XiaoMi-AI文件搜索系统
World File Search SystemOpenViBE
包含用户个人资料信息的大型脑电图数据库，用于运动想象脑机接口研究
我们展示并分享了一个大型数据库，其中包含来自 87 名人类参与者的脑电信号，这些信号是在一天的脑机接口 (BCI) 实验中收集的，分为 3 个数据集 (A、B 和 C)，所有数据集均使用相同的协议记录：右手和左手运动想象 (MI)。每个会话包含 240 次试验（每个类别 120 次），代表超过 20,800 次试验，或大约 70 小时的记录时间。它包括相关 BCI 用户的表现、有关人口统计、个性特征以及一些认知特征的详细信息以及实验说明和代码（在开源平台 OpenViBE 中执行）。这样的数据库可用于各种研究，包括但不限于：(1) 研究 BCI 用户的个人资料与其 BCI 表现之间的关系，(2) 研究 EEG 信号属性如何因不同用户的个人资料和 MI 任务而变化，(3) 使用大量参与者设计跨用户 BCI 机器学习算法或 (4) 将用户的个人资料信息纳入 EEG 信号分类算法的设计中。
使用低成本开源脑机接口和 3D 打印腕外骨骼诱导神经可塑性
摘要：脑机接口 (BCI) 已被证明可用于中风康复，但有许多因素阻碍了该技术在康复诊所和家庭中的使用，主要因素包括 BCI 系统的可用性和成本。本研究的目的是开发一种廉价的 3D 打印腕外骨骼，可由廉价的开源 BCI (OpenViBE) 控制，并确定使用这种设置进行训练是否可以诱导神经可塑性。11 名健康志愿者想象手腕伸展，这些伸展通过单次脑电图 (EEG) 检测到，作为响应，腕外骨骼复制了预期的运动。在使用外骨骼进行 BCI 训练之前、之后立即和 30 分钟后测量使用经颅磁刺激引起的运动诱发电位 (MEP)。BCI 系统的真阳性率为 86 ± 12%，每分钟有 1.20 ± 0.57 次误检。与 BCI 训练前的测量结果相比，MEP 在训练后立即增加了 35 ± 60%，在 BCI 训练 30 分钟后增加了 67 ± 60%。BCI 性能与可塑性诱导之间没有关联。总之，可以使用开源 BCI 设置检测想象运动并控制廉价的 3D 打印外骨骼，当与 BCI 结合时可以诱导神经可塑性。这些发现可能会促进 BCI 技术在康复诊所和家庭中的普及。然而，可用性必须提高，并且需要对中风患者进行进一步测试。
通过脑机接口生成
我们提出了一种实时生成音乐的方法，该方法由从脑电图 (EEG) 估计的用户情感状态驱动。这项工作旨在探索使用传感器数据的实时音乐生成应用策略。应用范围从用于 x-reality 的响应音乐到艺术装置，以及在教学环境中作为反馈的音乐生成。我们在开源平台 OpenViBE 中开发了一个脑机接口。它管理与 EEG 设备的通信并计算相关特征。基准数据集用于评估监督学习方法在价态和唤醒的二元分类任务上的表现。我们还使用减少数量的电极和频带评估了性能，以解决预算较低和环境嘈杂的问题。然后，我们解决了实时音乐生成模型的要求，并提出了对 Magenta 的 MusicVAE 的修改，引入了一个用于控制批次间内存的参数。最后，我们讨论了将所需音乐特征映射到模型的原生输入特征的可能策略。我们提出了一个概率图形模型来模拟从效价/唤醒到 MusicVAE 潜在变量的映射。我们还解决了数据集维度问题，提出了三个概率解决方案。
Aalborg Univertet技术数据和天然气成本...
摘要：已证明脑部计算机界面（BCIS）对中风康复很有用，但是有许多因素阻碍了该技术在康复诊所和家庭用途中使用，包括BCI系统的可用性和成本，包括BCI系统的主要因素。这项研究的目的是开发廉价的3D打印手腕外骨骼，可以由廉价的开源BCI（OpenVibe）控制，并确定使用这种设置的训练是否可以诱导神经可塑性。11位健康的志愿者想象的手腕延伸是从单审脑电图（EEG）检测到的，因此，腕骨骼外骨骼复制了预期的运动。运动诱发电位（MEP）是在使用外骨骼训练后立即，之后和30分钟测量的。BCI系统的真实正率为86±12％，每分钟为1.20±0.57假检测。与BCI训练之前的测量相比，MEP在BCI训练后立即增加35±60％，在BCI训练后67±60％30分钟。BCI性能与可塑性的诱导之间没有关联。总而言之，可以使用开源BCI设置来检测假想运动，并控制便宜的3D打印外骨骼，当与BCI结合使用时可以诱导神经可塑性。这些发现可能会促进BCI技术用于康复诊所和家庭用途的可用性。但是，必须提高可用性，并且中风患者需要进一步测试。
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。