XiaoMi-AI文件搜索系统
World File Search SystemImagine
人皮层中想象的体感感知的神经生理学表示
人类原发性体感皮质（S1）中的心脏内微刺激（ICM）已被用于成功引起自然的感觉。然而，诱发感觉的背后的神经生理机制仍然未知。要了解特定刺激参数如何引起某些感觉，我们必须首先了解大脑中这些感觉的表示。在这项研究中，我们记录了植入S1，前体皮层和男性参与者的后顶叶皮层的皮质内微电极阵列，执行了体感成像任务。所想象的感觉是在同一参与者的同一阵列中由ICMS先前引起的感觉。在尖峰和局部场上的记录中，神经信号的特征都可用于对不同的想象感觉进行分类。这些功能随着时间的推移而显示稳定。感觉运动皮层仅在图像任务过程中编码想象中的感觉，而后顶叶皮层则用提示呈现开始编码感觉。这些发现表明，感觉体验的不同方面可以从整个皮质感觉网络中的内部记录的人类神经信号分别解码。这些独特的感官表示基础的活动可能会告知刺激参数，以通过ICMS在未来的工作中通过ICMS进行特定的感觉。
基于谱动力学的想象语音和视觉意象的功能连接
摘要 — 脑机接口技术的最新进展表明，想象语音和视觉意象具有作为直观脑机接口通信的稳健范式的潜力。然而，这两个范式的内部动态及其内在特征尚未揭示。在本文中，我们研究了考虑不同频率范围的两个范式的功能连接。使用 16 名受试者进行十三类想象语音和视觉意象的数据集进行分析。在四个频率范围的七个皮质区域分析了想象语音和视觉意象的锁相值。我们将想象语音和视觉意象的功能连接与静息状态进行比较，以研究意象过程中的大脑变化。整个大脑区域的锁相值在想象语音和视觉意象期间都表现出显著下降。布罗卡区和韦尼克区以及听觉皮层主要表现出想象语音的显著下降，而前额叶皮层和听觉皮层则表现出视觉意象范式的显著下降。进一步研究大脑连接以及两种范式的解码性能可能作为性能预测因素发挥关键作用。关键词——脑电图；功能连接；想象语音；直观脑机接口；视觉意象
尚未想象：哈勃太空望远镜操作的研究
通信|系列：NASA历史系列； SP-2020-4237 |包括书目参考和索引。|摘要：“博士Christopher Gainor尚未想象的文件记录了NASA Hubble太空望远镜（HST）的历史。这被认为是罗伯特·W·史密斯（Robert W.Gainor博士的书将适合普通观众，同时也是学术性的。公众，天文学家，工程师，政府官员和国会议员之间关于HST乘坐航天飞机的服务任务的高度可见的互动是这本历史书的中心主题。超出了公众关注的眩光，HST成为科学家之间超国家合作的模型的演变是第二个中心主题。第三，Hubble仪器套餐对服务任务的变化背后的决策是记录的，以及HST对我们对太阳系，银河系和宇宙的知识的贡献。本书的第五个主题涵盖了HST的影响及其对公众对宇宙的赞赏的影响。”由出版商提供。标识符：LCCN 2020014193（打印）| LCCN 2020014194（电子书）| ISBN
机器和深度学习方法中解码想象语音脑电图的超参数优化评估
摘要：对与想象语音产生相对应的脑电图 (EEG) 信号进行分类对于直接语音脑机接口 (DS-BCI) 的开发非常重要。深度学习 (DL) 已在多个领域取得了巨大成功。然而，DL 方法是否比传统的机器学习 (ML) 方法在想象语音分类方面取得了重大进展仍是一个悬而未决的问题。此外，超参数 (HP) 优化在 DL-EEG 研究中被忽视，导致其影响的重要性仍然不确定。在本研究中，我们旨在通过使用 DL 方法来改进想象语音 EEG 的分类，同时还统计评估 HP 优化对分类器性能的影响。我们使用嵌套交叉验证方法对 HP 优化，在想象语音 EEG 上训练了三个不同的卷积神经网络 (CNN)。