XiaoMi-AI文件搜索系统
World File Search SystemMicrostate
脑电图微状态 A
摘要：理论基础：静息状态范式经常应用于脑电图 (EEG) 研究；然而，它与无法控制参与者的思想有关。为了量化受试者在休息时的主观体验，引入了阿姆斯特丹静息状态问卷 (ARSQ)，涵盖了十个思维游离维度。我们旨在估计主观体验与 EEG 的静息状态微状态之间的关联。方法：使用 197 名受试者的 5 分钟静息状态 EEG 数据来评估七个微状态类别的时间特性。采用贝叶斯相关方法来评估静息后评估的 ARSQ 域与微状态参数之间的关联。结果：揭示了舒适度、自我和躯体意识域与神经电微状态的时间特性之间的几种关联。舒适度与微状态 E 持续时间之间的正相关性显示出最强的证据 (BF 10 > 10)；其余相关性显示出大量证据 (10 > BF 10 > 3)。结论：我们的研究表明，评估静息状态下发生的自发思维对于理解微状态所反映的内在大脑活动具有重要意义。
基于EEG
认识到脑电图中的情绪（EEG）是情感脑部计算机界面（ABCI）领域中有前途且宝贵的研究问题。为提高情绪识别的准确性，根据脑电图信号中的时间信息提出了一种情感特征提取方法。这项研究采用微晶格分析作为脑电图信号的时空分析。微骨被定义为一系列瞬时准稳定的头皮电势地形。脑电活动可以建模为由微骨的时间序列组成。微晶序序列提供了一个理想的宏观窗口，用于观察自发脑活动的时间动力学。为了进一步分析微晶序列的精细结构，我们提出了一种基于K-MER的特征提取方法。k-mer是给定序列的k长度底带。它已被广泛用于计算基因组学和序列分析。我们提取基于K-MER的D 2 *统计量的功能。此外，我们还提取每个微晶体类别的四个参数（持续时间，出现，时间覆盖，GEV，GEV）作为粗级的特征。我们在DEAP数据集上进行了实验，以评估所提出的特征的性能。实验结果表明，在细水平和粗糙水平上的特征融合可以有效提高分类精度。
脑电微状态特征作为稳定运动输出的生物标志物
摘要 目的。本研究旨在通过优化基于整体和频谱大脑动力学特征的预测多元模型，阐明在视觉引导的等长收缩任务中维持恒定力量水平背后的大脑动力学。方法。18 名受试者被要求按压灯泡并保持恒定的力量水平（屏幕上的条形图显示），并获取脑电图 (EEG)。对于 500 毫秒的间隔，我们计算了力量稳定性指数以及大脑动力学指数：微状态指标（持续时间、发生率、整体解释方差、方向优势）和 θ、低 alpha、高 alpha 和 beta 波段的 EEG 频谱幅度。我们优化了一个多元回归模型（偏最小二乘 (PLS)），其中微状态特征和频谱幅度是输入变量，力量稳定性指数是输出变量。使用 PLS 嵌套交叉验证方法解决了输入变量之间的共线性和模型的普遍性相关问题。主要结果。优化的 PLS 回归模型达到了良好的普遍性，并成功显示了微状态和光谱特征在推断施加力的稳定性方面的预测价值。与视觉和执行控制网络相关的微状态持续时间越长、发生率越高，收缩性能就越好，这与视觉系统和执行控制网络在视觉运动整合中所起的作用一致。意义。微状态指标和脑节律幅度的组合不仅可以在群体层面，而且在个体层面被视为稳定的视觉引导运动输出的生物标志物。我们的研究结果可能对更好地理解单次试验或实时应用中的运动控制以及运动控制研究发挥重要作用。
基于EEG Microstate分析预测运动图像BCI性能
摘要：电动图像（MI）脑电图（EEG）自然而舒适，并且已成为大脑 - 计算机界面（BCI）领域的研究热点。探索主体间MI-BCI性能变化是MI-BCI应用中的基本问题之一。EEG微晶格可以代表大脑认知功能。在本文中，使用了四个EEG微骨（MS1，MS2，MS3，MS4）进行分析，分析受试者的Mi-BCI性能差异，并计算四个微杆菌特征参数（平均持续时间，每秒出现，时间覆盖率和时间覆盖率和过渡概率）。测量了静息状态EEG Microstate特征参数与受试者的MI-BCI性能之间的相关性。基于MS1的发生的负相关性和MS3平均持续时间的正相关性，提出了静静态微晶格预测指标。28名受试者参加我们的MI实验，以评估我们静止状态的Microstate预测指标的性能。实验结果表明，与频谱熵预测变量相比，我们静止状态的Mi-Crostate预测器的平均面积（AUC）值为0.83，增加了17.9％，表明微骨特征参数可以更好地表明受试者的MI-BCI性能比光谱enterpy enterpropy预测器。此外，在单节水平和平均水平上，Microstate预测指标的AUC高于光谱熵预测变量的AUC。总体而言，我们的静止状态微晶格预测指标可以帮助MI-BCI研究人员更好地选择受试者，节省时间并促进MI-BCI的发展。
驾驶过程中的认知负荷：EEG Microstate指标对任务难度敏感并预测安全结果
重复使用本文是根据创意共享归因（CC BY）许可的条款分发的。此许可证允许您在作品上分发，混音，调整和建立工作，只要您将作者归功于作者的原始作品。此处的更多信息和许可证的完整条款：https：//creativecommons.org/licenses/
