者生活质量的工具正日益流行。最近，基于时间分辨功能性近红外光谱 (TR-fNIRS) 的 BCI 越来越受欢迎，因为它们具有增强的深度灵敏度，从而降低了来自大脑外层的信号污染。这项研究首次介绍了基于 TR-fNIRS 的 BCI 对健康参与者进行“心理交流”的情况。我们招募了二十一 (21) 名参与者，并反复向他们提出一系列问题，其中要求他们想象打网球以表示“是”，保持放松以表示“否”。光子平均飞行时间的变化用于计算氧合血红蛋白和脱氧血红蛋白浓度的变化，因为它在深度灵敏度和信噪比之间提供了良好的折衷。从平均氧合血红蛋白信号中提取特征，将其分类为“是”或“否”响应。使用线性判别分析 (LDA) 和支持向量机 (SVM) 分类器通过留一交叉验证法对答案进行分类。使用 LDA 和 SVM，所有参与者的总体准确率分别为 75% 和 76%。结果还表明，问题之间的准确率没有显著差异。此外，在 21 名参与者中，有 7 名在运动想象 (MI) 和休息期间记录了生理参数 [心率 (HR) 和平均动脉压 (MAP)]，以调查这些参数在不同条件下的变化。未发现这些参数在不同条件下有显著差异。这些发现表明 TR-fNIRS 可能适合作为脑损伤患者的 BCI。
基于超低功耗实时机器学习的 fNIRS 运动伪影检测
摘要 — 由于迭代矩阵乘法或梯度计算，机器学习模块通常需要大量的处理能力和内存。因此，它们通常不适用于处理能力和内存有限的可穿戴设备。在本研究中，我们提出了一种用于功能性近红外光谱 (fNIRS) 系统的超低功耗、基于实时机器学习的运动伪影检测模块。我们实现了 97.42% 的高分类准确率、38 354 个查找表和 6024 个触发器的低现场可编程门阵列 (FPGA) 资源利用率以及 0.021 W 的动态功耗。这些结果优于传统的 CPU 支持向量机 (SVM) 方法和其他最先进的 SVM 实现。这项研究表明，可以利用基于 FPGA 的 fNIRS 运动伪影分类器，同时满足低功耗和资源限制，这在嵌入式硬件系统中至关重要，同时保持高分类准确率。
使用 fNIRS 检测疲劳障碍和额叶皮质的大脑活动改变
摘要 患有压力相关衰竭症 (ED) 的患者存在记忆力和执行功能问题。这些问题与前额皮质 (PFC) 的异常活动有关。我们研究了 ED 患者 (n = 20，16 名女性) 在长时间心理活动期间的认知表现和 PFC 功能活动，ED 患者自确诊以来的平均持续时间为 46 ± 23 个月，并与健康个体 (n = 20，12 名女性) 进行了比较。按顺序进行了六个神经心理学测试，重复一次。所有测试均采用了脑成像技术、功能性近红外光谱 (fNIRS)。两组之间在随时间的变化方面没有差异，即第一个和第二个测试块之间的差异。在 Stroop - Simon 测试中，对照组表现出额皮质的功能活动更高。在左腹外侧 PFC 中，我们观察到对照组在不一致试验中的活动比一致试验中增加，而在 ED 患者组中没有发现任何变化。在处理速度任务期间，只有 ED 患者在右背外侧 PFC 中表现出更高的功能活动。ED 患者报告的主观能量水平较低，并且在心理控制任务中的表现也比健康人差。总之，ED 患者与对照组相比表现出改变的功能活动，表明 ED 患者在前额皮质中处理信息的方式不同，但重测设计显示，在 2 1 = 2 小时过程中，功能活动没有变化。
根据 EEG 和 FNIRS 信号进行静息状态脑连接分析
摘要。当代神经科学高度关注机器学习和网络分析的协同使用。事实上，网络神经科学分析大量利用了聚类指标和统计工具。在这种情况下，功能性近红外光谱 (fNIRS) 和脑电图 (EEG) 的综合分析提供了有关大脑电和血流动力学活动的互补信息。证据支持神经血管耦合介导大脑处理的机制。然而，人们对这些技术如何表示特定的神经活动模式还不太了解。在这里，我们使用源空间分析和图论方法，研究了同步 EEG 和 fNIRS 连接组之间、跨频带的静息状态大脑功能网络的拓扑特性。我们观察到，在全局级别分析中，两种模态的小世界拓扑网络特征。边缘分析指出，与 EEG 相比，氧合血红蛋白的半球间连接性增强，且各个频带没有差异。我们的结果表明，从 fNIRS 中提取的图形特征可以反映神经活动的短程和长程组织，并且能够表征静息状态下的大规模网络。需要进一步开发两种模态的综合分析，以充分利用每种模态的附加值。然而，本研究强调，可以采用多模态源空间分析方法来研究健康静息状态下的大脑功能，从而为未来在任务和病理学中的工作奠定基础，并有可能获得神经系统疾病的新型综合生物标志物。
基于元启发式优化的图像和算术任务特征选择：一项 fNIRS 研究
摘要：近几十年来，脑机接口 (BCI) 已成为研究的前沿领域。特征选择对于降低数据集的维度、提高计算效率和增强 BCI 的性能至关重要。使用与活动相关的特征可以在所需任务中获得较高的分类率。本研究提出了一种基于包装器的元启发式特征选择框架，用于使用功能性近红外光谱 (fNIRS) 的 BCI 应用。在这里，从所有可用通道计算时间统计特征（即平均值、斜率、最大值、偏度和峰度）以形成训练向量。使用基于 k 最近邻的成本函数测试了七种元启发式优化算法的分类性能：粒子群优化、布谷鸟搜索优化、萤火虫算法、蝙蝠算法、花授粉优化、鲸鱼优化和灰狼优化 (GWO)。基于来自 29 名健康受试者的运动想象 (MI) 和心算 (MA) 任务的在线数据集，对所提出的方法进行了验证。结果表明，与从全套特征中获得的特征相比，利用从元启发式优化算法中选择的特征可以显著提高分类准确率。所有上述元启发式算法都提高了分类准确率并减小了特征向量大小。GWO 对 MA、MI 和四类（左手和右手 MI、MA 和基线）任务的平均分类率最高（p < 0.01），分别为 94.83 ± 5.5%、92.57 ± 6.9% 和 85.66 ± 7.3%。所提出的框架可能有助于在训练阶段为基于 fNIRS 的稳健 BCI 应用选择合适的特征。
使用可穿戴 fNIRS 和机器学习自动检测认知疲劳
摘要：可穿戴传感器越来越多地应用于医疗保健领域，以生成数据并以不引人注意的方式监控患者。它们在脑机接口 (BCI) 中的应用允许不引人注意地监控一个人的认知状态。认知疲劳是与多个领域相关的一种特殊状态，它可能会影响绩效和注意力等能力。对这种状态的监测将应用于真实的学习环境中，以检测和建议有效的休息时间。在本研究中，使用两个功能性近红外光谱 (fNIRS) 可穿戴设备构建 BCI，以使用机器学习算法自动检测认知疲劳状态。开发了一种实验程序来有效诱导认知疲劳，其中包括接近真实的数字课程和两个标准认知任务：Corsi-Block 任务和集中任务。机器学习模型经过用户调整，以考虑每个参与者的个人动态，分类准确率达到约 70.91 ± 13.67%。我们得出的结论是，尽管该方法对某些受试者有效，但在应用之前需要单独验证。此外，任务时间并不是分类（即诱发认知疲劳）的特别决定因素。进一步的研究将包括其他生理信号和人机交互变量。