XiaoMi-AI文件搜索系统
World File Search SystemImager
《银河系生物学家指南：利用人工智能》和非常高分辨率的卫星图像监视来自太空的海洋哺乳动物
1东北渔业科学中心，国家海洋渔业服务，NOAA，伍兹霍尔，马萨诸塞州02543，美国2海洋哺乳动物实验室，阿拉斯加渔业科学中心，国家海洋渔业服务，NOAA，西雅图，西雅图，华盛顿州98115； kim.goetz@noaa.gov 3 British Antarctic Survey, High Cross, Madingley Road, Cambridge CB3 0ET, UK 4 Microsoft AI for Good Research Lab, 1 Microsoft Way, Redmond, WA 98052, USA 5 Naval Research Laboratory, Naval Center for Space Technology (NCST), Washington, DC 20375, USA 6 School of Engineering, University of Edinburgh, Sanderson Building, Robert史蒂文森路（Stevenson Road），国王大楼，爱丁堡EH9 3FB，英国7地球与环境学院，坎特伯雷大学，坎特伯雷大学，克赖斯特彻奇8140，新西兰8140，明尼苏达州明尼苏达州的地球与环境科学系8140美国国家海洋渔业服务公司NOAA，AK NOAA，AK 99513，美国 *通信：Christin.khan@noaa.gov;电话。： +1-617-256-4452
凝视镜子时的皮质脊髓兴奋性与运动想象能力的关系
摘要：镜像疗法 (MT) 可帮助中风幸存者恢复运动功能。先前的研究报告称，个体的运动意象能力与运动意象期间的大脑活动区域以及运动意象训练的有效性有关。然而，镜像疗法与运动意象能力之间的关系以及镜像凝视期间皮质脊髓束兴奋性（MT 的重要组成部分）与运动意象能力之间的关系尚不清楚。本研究确定凝视镜子时的运动诱发电位 (MEP) 幅度是否与参与者的运动意象能力有关。招募了 24 名健康的右利手成年人（7 名男性）。在凝视镜子时进行经颅磁刺激，并测量右手第一背侧骨间肌的 MEP。使用运动和视觉意象问卷 (KVIQ) 测量运动意象能力，该问卷评估运动意象能力的生动性。此外，还使用心理计时 (MC) 任务来评估时间方面。结果显示，与静息条件下相比，凝视镜子时 MEP 振幅值的变化与 KVIQ 评估分数之间存在显著的中等相关性。这项研究表明，因镜子凝视而引起的皮质脊髓兴奋性可能与运动想象能力的生动性有关。
使用可穿戴技术实现基于脑电图的运动想象范式脑机接口：系统评价
摘要：近几十年来，通过脑电图 (EEG) 技术自动识别和解释脑电波的技术取得了显著进展，从而推动了脑机接口 (BCI) 的快速发展。基于 EEG 的 BCI 是一种非侵入式系统，可实现人与直接解释大脑活动的外部设备之间的通信。得益于神经技术的进步，尤其是可穿戴设备领域的进步，BCI 现在也用于医疗和临床应用之外。在此背景下，本文提出了基于 EEG 的 BCI 的系统综述，重点关注最有前途的基于运动想象 (MI) 的范例之一，并将分析限制在采用可穿戴设备的应用范围内。本综述旨在从技术和计算的角度评估这些系统的成熟度。论文的评选遵循了系统评价和荟萃分析的首选报告项目 (PRISMA)，在过去十年（2012 年至 2022 年）中共评选出 84 篇论文。除了技术和计算方面，本评论还旨在系统地列出实验范例和可用数据集，以确定开发新应用和计算模型的基准和指南。
具有注意机制的多尺度时间卷积网络，用于单侧上肢运动运动想象过程中的力量水平分类
摘要：在运动想象脑机接口研究中，一些研究者设计了单侧上肢静态下的力的想象范式，这些范式很难应用于脑控康复机器人系统中需要诱发患者求助需求的思维状态，即机器人与患者之间的动态力交互过程。针对单次MI-EEG信号在不同力级之间的特征差异较小，设计MSTCN模块提取时频域不同维度的细粒度特征，再利用空间卷积模块学习空间域特征的面积差异，最后利用注意力机制对时频空域特征进行动态加权，提高算法的灵敏度。结果表明，对于实验采集的三级力MI-EEG数据，该算法的准确率为86.4±14.0%。与基线算法（OVR-CSP+SVM（77.6±14.5%）、Deep ConvNet（75.3±12.3%）、Shallow ConvNet（77.6±11.8%）、EEGNet（82.3±13.8%）和SCNN-BiLSTM（69.1±16.8%））相比，我们的算法具有更高的分类准确率，差异显著，且拟合性能更好。