Hill-早期至中期儿童时期的脑电图微状态显示……
图 7 脑电图 alpha 功率与微状态 C 和 E 的时间参数之间的关联。（a）从后部（POz；红色圆圈）电极获取的非周期调整脑电图频谱图，其中地形图显示 alpha 功率的整体头皮分布。（b）alpha 功率与微状态 C（闭眼、睁眼）和微状态 E（闭眼）之间的相关性。在闭眼和睁眼记录中，对于微状态 C，alpha 功率与所有四个微状态特征（GEV、持续时间、覆盖范围、发生率）显着正相关。在闭眼条件下，alpha 功率与微状态 E GEV、覆盖范围和发生率也呈显着负相关。
生物心理学 - 薮猫 - UNIL
本研究旨在调查极限山地超级马拉松 (MUM) 对 16 名完赛者自发性脑电活动的影响。通过在 330 公里比赛（平均持续时间：125 ± 17 小时；睡眠持续时间：7.7 ± 2.9 小时）之前和之后使用 4 分钟闭眼高密度脑电图 (EEG) 记录，进行频谱功率、源定位和微状态分析。比赛结束后，功率分析显示，在顶枕部位，delta（0.5 – 3.5 Hz）和 theta（4.0 – 7.5 Hz）频带的功率集中局部增加，alpha（8.0 – 12.0 Hz）功率降低。在左后扣带皮层、左角回和视觉联想区内观察到 alpha 频带的更高大脑激活。微状态分析表明，在比赛结束时，地图 C 优势显著下降，地图 D 的全局场功率 (GFP) 增加。这些功率模式和微状态参数的变化与之前报告的短时间耐力训练后的结果形成对比。我们讨论了解释顶枕区内较低 alpha 活动和 MUM 后微状态变化的潜在因素。总之，可以推荐使用高密度 EEG 静息状态分析来研究极限运动中的大脑适应性。
EEG-微状态动力学.pdf
证据表明，意识流被解析为瞬态大脑状态，这些状态表现为全局神经元活动的离散时空模式。脑电图 (EEG) 微状态被认为是这些持续几分之一秒的瞬态稳定大脑状态的神经生理学关联。为了进一步了解 EEG 微状态动态与意识之间的联系，我们连续记录了 23 名外科患者从清醒状态到昏迷状态的高密度 EEG，这些患者由静脉麻醉剂丙泊酚的浓度逐步增加而引起。除了微状态动力学的常规参数外，我们还介绍了一种估计微状态序列复杂性的新方法。手术麻醉下的大脑活动显示典型微状态的序列复杂性降低，变得更稀疏且持续时间更长。然而，我们观察到，随着镇静深度的增加，微状态的时间动态和复杂性最初有所增加，导致出现明显的“U 形”，这可能与中等剂量异丙酚引起的反常兴奋有关。我们的研究结果支持以下观点：大脑在正常情况下处于亚稳态，在有序和混乱之间保持平衡，以便灵活地从一种状态切换到另一种状态。EEG 微状态的时间动态表明，这种稳定性和过渡性之间的关键平衡发生了变化，从而导致意识状态改变。
加州大学默塞德分校
睡眠分期是睡眠评估和疾病诊断的基础，是睡眠研究的重要内容，自动化睡眠分期的相关工作已经取得了许多令人满意的成果，但目前的研究多以睡眠信息作为分类特征，如以时域或频域度量作为局部特征，以跨通道的综合脑网络信息作为全局特征，而忽略了脑活动的自发规律。同时，脑微状态被认为与脑活动密切相关，可以用来研究脑整体电位的变化规律。为了基于脑电图探究睡眠阶段脑功能微状态的规律性变化，特别是睡眠结构的规律性变化，我们首先进行微状态聚类，然后基于这些微状态表征被试的睡眠结构，随后将睡眠结构与传统的睡眠信息特征相结合，进行自动化睡眠分期。本研究的实验贡献如下：（1）首次提出将睡眠结构应用于睡眠自动分期。（2）当微状态类别数量达到 7 个及以上时，模型表现良好，最佳分类准确率达到 89.50%。（3）提出了一种融合睡眠结构与睡眠信息的睡眠自动分期模型。关键词：睡眠自动分期；脑电信号；微状态；睡眠结构
患有和以后的自闭症的婴儿的细心脑状态
抽象的早期困难在使细心的大脑状态参与社会环境中可能会影响学习并对社会发展产生级联影响。我们在8个月大的婴儿（FH，n = 91）和没有（NOFH，n = 40）的自闭症谱系障碍（ASD）的家族史（ASD）中，使用多通道脑电图在面部/非面部范式中进行了多通道脑电图（ASD）。在3岁时接受ASD诊断为ASD的FH婴儿（FH-ASD; n = 19），与事件相关的潜在组成部分进行了NC的比较（FH- NOASD; n = 72）和NOFH的婴儿（也没有，也没有，也没有，也没有，Heafter nofhnoafhnoassd; n = 40;“原型”微晶格，并与后来的分类和维度结果进行了检查。机器学习用于识别最佳预测ASD和社会适应技巧的微晶特征。结果表明，尽管大脑状态时机的度量与分类ASD结果有关，但大脑状态强度与社会功能的维度测量有关。特别是，FH-ASD组相对于其他组显示出较短的NC潜伏期，而对面部的细节响应的持续时间对于分类结果预测提供了信息。降低了直接凝视的面部面孔与专注微晶格的非社会控制刺激和强度对面孔的强度的降低，这有助于预测社交技能的维度变化。在一起，这提供了一致的证据，表明非典型关注参与在社会化中困难的出现，并表明，使用全脑激活的时空特征来在婴儿期定义脑状态，为理解导致ASD的神经发育机制提供了一种重要的新方法。