XiaoMi-AI文件搜索系统
World File Search SystemImagery
运动意象和双手协调的简要回顾
运动意象疗法在临床环境中的应用越来越广泛，例如神经康复和脑机接口 (BCI)。中风后，患者会失去上肢功能，必须重新学习日常生活活动所必需的双手协调技能。物理治疗师将运动意象疗法与物理康复相结合，以加速康复。在 BCI 中，用户通常被要求想象一个动作，通常带有稀疏的指令。与此认知任务相吻合的 EEG 模式被捕获，然后用于执行外部命令，例如操作神经假体装置。因此，BCI 依赖于对运动意象的有效和可靠的解释。虽然运动意象疗法可以改善患者的治疗效果并为 BCI 研究提供信息，但其背后的认知和神经生理机制尚不清楚。某些类型的运动意象疗法比其他类型的更有效。例如，关注运动提示和采用第一人称视角比关注视觉提示和采用第三人称视角更有效。随着运动想象在神经康复和 BCI 中变得越来越占主导地位，阐明这些技术有效的原因非常重要。本综述的目的是研究迄今为止专注于运动想象和双手协调的研究。对这两个主题的当前研究的评估可以作为科学家和临床医生寻求使用运动想象来帮助改善双手协调的有用平台，无论是通过增强物理治疗还是开发更有效的 BCI。
一个摩托图像与REST数据集的低...
数据由脑电图（EEG）信号组成，该信号是通过从10位参与者（4位女性，右手，平均年龄±SD = 26.1±4.0年）中的低成本消费级设备来表达的，而没有任何以前在脑部计算机界面（BCIS）的经验的经验。BCI协议由两个条件符合，即握把手（Motor Imagery，MI）的动力学想象和静止/闲置状况。在每天的会话中，每个参与者都需要进行五次协议运行，约为1.5 h。首次运行，称为run0，将进行5个实际抓握运动的试验，以及在休息条件下的相同数量的试验。这是为了更好地解释协议，并鼓励参与者专注于执行运动的感觉。其余运行（Run1-Run4）均为识别，由每种以随机顺序呈现的条件进行20次试验。从覆盖感觉运动区域的15个电极注册了电脑活动，在SAM-
运动中心理图像期间的神经振荡
当前研究的目的是使用各种相关的脚本根据教学方式（指导性与自我生产）检查图像的皮质相关性。根据专家表现的方法，我们采取了一种特殊的观点，分析了经验丰富的两次奥运会运动员的心理图像，以验证不同的教学方式是否具有不同的成像模式（即，指导性与自我制作）和不同的脚本（例如，训练或竞争环境）可能会不同于大脑活动。主题听取了从两项现有的调查表中获取有关运动能力的每个先前记录的脚本，然后要求想象一下场景一分钟。在任务过程中，使用EEG（32通道G。Nautilus）监测脑波。我们的发现表明，有指导的图像可能会引起较高的高α和SMR（通常与选择性注意的相关），而自我产生的图像可能促进更高的低α（与全球静止状态和放松有关）。根据神经效率假设作为最佳性能和短暂性低框架作为流量状态的标志，讨论了结果。提出了实践心理培训建议。
RETT综合征的心脏自主控制
脑部计算机界面（BCIS）是人脑和外部世界之间的通信桥梁，使人类无需肌肉干预即可与环境互动。因此，它们的功能取决于BCI系统和用户的认知能力。Motor-Imbery BCI（MI-BCI）依赖用户对身体运动的心理想象。但是，并非所有用户都有能力能够调节其大脑活动以控制Mi-BCI。一个被称为BCI文盲或不明智的问题。这种现象的基本机制和用户之间这种差异的原因尚未完全理解。在这项研究中，我们研究了几种认知和心理措施对MI-BCI表现的影响。五十五个新手BCI-Users参加了左手运动图像任务。除了其BCI分类错误率和人口统计学外，还收集了包括人格因素，技术因素在内的心理措施以及实验期间的动机以及包括视觉空间记忆，空间记忆以及视觉成像的生动性在内的认知措施。被发现对Mi-BCI表现产生重大影响的因素是视觉图像的生动性，以及有序性和自主性的人格因素。这些发现揭示了导致BCI操作困难的单个特征，因此可以帮助用户之间的不良能力早期预测，以优化他们的培训。
基于CNN-GRU网络的运动想象分类...
摘要：最近，各种深度神经网络已被用于对脑电图（EEG）信号进行分类。EEG 是一种可以非侵入性方式获取的脑信号，具有很高的时间分辨率。它可用于解码用户的意图。由于 EEG 信号具有高维特征空间，因此需要适当的特征提取方法来提高分类性能。在本研究中，我们获得了时空特征表示，并用组合卷积神经网络（CNN）-门控循环单元（GRU）模型对其进行分类。为此，我们在每个不同的时间带中获得协方差矩阵，然后在时间轴上将它们连接起来以获得最终的时空特征表示。在分类模型中，CNN 负责空间特征提取，GRU 负责时间特征提取。通过区分空间数据处理和时间数据处理来提高分类性能。对于 BCI 竞赛 IV 2a 数据集，所提出的模型的平均准确率为 77.70% (± 15.39)。作为基线方法，所提出的方法优于所有其他方法。
基于运动意象的脑迁移学习...