评估的每个 CNN 都是专门为 EEG 解码而设计的。由单词和元音组成的想象语音 EEG 数据集可独立地在两个集合上进行训练。将 CNN 结果与三种基准 ML 方法进行了比较：支持向量机、随机森林和正则化线性判别分析。测试了受试者内和受试者间的 HP 优化方法，并统计分析了 HP 的影响。在两个数据集上进行训练时，CNN 获得的准确率明显高于基准方法（单词：24.97%，p < 1 × 10 –7，机会：16.67%；元音：30.00%，p < 1 × 10 –7，机会：20%）。不同 HP 值的影响以及 HP 与 CNN 之间的相互作用均具有统计学意义。HP 优化的结果证明了训练 CNN 对解码想象语音的重要性。
解码非...中的想象和口头短语
语音生成是一种分层机制，涉及大脑和口腔发音器官的同步，其中语言概念的意图被转化为有意义的声音。闭锁综合征患者（完全瘫痪但有意识）完全失去了运动能力，包括发音甚至眼球运动。神经通路可能是恢复这些患者一定程度交流的唯一选择。当前的脑机接口 (BCI) 使用患者的视觉和注意力相关性来建立交流，导致交流速度较慢（每分钟几个字）。直接从神经信号解码想象中的语音（然后驱动语音合成器）有可能提高交流速度。在本研究中，我们研究了从 8 名成年受试者的单次试验、非侵入性脑磁图 (MEG) 信号中收集的五个想象和口语短语的解码。使用了两种机器学习算法。一种是以统计特征为基线方法的人工神经网络 (ANN)。另一种方法是将卷积神经网络 (CNN) 应用于从 MEG 信号中提取的空间、光谱和时间特征。实验结果表明，可以直接从神经磁信号中解码想象和口语短语。CNN 被发现非常有效，平均解码准确率高达 93%（想象短语）和 96%（口语短语）。
一种用于从脑电图解码想象语音的新型深度学习架构
摘要 — 深度学习领域的最新进展尚未充分利用来解码想象语音，主要是因为没有足够的训练样本来训练深度网络。在本文中，我们提出了一种新颖的架构，该架构使用深度神经网络 (DNN) 对 ASU 想象语音数据集中相应 EEG 信号中的单词“in”和“cooperate”进行分类。使用公共空间模式 (CSP) 选择最能捕捉底层皮质活动的九个 EEG 通道，并将其视为独立的数据向量。离散小波变换 (DWT) 用于特征提取。据我们所知，到目前为止，DNN 尚未被用作解码想象语音的分类器。将与每个想象词相对应的选定 EEG 通道视为独立的数据向量有助于提供足够数量的样本来训练 DNN。对于每次测试试验，最终的类别标签是通过对试验中考虑的各个通道的分类结果进行多数投票来获得的。我们已经取得了与最先进结果相当的准确度。通过使用更高密度的 EEG 采集系统结合其他深度学习技术（如长短期记忆），可以进一步改善结果。索引术语 — 脑机接口、空间滤波器、深度学习、想象语音、常见空间模式
BCI：“想象一下打网球！”
脑机接口 (BCI) 研究主要针对脑干中风、晚期肌萎缩侧索硬化症或肌营养不良症后无法交流的严重瘫痪患者。另一组患者是失去手臂功能的脊髓损伤者。在这方面，几个研究小组正致力于寻找解决方案，提供基于 EEG 的替代控制系统。然而，另一组患者包括无反应的患者。主要是在脑外伤后，这些人无法向体外发送任何交流信号，而且他们是否有意识也是未知的。Boly（Boly 等人 2007 年）、Owen（Owen 等人 2006 年）和 Monti（Monti 等人 2010 年）进行的 fMRI 实验表明，可以与这些意识微弱的人取得联系。在这种模式下，患者被要求想象打网球而不是空间导航。这项工作的目的是将这个范式移植到基于 EEG 的范式中，总体目标是在基于 EEG 的家庭环境中使用这种基于 fMRI 的通信。