使用卷积神经网络提高四类自愿想象 fNIRS 信号的分类准确率
多类功能性近红外光谱 (fNIRS) 信号分类已成为光学脑机接口的一种便捷方式。当信号由同一肢体的自愿和想象运动产生时，高精度的 fNIRS 信号分类是一项具有挑战性的任务。由于自愿和想象运动在时间和空间上的激活表现出相似的模式，传统浅层分类器的分类精度无法达到可接受的范围。本文提出了一种利用卷积神经网络 (CNN) 提高精度的方法。在这项工作中，几位参与者进行了自愿和想象手部运动（左手和右手）。这些四类信号是利用 fNIRS 设备获取的。根据任务分离信号并进行过滤。通过手动特征提取，使用支持向量机和线性判别分析对信号进行分类。CNN 的自动特征提取和分类机制被应用于 fNIRS 信号。从结果来看，CNN 将分类精度提高到了可接受的范围，这是任何卷积网络都无法实现的。
输入形状对用于脑机接口的卷积神经网络的原始 EEG 运动想象信号分类性能的影响
摘要：许多研究人员对脑电信号进行解释、分析和分类，以用于脑机接口。尽管脑电信号采集方法有很多种，但最有趣的方法之一是运动想象信号。已经开发了许多不同的信号处理方法、机器学习和深度学习模型来对运动想象信号进行分类。其中，卷积神经网络模型通常比其他模型取得更好的效果。由于数据的大小和形状对于训练卷积神经网络模型和发现正确的关系非常重要，研究人员设计并试验了许多不同的输入形状结构。然而，在文献中还没有发现评估不同输入形状对模型性能和准确性影响的研究。在本研究中，研究了不同输入形状对脑电运动想象信号分类模型性能和准确性的影响，这在以前没有专门研究过。此外，没有使用信号预处理方法，因为在分类之前需要很长时间；而是开发了两个 CNN 模型，使用原始数据进行训练和分类。分类过程中使用了两个不同的数据集，BCI 竞赛 IV 2A 和 2B。对于不同的输入形状，2A 数据集获得了 53.03–89.29% 的分类准确率和 2–23 秒的 epoch 时间，2B 数据集获得了 64.84–84.94% 的分类准确率和 4–10 秒的 epoch 时间。这项研究表明，输入形状对分类性能有显著影响，当选择正确的输入形状并开发正确的 CNN 架构时，CNN 架构可以很好地完成特征提取和分类，而无需任何信号预处理。
基于IMF的MF和HS能量特征F5的能量信息，以及使用HHT
摘要：本研究的目的是以边际频率（MF）和Hilbert Spectrum（HS）的形式提取能量特征分布，以固有模式函数（IMF）域（基于基于Hilbert – Huang huang thime）的实际运动（AM）基于移动（AM）基于运动（AM）的（AM）基于运动图像（MI）的电脑（EEG）信号（HILBERT-HUANG TEMISTIC）（HHT）的频率（HHT）。因此，探索了Delta（0.5-4 Hz）节奏中的F5和F6 EEG信号TF能量特征分布。我们提出了基于IMF的功能（RF）基于IMFRFERDD（IMFRF能量验证的分布密度），IMFRFMFERDD（IMFRF MF能量验证的分布密度）和IMFRFHSERDD（IMFRF HS Enperion Refere for Speption MIM MIM MIM MIM MIME）的参数and HHH HH HH HH HH三角洲节奏的信号。AM和MI任务涉及同时开放的第一个和脚，以及同时关闭的第一和脚。提取八个样本（总计32个），持续时间为1000毫秒，以分析f5am，f5MI，f6am和f6mi EEG信号，这些信号分解为五个IMF和一个RF。IMF4的最大IMFRFERDD值分别为F5AM，F5MI，F6 AM和F6MI的3.70、3.43、3.65和3.69。在增量节奏中，IMF4的最大IMFRFMFERDD值分别为21.50、20.15、21.02和17.30，分别为F5AM，F5MI，F5MI，F6AM和F6MI。此外，IMF4的最高平均IMFRFHSERDD值为39,21、39.14、36.29和33.06，时间间隔为500-600、800-900、800-900、800-900，以及F5am，f5am，f5mi，f5mi，f6am和f6mi，f6mi，f6mi，f6mi，f6mi，f6mi，f6mi，f6mi，f6mi，f6mi，f6mi，f6mi，f6mi，fymi，f6mi，f6mi，flymi，f6m和f6mi，f6m和f6mi，500–600 ms。这项研究的结果，促进我们对F5MM，F5MI，F6MM和F6MI的有意义的特征信息的理解，从而使基于MI的大脑计算机界面辅助设备为残疾人设计。
