XiaoMi-AI文件搜索系统
World File Search SystemMOABB
BCI评估的伪在线框架：MOABB透视
目的：BCI（脑部计算机界面）技术以三种模式运行：在线，OfflINE和伪内线。在在线模式下，经常分析实时脑电图数据。在offl ine模式下，后来获取并处理信号。伪在线模式处理收集的数据，就像实时接收一样。主要的区分是OfflINE模式经常分析整个数据，而在线和伪在线模式仅在短时间窗口中分析数据。offlINE分析通常是使用异步BCI进行的，该分析将分析限制为预先确定的时间窗口。异步BCI与在线和伪在线模式相吻合，允许灵活的心理活动持续时间。offlINE处理往往更准确，而在线分析对治疗应用更好。伪在线实现近似于在线处理而无需实时限制。与现实生活相比，许多BCI研究都引入了偏见，从而影响了分类算法的性能。方法：因此，本研究论文的目的是扩展以O fflINE模式运行的当前MOABB框架，以便允许在伪内部设置中使用不同的算法与基于重叠滑动窗口的技术的使用进行比较。这样做将需要在数据集中引入空闲状态事件，该事件考虑了所有不是任务思维的不同可能性。为了验证算法的性能，我们将使用归一化的Matthews相关系数（NMCC）和信息传输率（ITR）。主要结果：我们分析了过去15年的最新算法，该算法是由几个受试者组成的几个运动图像（MI）数据集，显示了从统计学的角度来看两种方法之间的差异。引人注目的能力：分析在OfflINE和伪在线模式中不同算法的性能的能力将使BCI社区获得有关分类算法性能的更准确和全面的报告。
开放科学的最大基于EEG的BCI可重复性研究：MOABB基准
摘要。目标。本研究对开放脑电图数据集进行了广泛的大脑计算机界面（BCI）可重复性分析，旨在评估现有的解决方案并建立开放且可重复的基准测试，以有效比较该领域。对这种基准的需求在于产生未公开的专有解决方案的快速工业进步。此外，科学文献是密集的，通常具有具有挑战性的评估，从而使现有方法之间的比较艰巨。方法。在一个开放式框架中，在36个公开可用的数据集中对30个机器学习管道（分为原始信号：11，Riemannian：13，深度学习：6）进行了精心重新实现和评估，包括汽车图像（14），p300（15）（15）和SSVEP（7）。该分析结合了统计荟萃分析技术，以进行结果评估，包括执行时间和环境影响注意事项。主要结果。该研究产生了适用于各种BCI范式的原则和鲁棒结果，强调运动图像，P300和SSVEP。值得注意的是，利用空间协方差矩阵的Riemannian方法表现出卓越的性能，强调了大量数据量的必要性，以通过深度学习技术实现竞争成果。全面的结果是公开访问的，为将来的研究铺平了道路，以进一步提高BCI领域的可重复性。意义。这项研究的重要性在于它在建立严格和透明的基准的BCI研究中做出的贡献，为最佳方法论提供了见解，并强调了可重复性在推动该领域进步方面的重要性。
面向开放科学的最大规模基于 EEG 的 BCI 可重复性研究：MOABB 基准
摘要。目的。本研究对开放的脑电图数据集进行了广泛的脑机接口 (BCI) 可重复性分析，旨在评估现有解决方案并建立开放且可重复的基准，以便在该领域进行有效比较。这种基准的必要性在于快速的工业进步，这导致了未公开的专有解决方案的产生。此外，科学文献密集，通常以难以重复的评估为特色，使现有方法之间的比较变得困难。方法。在一个开放的框架内，30 个机器学习管道（分为原始信号：11、黎曼信号：13、深度学习：6）在 36 个公开可用的数据集中被精心重新实现和评估，包括运动想象 (14)、P300 (15) 和 SSVEP (7)。该分析结合了统计荟萃分析技术来评估结果，包括执行时间和环境影响考虑。主要结果。该研究得出了适用于各种 BCI 范式的原则性和稳健性结果，重点是运动想象、P300 和 SSVEP。值得注意的是，利用空间协方差矩阵的黎曼方法表现出优异的性能，强调了需要大量数据才能通过深度学习技术实现具有竞争力的结果。综合结果是公开的，为未来研究进一步提高 BCI 领域的可重复性铺平了道路。意义。这项研究的意义在于它有助于为 BCI 研究建立严格透明的基准，提供对最佳方法的见解，并强调可重复性在推动该领域进步方面的重要性。
黎曼方法与卷积神经网络
