XiaoMi-AI文件搜索系统
World File Search SystemOpenBCI
可以使用开放硬件低成本脑电图放大器记录人类刺激引起的窄带伽马振荡
人类脑电图 (EEG) 中刺激引起的窄带伽马振荡 (30-70 Hz) 与注意力和记忆机制有关，在自闭症、精神分裂症和阿尔茨海默病等精神健康疾病中是异常的。然而，由于 EEG 中的绝对功率随着频率的增加按照“1/f”幂律迅速下降，并且伽马波段包括线路噪声频率，这些振荡很容易受到仪器噪声的影响。先前记录刺激引起的伽马振荡的研究使用昂贵的研究级 EEG 放大器来解决这一问题。虽然低成本 EEG 放大器在主要依赖低频振荡（< 30 Hz）或稳态视觉诱发电位的脑机接口应用中已经变得流行，但它们是否也可以用于测量刺激引起的伽马振荡尚不清楚。我们使用一个低成本的开源放大器（OpenBCI）和一个传统的研究级放大器（Brain Products GmbH）记录脑电图信号，两者都连接到 OpenBCI 帽，在男性（N = 6）和女性（N = 5）受试者（22-29 岁）观看全屏静态光栅时，已知这些光栅会在部分受试者中诱发两种不同的伽马振荡：慢伽马和快伽马。虽然来自 OpenBCI 的脑电图信号噪声要大得多，但我们发现在 Brain Products 记录中表现出伽马反应的七个受试者中，六个在 OpenBCI 中也表现出伽马反应。尽管 OpenBCI 设置中存在噪声，但这些反应在 alpha（8-13 Hz）和伽马波段的光谱和时间曲线在 OpenBCI 和 Brain Products 记录之间高度相关。这些结果表明低成本放大器可能用于刺激诱发的伽马反应检测。
基于脑电图的控制方法......
神经控制接口是一项独特的全球技术，它彻底改变了控制和信号处理领域。这项技术有助于将人类和计算机联系起来，实现某些患者或人们难以实现的目标。在提议的实验中，脑信号被用来移动自动臂并执行各种任务，例如移动手的任何手指。为了实时为 3D 手臂机器人提供运动，我们获取了基于 10-20 国际系统的 EEG 数据，并使用 OpenBCI Wi-FI、OpenBCI 板将这些信号转发到处理计算机，并使用 OpenBCI GUI 和 Arduino Uno 控制伺服电机。此外，本文还介绍了一种脑电图 (EEG) - 一种帮助残疾人和老年人的智能轮椅控制系统。本文旨在使用脑机接口 (BCI) 耳机控制电动轮椅。这种轮椅可能对因脑脊髓切断而无法使用手或腿的残疾人有益。基本目标是将不同的面部表情与轮椅运动相匹配。该系统由 NeuroSky Mind Wave EEG 传感器线圈组成，该线圈与 Android 配对，并连接到语音中断电路，以防止轮椅意外发生故障或自动移动。脑机接口设计的系统通过实时实验研究进行评估，并应用于男性和女性，通过张开和握紧手进行诱导，验证过程也使用不同的频率和电压进行，实验结果表明该过程将按设计运行，具有极高的精度和高性能。
用于隐蔽式耳内脑电图记录的高端和低成本脑电图放大器的系统比较
摘要：可穿戴脑电图 (EEG) 有可能通过脑机接口 (BCI) 改善日常生活，例如改善睡眠、自适应助听器或基于思维的数字设备控制。为了使这些创新更适合日常使用，研究人员正在寻找小型化、隐蔽的 EEG 系统，该系统仍能精确收集神经活动。例如，研究人员正在使用可附在耳朵周围的柔性 EEG 电极阵列 (cEEGrids) 来研究日常生活中的神经激活。然而，这种隐蔽 EEG 方法的使用受到测量挑战的限制，例如信号幅度减小和记录系统成本高。在本文中，我们将低成本开源放大系统 OpenBCI Cyton+Daisy 板与基准放大器 MBrainTrain Smarting Mobi 的性能进行比较。我们的结果表明，OpenBCI 系统是隐蔽 EEG 研究的可行替代方案，具有高度相似的噪声性能，但时间精度略低。对于预算较少的研究人员来说，该系统是一个很好的选择，因此可以为推进隐匿性脑电图研究做出重大贡献。
Xinyue Wang
• 王新月、侯少辉、张莉、李琳玲、梁振、张志国和黄干。实时 eeg 锁相反馈控制用于 alpha 幅度和频率调节：openbci 实现。2020 年第九届生物信息学和生物医学科学国际会议，第 65-70 页，2020 年
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。
物联网脑电图系统原型 - RUC
我们的第二个目标是利用获取的用户眼部状态信息通过开/关操作来控制 IoT 设备。本文的结构如下。第 2 节总结了一些最重要的前期工作，这些工作涉及将 EEG 用于 IoT 以及从获取的信号中对 cE 和 oE 状态进行分类。第 3 节介绍了我们用于采集 EEG 信号的开源设备和来自 OpenBCI 的开放解决方案。13第 4 节展示了用于将 EEG 设备与 IoT 元素集成的架构。第 5 节解释了所提出的 cE 和 oE 分类方法。第 6 节介绍了实验所用的方法和材料。第 7 节展示了从一组测试个体获得的结果。第 8 节分析了这些结果。最后，第 9 节包含了这项工作更相关的结论。