通过新颖的增强现实范式解决基于运动想象的 BCI 文盲问题
*电子邮件：elena.fenoglio@iit.it 简介：运动想象 (MI) - 无需运动输出即可在脑海中演练运动 - 被广泛用作脑机接口 (BCI) 的控制策略，因为它能引发与真实运动类似的神经反应，同时成本低、非侵入性且安全 [1]。然而，15-30% 的基于 MI 的 BCI 用户是“BCI 文盲”：他们无法控制系统 [2]。为了解决这个问题，我们提出了一种将 MI 与动作观察 (AO)（深思熟虑和结构化的运动观察）相结合的范例，并辅以增强现实 (AR)，以探索其对运动相关大脑反应的影响，从而可能增强基于 MI 的 BCI 范例。材料、方法和结果：25 名健康参与者使用触摸面板用右臂执行伸手任务 - 想象的（运动想象-MI）或真实的（运动执行-ME）（图 1A）。以随机顺序重复使用 AR（真实条件）和不使用 AR（增强条件）的任务，前者显示虚拟右臂以提供 AO 提示。我们通过计算运动执行/想象期间 alpha 和 beta 波段的事件相关去同步 (ERD) 来分析电生理 (EEG) 信号，基线为运动开始前 500 毫秒。
基于 EEGNet 的精确运动意象大脑——......
摘要 — 本文介绍了一种准确而强大的嵌入式运动想象脑机接口 (MI-BCI)。所提出的新模型基于 EEGNet [1]，可满足 ARM Cortex-M 系列等低功耗微控制器单元 (MCU) 的内存占用和计算资源要求。此外，本文还提出了一组方法，包括时间下采样、通道选择和缩小分类窗口，以进一步缩小模型以放宽内存要求，同时几乎不影响准确度。在 Physionet EEG 运动/图像数据集上的实验结果表明，标准 EEGNet 在全局验证中对 2 类、3 类和 4 类 MI 任务的分类准确率分别为 82.43%、75.07% 和 65.07%，比最先进的 (SoA) 卷积神经网络 (CNN) 分别高出 2.05%、5.25% 和 6.49%。我们的新方法进一步缩小了标准 EEGNet，精度损失为 0.31%，内存占用减少了 7.6 倍，精度损失为 2.51%，减少了 15 倍。缩放后的模型部署在商用 Cortex-M4F MCU 上，运行最小模型需要 101 毫秒，每次推理消耗 4.28 mJ，在 Cortex-M7 上运行中等模型需要 44 毫秒，每次推理消耗 18.1 mJ，从而实现了完全自主、可穿戴、准确的低功耗 BCI。索引术语 — 脑机接口、运动意象、CNN、嵌入式系统、边缘计算
调查用户对脑电图运动想象的熟练程度——...
摘要：基于脑电图 (EEG) 的脑机接口 (BCI) 研究广泛应用于轮椅控制。用户的能力是 BCI 效率的一个因素。因此，我们专注于 BCI 任务和协议，以从个人用户的稳健 EEG 特征中获得高效率。本研究提出了一种基于任务的大脑活动来获得 alpha 波段的力量，其中包括闭眼以获得枕叶区域的 alpha 反应、注意向上箭头以获得额叶区域的 alpha 反应以及想象的左/右运动以获得左/右运动皮层与 alpha 事件相关的去同步。EPOC X 神经耳机用于获取 EEG 信号。我们还通过推荐运动想象任务来提出用户在肢体运动范式的运动意象会话中的熟练程度。使用所提出的系统，我们验证了特征提取算法和命令翻译。 12 名志愿者参加了实验，并使用传统的运动想象范式来比较效率。利用用户的运动想象能力，左右命令的平均准确率达到 83.7%。通过用户熟练程度推荐的 MI 范式比传统 MI 范式的准确率高出约 4%。此外，模拟轮椅的实时控制结果显示，基于时间条件的效率很高。与基于操纵杆的控制相比，执行相同任务的时间结果仍然大约长三倍。我们建议使用用户熟练程度为初学者推荐个性化的 MI 范式。此外，所提出的 BCI 系统可用于严重残疾人士的电动轮椅控制。