迁移学习 (TL) 已广泛应用于基于运动想象 (MI) 的脑机接口 (BCI)，以减少新受试者的校准工作量，并表现出良好的性能。虽然基于闭环 MI 的 BCI 系统在脑电图 (EEG) 信号采集和时间滤波之后，在向外部设备发送控制信号之前包括空间滤波、特征工程和分类模块，但之前的方法仅考虑其中一两个组件中的 TL。本文提出可以在基于 MI 的 BCI 的所有三个组件（空间滤波、特征工程和分类）中考虑 TL。此外，在空间滤波之前特别添加数据对齐组件也非常重要，以使来自不同受试者的数据更加一致，从而促进后续的 TL。在两个 MI 数据集上的离线校准实验验证了我们的建议。特别是，整合数据对齐和复杂的 TL 方法可以显著提高分类性能，从而大大减少校准工作量。
使用长度训练进行语音图像分类...
摘要 —脑机接口利用脑信号来控制外部设备，而无需实际控制行为。最近，语音意象已被研究用于使用语言进行直接交流。语音意象使用用户想象语音时产生的脑信号。与运动意象不同，语音意象仍然具有未知的特征。此外，脑电图具有复杂和非平稳特性，导致解码性能不足。此外，语音意象难以利用空间特征。在本研究中，我们设计了长度训练，使模型能够对一系列少量单词进行分类。此外，我们提出了分层卷积神经网络结构和损失函数以最大化训练策略。所提出的方法在语音意象分类中表现出竞争力。因此，我们证明了单词的长度是提高分类性能的线索。关键词-脑机接口；脑电图；语音意象；卷积神经网络
ALS-NSF-PAR
摘要 - 目的：功能性近红外光谱（FNIRS）最近在基于运动成像（MI）的基于脑部计算机界面（BCIS）的研究方面已经获得了动力。令人惊讶的是，大多数研究工作主要致力于增强基于FNIRS的BCIS的健康个体。尚未探索尚未探索尚未探讨BCI最终用户利用基于FNIRS的血液动力学反应来有效控制基于MI的BCI的主要BCI最终用户中的患者（ALS）的能力。本研究旨在量化ALS患者对MI任务的血液动力学反应的主体特异性时空特征，并研究使用这些反应作为控制二进制BCI的通信手段的可行性。方法：使用八名ALS患者的FNIR记录血液动力学反应，同时执行MI-REST任务。进行了广义线性模型（GLM）分析以统计估计并评估个性化的空间激活。选定的通道集已在统计上优化用于分类。特定于主题的判别特征，包括从GLM获得的提议的数据驱动的估计系数，并确定了优化的分类参数，并用于使用线性支持向量机（SVM）分类器进一步评估性能。结果：在患者血流动力学反应的时空特征中观察到了受试者间的变化。使用优化的分类参数和特征集，所有受试者都可以成功使用其MI血流动力学反应来控制BCI，平均分类精度为85.4％±9.8％。显着性：我们的结果表明，基于FNIRS的MI血流动力学反应可用于控制ALS患者的二元BCI。这些发现突出了特定于特定数据驱动的方法在识别优化BCI性能的歧视时空特征方面的重要性。
基于脑电图的运动想象分类的深度学习
由于记录过程繁琐，脑电图 (EEG) 数据集通常较小且维数较高。在这种情况下，强大的机器学习技术对于处理大量信息和克服维数灾难至关重要。人工神经网络 (ANN) 在基于 EEG 的脑机接口 (BCI) 应用中取得了良好的效果，但它们涉及计算密集型的训练算法和超参数优化方法。因此，虽然质量与成本之间的权衡通常被忽视，但意识到这一点却大有裨益。在本文中，我们将基于遗传算法的超参数优化程序应用于卷积神经网络 (CNN)、前馈神经网络 (FFNN) 和循环神经网络 (RNN)，所有这些网络都是故意浅显的。我们比较了它们的相对质量和能量时间成本，但我们也分析了具有相似精度的同类型网络的结构复杂性的变化。实验结果表明，优化过程提高了所有模型的准确率，并且只有一个隐藏卷积层的 CNN 模型可以与 6 层深度信念网络相等或略胜一筹。FFNN 和 RNN 无法达到相同的质量，尽管成本明显较低。结果还强调了这样一个事实，即同一类型网络的大小不一定与准确率相关，因为较小的模型在性能上可以匹敌甚至超越较大的模型。在这方面，过度拟合可能是一个促成因素，因为深度学习方法在有限的训练示例下会遇到困难。
GIMIS：通过运动想象选择进行凝视输入
在 Fitts 定律实验中，开发了一种混合凝视和脑机接口 (BCI) 来完成目标选择。该方法 GIMIS 使用凝视输入来控制计算机光标以指向目标，并通过 BCI 使用运动意象 (MI) 执行点击以选择目标。一项实验 (n = 15) 比较了三种运动意象选择方法：仅使用左手、使用腿以及使用左手或腿。后一种选择方法（“任一”）具有最高的吞吐量（0.59 bps）、最快的选择时间（2650 毫秒）和 14.6% 的错误率。随着目标宽度的增加，瞳孔大小显著增加。我们建议使用大目标，这显著降低了错误率，并使用“任一”选项进行 BCI 选择，这显著提高了吞吐量。与停留时间选择相比，BCI 选择速度较慢，但如果凝视控制正在恶化，例如在 ALS 疾病的晚期阶段，GIMIS 可能是一种逐步引入 BCI 的方法。