传感器
摘要：眼电图 (EOG) 信号已广泛应用于人机界面 (HCI)。文献中提出的 HCI 系统使用自行设计或封闭的环境，这限制了潜在用户和应用的数量。在这里，我们提出了一个使用 EOG 信号对四个方向的眼球运动进行分类的系统。该系统基于开源生态系统、Raspberry Pi 单板计算机、OpenBCI 生物信号采集设备和开源 Python 库。设计的系统提供了一种廉价、紧凑且易于携带的系统，可以复制或修改。我们使用最大、最小和中位数试验值作为特征来创建支持向量机 (SVM) 分类器。在 10 名受试者中，有 7 名受试者对上下左右运动的在线分类平均准确率为 90%。该分类系统可用作 HCI 的输入，即用于瘫痪患者的辅助交流。
Alisha Menon
华盛顿感觉运动神经工程中心。开发了36个小时的时间，Dropstop是一种用于脚下患者的互动康复系统。卫生专业人员建议几乎所有脚落下的患者的物理治疗。然而，治疗对患者来说可能会令人沮丧，因为练习（在中风或受伤之前很容易运动）非常难以执行。这使他们减少了自己完成任务的动力。大量研究表明，康复和培训中的视觉和音频反馈可以帮助患者以清晰而激励的方式更好地了解自己的表现和改善。Dropstop通过与OpenBCI Cyton生物传感板相连的表面EMG传感器测量胫骨前肌肉活性。Cyton记录并通过RFDUINO无线电模块驱动音频和视觉反馈的USB加密狗连接到Arduino Uno的计算机无线通信。
使用 Arduino 和
摘要 — 本文介绍了使用 Arduino 和 Mindflex 技术开发脑控假手的过程。本研究的目的是设计一个系统，使残疾人士能够通过他们的脑信号控制假手。脑电图 (EEG) 信号用于捕获和解释用户执行特定手部动作的意图。Neurosky 芯片与 Arduino 集成以获取实时 EEG 信号，而 Mindflex 技术采用 EEG 耳机，可作为捕获脑信号的非侵入式用户友好界面。通过分析这些信号，生成命令来控制假手的运动。原型实现包括集成伺服电机等机电元件以激活假肢。进行了广泛的测试和模拟，以评估系统性能和效率。分析并比较了来自 openbci 设备和 Mindflex 的验证数据，以评估大脑命令的准确性和可靠性。结果显示用户和伺服电机之间的交互成功，表明使用 EEG 信号控制手假肢的可行性。生成大脑命令所实现的准确性验证了所开发系统的有效性。这项研究有助于假肢技术的进步，为提高残疾人的生活质量提供了新的可能性。
迈向移动和可穿戴脑机接口
简介：脑机接口 (BCI) 尚未被主流采用作为控制范例，因为大多数 BCI 系统都很笨重、难以设置，并且在移动环境中通常表现不够好，无法取代现有的输入模式。然而，BCI 可能有望成为多模式系统的一部分，当用户的手不空闲和/或无法发出语音命令时，该系统可以增强交互，这通常是高度移动应用领域的要求。随着电极功能的最新进展以及移动设备和头戴式显示器处理能力的提高，现在可以在移动设备上实时获取、发送和处理 EEG 信号。这些改进使得构建可穿戴移动 BCI 成为可能，它可以为主流用户和残疾人提供替代的交互方法。本摘要描述了我们正在进行的设计和评估可穿戴移动 BCI 组件的工作中的两项试点研究。材料、方法和结果：在我们的第一项研究中，我们的目标是设计一个 BCI 来检测所有可穿戴组件的 SSVEP。谷歌眼镜 [2] 用于同时向参与者呈现两个闪烁的视觉刺激，频率为 13 Hz 和 17 Hz。我们的 EEG 放大器是一块 OpenBCI 板，我们使用定制的 3D 打印夹子将其夹在参与者的腰带上。我们使用三个电极：枕骨（Oz）作为信号、乳突作为接地、耳垂作为参考，来检测 SSVEP 信号。我们记录了 EEG 数据以供离线分析。在 10 个疗程中，使用图 1 所示的装置，我们可以检测到参与者正在关注两个刺激中的哪一个，对于 13 Hz 的准确率为 76%-84%，对于 17 Hz 的准确率为 67%-72%，对于 1 秒长滑动窗口 SSVEP 的 PSD 振幅谱作为特征，使用对每个刺激单独训练的 10 倍交叉验证 RF 分类器。我们将实验扩展到步行-秒表刺激场景，发现单个刺激 1 秒长滑动窗口 SSVEP 的准确率为 93%。我们第二项研究的目的是确定是否可以用易于制作的定制入耳电极替换头皮电极，该电极改编自 Looney [1] 讨论的耳电极设计。我们使用 eFit s 扫描仪创建了参与者左耳的模型。然后，我们 3D 打印了一个耳机，并放置了 3 个预凝胶的 Ag/AgCl 接地板电极，并用银箔覆盖，使它们接触外耳的耳道壁。将用于比较的入耳电极和 Oz 连接到可穿戴 OpenBCI 系统和距离用户 6 厘米的闪烁的 13Hz LED。如图 2 所示，枕骨区域的峰值 SSVEP 幅度高于耳道，但 SNR 也增加了，因此使用可穿戴 BCI 从耳朵和头皮的检测准确率可达到 80-90%。