摘要 目的。迄今为止，在基于 EEG 的脑机接口中，黎曼解码方法与深度卷积神经网络的全面比较仍未在已发表的研究中出现。我们使用 MOABB（所有 BCI 基准之母）来解决这一研究空白，将新型卷积神经网络与最先进的黎曼方法进行比较，这些方法涉及广泛的 EEG 数据集，包括运动想象、P300 和稳态视觉诱发电位范式。方法。我们使用 MOABB 处理管道系统地评估了卷积神经网络（特别是 EEGNet、浅层 ConvNet 和深度 ConvNet）与成熟的黎曼解码方法的性能。该评估包括会话内、跨会话和跨受试者方法，以提供模型有效性的实用分析，并找到在不同实验设置中表现良好的整体解决方案。主要结果。我们发现在会话内、跨会话和跨受试者分析中，卷积神经网络和黎曼方法之间的解码性能没有显着差异。意义。结果表明，在使用传统的脑机接口范式时，在许多实验环境中，CNN 和黎曼方法之间的选择可能不会对解码性能产生重大影响。这些发现为研究人员提供了灵活性，可以根据诸如易于实施、计算效率或个人偏好等因素选择解码方法。
EEG-TCNet：用于嵌入式运动想象脑机接口的精确时间卷积网络
摘要 —近年来，深度学习 (DL) 对基于脑电图 (EEG) 的运动想象脑机接口 (MI-BMI) 的改进做出了重大贡献。在实现高分类准确率的同时，DL 模型的规模也不断扩大，需要大量的内存和计算资源。这对嵌入式 BMI 解决方案提出了重大挑战，该解决方案应通过本地处理数据来保证用户隐私、减少延迟和低功耗。在本文中，我们提出了 EEG-TCN ET，一种新颖的时间卷积网络 (TCN)，它在只需要少量可训练参数的情况下实现了出色的准确率。其低内存占用和低推理计算复杂度使其适合在资源有限的边缘设备上进行嵌入式分类。在 BCI 竞赛 IV- 2a 数据集上的实验结果表明，EEG-TCN ET 在 4 类 MI 中实现了 77.35% 的分类准确率。通过为每个受试者找到最佳网络超参数，我们进一步将准确率提高到 83.84%。最后，我们在 Mother of All BCI Benchmarks (MOABB) 上展示了 EEG-TCN ET 的多功能性，这是一个包含 12 个不同 EEG 数据集和 MI 实验的大规模测试基准。结果表明，EEG-TCN ET 成功地推广到单个数据集之外，在 MOABB 上的表现比目前最先进的 (SoA) 好 0.25 倍。索引术语 — 脑机接口、运动意象、深度学习、卷积神经网络、边缘计算。
使用黎曼迁移学习最小化 BCI 的主体相关校准
摘要 — 校准仍然是脑机接口 (BCI) 用户体验的重要问题。常见的实验设计通常涉及较长的训练期，这会增加认知疲劳，甚至在开始使用 BCI 之前。依靠先进的机器学习技术（例如迁移学习），可以减少或抑制这种依赖于受试者的校准。基于黎曼 BCI，我们提出了一种简单有效的方案，根据从不同受试者记录的数据训练分类器，以减少校准同时保持良好的性能。本文的主要新颖之处在于提出了一种可应用于非常不同范式的独特方法。为了证明这种方法的稳健性，我们对三个 BCI 范式的多个数据集进行了荟萃分析：事件相关电位 (P300)、运动意象和 SSVEP。依靠 MOABB 开源框架来确保实验和统计分析的可重复性，结果清楚地表明，所提出的方法可以应用于任何类型的 BCI 范式，并且在大多数情况下可以显著提高分类器的可靠性。我们指出了一些进一步改进迁移学习方法的关键特征。
EEGNeX 的基准研究
本研究考察了各种神经网络 (NN) 模型通过脑电图 (EEG) 信号解释心理构造的有效性。通过评估四种脑机接口 (BCI) 范式中 16 种流行的 NN 模型及其变体，我们评估了它们的信息表示能力。基于全面的文献综述结果，我们提出了 EEGNeX，这是一种新颖的纯基于 ConvNet 的架构。我们将它与现有的尖端策略和所有 BCI 基准之母 (MOABB) 进行了比较，涉及 11 个不同的 EEG 运动想象 (MI) 分类任务，结果表明 EEGNeX 超越了其他最先进的方法。值得注意的是，与竞争对手相比，它在不同场景中的分类准确率提高了 2.1-8.5%，具有统计学意义 (p < 0.05)。这项研究不仅为设计用于 EEG 数据的高效 NN 模型提供了更深入的见解，而且为未来探索生物电脑信号与 NN 架构之间的关系奠定了基础。为了促进更广泛的科学合作，我们已将包括 EEGNeX 在内的所有基准模型公开发布在（https://github.com/chenxiachan/EEGNeX）上。
基于增强的 BCI-EEG 分类...
