XiaoMi-AI文件搜索系统
World File Search SystemMindWave
使用 Arduino 和 Neurosky Mindwave EEG 根据年龄和性别评估大脑注意力水平
心智[4]、提高自闭症儿童的注意力[5]、评估儿童的注意力水平[8]等。另一方面，Arduino 设备（一块带有微控制器的板，可以读取传感器并允许构建数字和交互式设备）已用于教育 [6]、改善成人和残疾人的生活质量 [7]、开发火灾报警系统 [8] 等。这项研究的目标是整合两种设备，Arduino 和 Neurosky MindWave EEG，以测量使用者的注意力水平。收集到的数据存储在电子表格中，并根据注意力值实时生成线条图，以获得根据每个配置文件的模式。本文在第二部分展示了相关工作，在第三部分展示了应用的方法，在第四部分展示了项目的开发和从不同样本中获得的统计数据，在第五部分展示了结果和讨论，最后是结论。
低成本脑电图帽的用户体验评估
摘要 脑电帽广泛应用于脑机接口，是人机交互领域中最具前景的重要领域之一。本研究在需要注意力和放松的任务中对两种不同的低成本 EEG 耳机 NeuroSky MindWave 和 Emotiv EPOC 进行了性能比较、用户体验和可用性评估。在研究中，12名志愿者被要求执行一项注意力任务和一项需要高认知负荷的放松任务。其中，情感网格量表和AttrakDiff调查用于评估用户体验，而NASA心理工作量调查和系统可用性量表则用于揭示设备的可用性问题。当检查统计结果时，发现 NeuroSky MindWave EEG 耳机在放松任务中比 Emotiv EPOC EEG 耳机更成功。在需要注意力的任务中，两者都产生了类似的结果。在查看用户体验评估时，我们发现参与者在使用两个 EEG 耳机时都感到疲劳，但对设备的使用仍然感到满意。在可用性方面，他们对 NeuroSky MindWave 给出了更为积极的评价。
基于快速傅里叶变换和 K 近邻的脑电信号人类情感识别
人类的情绪状态可以自然转变，并可通过面部表情、声音或身体动作识别，这些都受所接受的刺激影响。然而，即使经历了喜悦、悲伤或其他感觉，每个人也并非都能表达情绪。从生物医学角度来看，情绪会影响脑电波活动，因为持续运作的脑细胞通过电脉冲进行交流。因此，脑电图 (EEG) 用于捕获来自脑信号的输入、研究脉冲并确定人类情绪。检查通常包括观察一个人对给定刺激的反应，但即时结果尚无定论。在本研究中，相关分类为正常、专注、悲伤和震惊。通过使用名为 Neurosky Mindwave 的单通道脑电图记录了 50 名受试者的原始脑电波数据。同时，在通过听音乐、看视频或阅读书籍刺激候选人的思维的同时进行评估。采用快速傅立叶变换 (FFT) 方法进行特征提取，并采用 K-最近邻 (K-NN) 对脑脉冲进行分类。参数 k 的值为 15，平均分类准确率为 83.33%，而专注情绪状态的最高准确率为 93.33%。Neurosky Mindwave 与 FFT 和 KNN 技术相结合，是潜在的分析解决方案，有助于增强对人类情绪状况的识别。
针对嗜睡检测的可用低成本EEG耳机的系统评价
嗜睡是交通事故和工业事故的主要原因，使生活和生产力造成了损失。脑电图（EEG）信号可以反映意识和专注力，而低成本的消费者EEG耳机在市场上可用。将这些设备用作嗜睡探测器可以增加针对小型企业和发展中国家的安全性和生产力提高设备的可及性。我们对当前可用的低成本，基于脑电图的嗜睡检测系统进行了系统评价。我们试图确定是否可以可靠地用作消费者脑电图的脑电图。我们包括了记录的案例，描述了使用基于消费者的EEG设备，包括Neurosky Mindwave，Interaxon Muse，Emotiv Epoc，Emotiv Insight和OpenBCI。46项相关研究，约27个报告了精度得分。 其中最低的是神经性思维自我，最低31％。 通过OpenBCI研究，报告的第二最低精度为79.4％。 在许多情况下，算法优化仍然是必要的。 精确计算，系统校准和嗜睡的不同定义的不同方法使直接比较有问题。 但是，即使是基本特征，例如脑电带的功率谱，也能够始终如一地检测到嗜睡。 每个特定设备都有自己的功能，权衡和限制。 广泛使用的光谱特征即使使用低成本的消费者设备也可以实现成功的嗜睡检测。但是，可靠性问题仍必须在职业环境中解决。46项相关研究，约27个报告了精度得分。其中最低的是神经性思维自我，最低31％。通过OpenBCI研究，报告的第二最低精度为79.4％。在许多情况下，算法优化仍然是必要的。精确计算，系统校准和嗜睡的不同定义的不同方法使直接比较有问题。但是，即使是基本特征，例如脑电带的功率谱，也能够始终如一地检测到嗜睡。每个特定设备都有自己的功能，权衡和限制。广泛使用的光谱特征即使使用低成本的消费者设备也可以实现成功的嗜睡检测。但是，可靠性问题仍必须在职业环境中解决。
基于颜色对脑电图信号进行分类，适用于患有...的人
摘要 — 大脑中的神经元会产生电信号，这些电信号的集体发射会产生脑电波。这些脑电波信号是使用 EEG（脑电图）设备以微电压形式捕获的。EEG 传感器捕获的这些信号序列具有可用于分类的嵌入特征。这些信号可作为严重运动障碍患者的替代输入。不同颜色的分类可以映射到许多功能，例如定向运动。在本文中，使用基于注意力的深度学习网络对来自 NeuroSky Mindwave 耳机（单电极 EEG 传感器）的原始 EEG 信号进行分类。基于注意力的 LSTM 网络已经用于对两种不同颜色和四种不同颜色进行分类。使用上述基于注意力的 LSTM 网络，两种颜色的分类准确率为 93.5%，四种信号的分类准确率为 65.75%。
个性化抗衰老药物的年龄型
摘要：自主感觉子午响应（ASMR）是头皮上的刺痛感，它是针对与默认模式网络连接的特定触发音频和视觉刺激的响应。我们的研究（n = 76）旨在通过检查瞳孔直径和脑活动来测试ASMR的神经生理学。假设ASMR的特质性质，我们期望结果检测到相反的生理结果，考虑到学生的直径和脑激活。我们使用了一系列的自我报告来研究心理维度。对于生理措施，我们使用了两种工具：学生和Neurosky Mindwave手机2。结果表明，在ASMR视频中，无论刺痛感如何，ASMR视频中的瞳孔直径增强。另一方面，ASMR视频中的唤醒水平低于其他条件。两种神经生理学措施之间的差异似乎是特殊的，可以被视为ASMR心理结局的促进现象。
使用大脑计算机禁用的智能家庭控制...
摘要：基于脑电图（EEG）的智能家居控制系统是脑电脑界面（BCI）的主要应用之一，它允许残疾人在家中最大化其功能。大脑计算机接口（BCI）是一种使严重残疾人使用脑波与环境进行交流和互动的设备。在此项目中，范围包括图形用户界面（GUI）充当使用BCI作为输入的家用设备的控制和监视系统。因此，Neurosky Mindwave耳机用于检测大脑的EEG信号。此外，使用Raspberry Pi 3模型B+，4个通道5V继电器模块，灯泡和风扇开发了原型模型。正在提取来自脑波的原始数据信号以操作家用电器。此外，结果与实验过程中使用的命令信号非常吻合。最后，开发的系统可以轻松地在智能家居中实现，并且具有很高的潜力，可用于智能自动化。
