XiaoMi-AI文件搜索系统
World File Search SystemImagery
使用多模式语音图像改善运动图像脑 - 计算机界面
摘要目的是基于运动图像（MI）的大脑 - 计算机界面（BCI），由于其具有潮流和便利性，引起了广泛的兴趣。但是，传统的MI范式受到诱发的脑电图信号的弱特征的限制，这通常会导致分类性能较低。方法中，提出了一种新颖的范式来改善BCI表现，通过语音虚构与无声阅读（SR）和写作图像（WI）相结合，而不是想象身体运动。根据提示，在这个多模式（想象中的声音和动作）范式中，受试者静静地读中文拼音（发音），并想象地写下了汉字。结果通过在不同的实验中执行传统的MI和拟议的Para-Digm，以进行二进制分类任务。77.03％的平均分类精度是通过新范式获得的，而传统范式获得了68.96％。结论实验的结果表明，所提出的范式唤起了更强的特征，从而有利于策略。这项工作为使用BCI的特定范式通过多模式活动/刺激唤起更强的脑电图特征打开了新的观点。
基于源的脑电图神经反馈，用于单腿的持续运动图像
摘要：该研究的目的是基于从44个EEG通道的实时sloreta来测试主要腿的视觉 - 否反馈引导运动成像（MI）的可行性。十名健壮的参与者参加了两次会议：第1节持续的MI，反馈和第2节持续的一条腿持续使用Neurofeactback。mi在20 s开到20 s的间隔内进行，以模拟功能磁共振成像。神经反馈以呈现运动皮层的皮质切片的形式是由在实际运动过程中具有最强活性的频带提供的。Sloreta处理延迟为250毫秒。会议1导致在前额叶皮层上主要在8-15 Hz带中产生双侧/对侧活性，而会议2则在主运动皮层上导致IPSI/双侧活动，涵盖了与运动执行过程中相似的区域。在有和没有神经反馈的会话中，不同的频段和空间分布可能反映不同的电机策略，最著名的是，在第1节中，在第2节中的操作条件。单腿MI可以用于中风患者康复的早期阶段。更简单的视觉反馈和运动提示而不是持续的MI可能会进一步增加皮质激活的强度。
触觉意象诱发的事件相关去同步化
众所周知，手部运动和运动的心理表征都会导致相应皮质运动区域记录的脑电图 (EEG) 发生事件相关去同步 (ERD)。然而，体感皮质区域的 ERD 与触觉的心理表征之间的关系尚不清楚。在本研究中，我们利用健康人的 EEG 记录来比较右手真实和想象的振动触觉刺激的影响。真实和想象的感觉都会产生对侧 ERD 模式，尤其是在 m 波段，最明显的是在 C3 区域。基于这些结果和以前的文献，我们讨论了触觉意象作为复杂身体意象的一部分的作用，以及将触觉意象引起的 EEG 模式用作脑机接口 (BCI) 中的控制信号的潜力。将这种方法与运动意象 (MI) 相结合可以提高用于中风和神经创伤后感觉运动功能康复的 BCI 的性能。
触觉意象引起的事件相关失同步
1. 稿件标题 1 触觉意象引起的事件相关去同步：EEG 研究 2 2. 缩写标题 3 触觉意象的 EEG 研究 4 3. 按出版文章中出现的顺序列出所有作者姓名和所属机构 5 6 7 Lev Yakovlev 1,2 , Nikolay Syrov 1,2 , Andrei Miroshnikov 2 , Mikhail Lebedev 3,4 , Alexander 8 Kaplan 1,2,5 9 10 1 Vladimir Zelman 神经生物学和脑康复中心，Skolkovo 科学技术研究所 11 ，俄罗斯莫斯科 12 13 2 波罗的海神经技术和人工智能中心，Immanuel Kant Baltic Federal 14 大学，加里宁格勒，俄罗斯 15 16 3 莫斯科国立罗蒙诺索夫大学力学与数学学院， 17 俄罗斯 18 19 4 俄罗斯科学院谢切诺夫进化生理学和生物化学研究所，俄罗斯圣彼得堡 20 21 22 5 人类和动物神经生理学和神经计算机接口实验室 23 莫斯科国立大学生物学院生理学系，俄罗斯莫斯科 24 25 26 4. 作者贡献： 27
基于脑电图感知的视觉和振动触觉引导的运动意象分类
摘要：运动想象 (MI) 是一种无需实际使用肌肉即可想象运动任务执行的技术。当用于由脑电图 (EEG) 传感器支持的脑机接口 (BCI) 时，它可以用作人机交互的成功方法。本文使用 EEG MI 数据集评估了六种不同分类器的性能，即线性判别分析 (LDA)、支持向量机 (SVM)、随机森林 (RF) 和来自卷积神经网络 (CNN) 系列的三种分类器。该研究调查了这些分类器在静态视觉提示、动态视觉引导以及动态视觉和振动触觉 (体感) 引导的组合指导下对 MI 的有效性。还研究了数据预处理过程中滤波通带的影响。结果表明，在检测不同方向的 MI 时，基于 ResNet 的 CNN 在振动触觉和视觉引导数据上的表现都明显优于竞争分类器。事实证明，使用低频信号特征对数据进行预处理是实现更高分类准确度的更好解决方案。研究还表明，振动触觉引导对分类准确度有显著影响，而相关改进对于结构更简单的分类器尤其明显。这些发现对于基于 EEG 的 BCI 的开发具有重要意义，因为它们提供了有关不同分类器在不同使用环境中的适用性的宝贵见解。