摘要 — 目的：脑电信号被记录为多维数据集。我们提出了一个基于增强协方差的新框架，该框架源自自回归模型，以改进运动想象分类。方法：从自回归模型可以推导出 Yule-Walker 方程，该方程显示了对称正定矩阵的出现：增强协方差矩阵。对协方差矩阵进行分类的最新技术基于黎曼几何。因此，一个相当自然的想法是将这种基于黎曼几何的方法应用于这些增强协方差矩阵。创建增强协方差矩阵的方法与 Takens 为动态系统提出的延迟嵌入定理有着自然的联系。这种嵌入方法基于两个参数的知识：延迟和嵌入维度，分别与自回归模型的滞后和阶数有关。除了标准网格搜索之外，这种方法还提供了计算超参数的新方法。结果：增强协方差矩阵的 ACM 性能优于任何最先进的方法。我们将使用 MOABB 框架在多个数据集和多个主题上测试我们的方法，同时使用会话内和跨会话评估。结论：结果的改善是由于增强协方差矩阵不仅包含空间信息，还包含时间信息。因此，它通过嵌入过程包含有关信号非线性分量的信息，从而允许利用动态系统算法。意义：这些结果扩展了基于黎曼距离的分类算法的概念和结果。
在脑部计算机界面中弥合计算智能和神经科学之间的差距，并具有对系统和数据的共同描述
我们正在进入开放科学的时代，这是科学的实践，以鼓励协作，对研究数据，研究过程，工具，脚本/代码以及任何其他相关信息的贡献。这种仅定义涉及支持知识产生的透明度和可访问性的框架（Vicente-Saez and Martinez-Fuentes，2018年）。然而，尽管共享的做法本身具有巨大的好处（Woel fllpe et al。，2011），特别是对于科学界而言，但它在研究人员之间的共同标准发展方面构成了显着的挑战。新知识的产生是新颖的研究主题，有吸引力的主题和问题所固有的。脑部计算机界面（BCI）（Vallabhaneni等，2005）就是这样一种领域，引起了研究人员的广泛关注。bcis允许人们通过直接使用其大脑信号与环境相互作用，从而绕过神经和肌肉的自然途径。在过去的二十年中，已经提出了几种系统，并且在像PubMed和Google Scholar这样的学术搜索引擎中进行了一些简单的探索，该一词“脑部计算机界面”一词分别提供了超过3K至40k的结果，每年都会发布更多的结果。可以从BCI社区和BCI社区提供几种开放数据资源。但是，这些和其他资源仍然使用不同的术语，数据格式，处理方法和机器学习对BCIS的这一数字研究仍在增加，代表了一个高度的多学科领域，其中神经科学家，数学家，医师，计算机科学家和工程师都相互互动，以改善BCI，通过提出新的Neurophyphyphyophymyolophypardigms，新的Neurophyophysiolophy Paradigms，“高级大脑信号”记录方法和设备，并确定了数学范围，以及数据，以及数据，以及数据，以及指码，以及指码 - 算法，以及指码。Data resources as MOABB ( Jayaram and Barachant, 2018 ), and software tools like EEGLAB 1 or MNE 2 are meant to use data formats and methods such as the European data format (EDF), JavaScript Object Notation (JSON) or comma-separated values (CSV) files to make it possible to easily mix data-processing techniques even if the data were obtained from different sources.