脑机接口在元宇宙中的应用进展
近年来，随着虚拟宇宙研究重心向内容交换与社交转移，突破当前视听媒体交互的瓶颈成为当务之急，利用脑机接口进行感官模拟是其中一种解决方案。目前，脑机接口作为生理信号采集工具，在虚拟宇宙的各个领域都展现出不可替代的潜力。本研究探讨了虚拟宇宙中的生成艺术、虚拟宇宙医学中的严肃游戏医疗、虚拟宇宙虚拟社会中的表情合成等三个应用场景，并调研了现有的商业产品与专利（如MindWave Mobile、GVS、Galea等），类比了网络安全与神经安全、生物伦理与神经伦理的发展历程，讨论了脑机接口成熟与广泛应用后可能面临的挑战与问题，展望了未来脑机接口在虚拟宇宙中深度应用的多种可能性。
计算机研究项目
图 1. BCI 系统的一般框图 ................................................................................................ 7 图 2. 人脑及其组成部分 .............................................................................................. 14 图 3. 大脑的半球和功能 .............................................................................................. 14 图 4. 脑叶的位置 ............................................................................................................ 15 图 5. 神经元 ............................................................................................................. 16 图 6. Na+ 和 K+ 离子 ...................................................................................................... 17 图 7. EEG 信号捕获 ............................................................................................. 19 图 8. 级联方法 ............................................................................................................. 30 图 9. BCI 块系统 ............................................................................................................. 30 图 10. MindWave 耳机及其组成部分 ................................................................................ 31 图 11. 创建和配置 C# 项目 ............................................................................................. 35 图 12. C# 项目库 ............................................................................................................. 36 图 13. 导入NativeThinkgear64.cs 类 ...................................................................... 36 图 14. 代码截图 .............................................................................................. 38 图 15. 级别 0 .............................................................................................................. 42 图 16. 级别 1 .............................................................................................................. 43 图 17. 连接表单 ............................................................................................................. 45 图 18. 训练表单 ............................................................................................................. 46 图 19. 控制器表单 ...................................................................................................... 47 图 20. 电路图 ............................................................................................................. 48 图 21. 电路板布局 ............................................................................................................. 49 图 22. 外部设备操作 ............................................................................................................. 54 图 23. 控制器电路和连接 ................................................................................................ 55 图形索引