背外侧前额皮质经颅磁刺激可增加后 θ 波节律并减少运动想象的延迟
摘要：实验表明，在运动想象 (MI) 任务中，左背外侧前额叶皮层 (DLPFC) 被激活，但其功能作用需要进一步研究。在这里，我们通过对左侧 DLPFC 施加重复经颅磁刺激 (rTMS) 并评估其对大脑活动和 MI 反应潜伏期的影响来解决这个问题。这是一项随机、假对照的 EEG 研究。参与者被随机分配接受假刺激 (15 名受试者) 或真实高频 rTMS (15 名受试者)。我们进行了 EEG 传感器级、源级和连接分析，以评估 rTMS 的影响。我们发现，对左侧 DLPFC 的兴奋性刺激通过它们之间的功能连接增加了右侧楔前叶 (PrecuneusR) 的 θ 波段功率。楔前叶 θ 波段功率与 MI 反应的潜伏期呈负相关，因此 rTMS 加快了 50% 参与者的反应。我们假设后部 θ 波段功率反映了感觉处理的注意力调节；因此，高功率可能表示注意力处理并导致更快的反应。
基于加权多项式的运动想象脑电图分类...
摘要—目的：基于深度学习技术的脑电信号识别需要充足数据的支持，然而在特定受试者的运动想象任务中通常会出现训练数据稀缺的情况，除非能使用多受试者数据来扩充训练数据。遗憾的是，由于不同受试者的数据分布差异很大，仅在多受试者数据上进行训练只能使模型性能得到微小的提高甚至更差。方法：为解决该问题，本文提出了一种新的加权多分支（WMB）结构来处理多受试者数据，其中每个分支负责拟合一对源-目标受试者数据，并使用自适应权重来整合所有分支或选择权重最大的分支来做出最终决策。将提出的 WMB 结构应用于六种著名的深度学习模型 (EEGNet、Shallow ConvNet、Deep ConvNet、ResNet、MSFBCNN 和 EEG_TCNet)，并在 EEG 数据集 BCICIV-2a、BCICIV-2b、高伽马数据集 (HGD) 和两个补充数据集上进行了全面的实验。结果：与最先进模型相比的优异结果证明了所提方法在特定受试者运动想象 EEG 分类中的有效性。例如，提出的 WMB_EEGNet 在 BCICIV-2a、BCICIV-2b 和 HGD 上分别实现了 84.14%、90.23% 和 97.81% 的分类准确率。结论：很明显，提出的 WMB 结构能够很好地利用具有较大分布差异的多受试者数据进行特定受试者的 EEG 分类。
基于滑动窗口和 EEGNet 的 EEG 运动意象预测
摘要 — 需要反复校准并考虑受试者间差异是脑机接口实际应用面临的主要挑战。由于病变导致的神经动力学改变，解码中风患者的脑信号时，问题变得更具挑战性。最近，几种深度学习架构应运而生，尽管与传统方法相比，它们往往无法产生更高的准确性，而且由于依赖于自定义功能，它们大多不遵循端到端架构。然而，其中一些架构具有以端到端方式创建更通用的功能的良好能力，例如流行的 EEGNet 架构。虽然 EEGNet 被用于解码中风患者的运动想象 (MI) 数据，但其性能与传统方法一样好。[1] 在本研究中，我们通过在基于滑动窗口的方法中引入一个称为最长连续重复 (LCR) 的后处理步骤来增强基于 EEGNet 的解码，并将其命名为 EEGNet+LCR。所提出的方法在 10 名偏瘫中风患者的 MI 数据集上进行了测试，结果表明，与唯一的 EEGNet 和更传统的方法（例如通用空间模式 (CSP)+支持向量机 (SVM)）相比，该方法在 MI 信号内和跨受试者解码方面都表现出色。我们还观察到 EEGNet+LCR 在受试者内和跨受试者类别中的表现相当令人满意，这在文献中很少见，因此它有望成为实现实用的中风康复 BCI 的有希望的候选方案。
步态图像期间的运动图像能力得分是否与皮质活动有关？
与这些结果一致，在这里我们发现，MI能力水平在MI神经网络中特别涉及的那些区域中影响皮层募集。准确地说，在MI能力测试评分与左下和中部额叶，中心区域和SMA之间发现了正相关，这表明IA越好，这些区域的参与就越多。额叶活动对MI，尤其是步态MI至关重要，这支持步态不再被认为是一种简单且自动的运动动作。的确，步行过程中涉及各种认知功能（例如注意力和视觉空间能力），尤其是在复杂的过程中
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。