XiaoMi-AI文件搜索系统
World File Search SystemP300
使用黎曼概率的贝叶斯积累的端到端 P300 BCI
摘要 — 在脑机接口 (BCI) 中，大多数基于事件相关电位 (ERP) 的方法都侧重于 P300 的检测，旨在对拼写任务进行单次试验分类。虽然这是一个重要的目标，但现有的 P300 BCI 仍然需要多次重复才能达到正确的分类准确率。P300 BCI 中的信号处理和机器学习进步主要围绕 P300 检测部分，而字符分类不在范围之内。为了在保持良好字符分类的同时减少重复次数，解决完整的分类问题至关重要。我们引入了一个端到端流程，从特征提取开始，由使用概率黎曼 MDM 的 ERP 级分类组成，该分类使用跨试验的贝叶斯置信度积累提供字符级分类。现有方法仅在字符闪现时增加其置信度，而我们新的管道，称为黎曼概率贝叶斯累积 (ASAP)，在每次闪现后更新每个字符的置信度。我们提供了此贝叶斯方法的正确推导和理论重新表述，以便无缝处理从信号到 BCI 字符的信息。我们证明我们的方法在公共 P300 数据集上的表现明显优于标准方法。
通过优化和机器学习提高 P300 拼写器的性能
摘要 脑机接口 (BCI) 是一种允许人们绕过周围神经系统 (PNS) 的自然神经肌肉和激素输出与环境互动的系统。这些接口记录用户的大脑活动并将其转换为外部设备的控制命令，从而为 PNS 提供额外的人工输出。在这一框架中，基于 P300 事件相关电位 (ERP) 的 BCI 已被证明特别成功和强大，ERP 表示特定事件或刺激后从大脑记录下来的电反应。通过分类算法确定 EEG 特征中是否存在 P300 诱发电位。线性分类器（例如逐步线性判别分析和支持向量机 (SVM)）是 ERP 分类中最常用的判别算法。由于 EEG 信号的信噪比较低，因此在对信号进行分类之前，需要执行多个刺激序列（又称迭代）并取平均值。然而，虽然增加迭代次数可以提高信噪比，但也会减慢该过程。在早期的研究中，迭代次数是固定的（无停止环境），但最近文献中提出了几种提前停止策略，以便在满足某个标准时动态中断刺激序列，以提高通信速率。在这项工作中，我们探索了如何通过结合优化和机器学习来提高基于 P300 的 BCI 中的分类性能。首先，我们提出了一个新的决策函数，旨在提高无停止和提前停止环境中的分类性能（准确度和信息传输速率）。然后，我们提出了一个新的 SVM 训练问题，旨在促进目标检测过程。我们的方法在几个公开可用的数据集上被证明是有效的。
通过优化和机器学习提高 P300 拼写器的性能
脑机接口 (BCI) 是一种允许人们绕过周围神经系统 (PNS) 的自然神经肌肉和激素输出与环境互动的系统。这些接口记录用户的大脑活动并将其转换为外部设备的控制命令，从而为 PNS 提供额外的人工输出。在此框架中，基于 P300 事件相关电位 (ERP) 的 BCI 已被证明特别成功且稳定，ERP 代表特定事件或刺激后从大脑记录的电反应。通过分类算法确定 EEG 特征中是否存在 P300 诱发电位。线性分类器（例如逐步线性判别分析 (SWLDA) 和支持向量机 (SVM)）是 ERP 分类中最常用的判别算法。由于 EEG 信号的信噪比较低，因此需要执行多个刺激序列（即迭代），然后取平均值，然后对信号进行分类。然而，虽然增加迭代次数可以提高信噪比 (SNR)，但也会减慢该过程。在早期的研究中，迭代次数是固定的（不停止），但最近，文献中提出了几种提前停止策略，以便在满足某个标准时动态中断刺激序列，以提高通信速率。在
p300脑 - 计算机接口在虚拟和增强现实中的无人机控制
摘要：自从出现头部安装显示器（HMD）以来，研究人员试图在脑 - 计算机界面（BCI）研究中引入虚拟和增强现实（VR，AR）。但是，缺乏研究均包含AR和VR来比较两个环境中的性能。因此，有必要开发可以在VR和AR中使用的BCI应用程序，以允许在两个环境中比较BCI性能。在这项研究中，我们使用基于p300的BCI开发了基于OpenSource的无人机控制应用程序，该应用可用于VR和AR。二十名健康受试者参加了该应用程序的实验。他们被要求控制两个环境中的无人机，并在实验之前和之后填写问卷。我们发现在线性能（p300组件的分类准确性和振幅/潜伏期）和用户体验（满意度，节目，程序，环境，利益，兴趣，兴趣，沉浸式，沉浸感和自我控制感觉）之间没有显着（P300组件的分类准确性和幅度/潜伏期）的显着差异。这表明p300 BCI范式相对可靠，并且在各种情况下都可以很好地工作。
通过特征向量联合对齐实现 P300 脑机接口的迁移学习
摘要 — 本文介绍了一种新的迁移学习方法，即群组学习，它可以联合对齐多个域（多对多），以及一种扩展方法，即快速对齐，它可以将任何其他域与先前对齐的域组对齐（多对一）。在脑机接口 (BCI) 数据上评估了所提出的组对齐算法 (GALIA)，并研究了该算法的最佳超参数值以了解分类性能和计算成本。使用了六个公开的 P300 数据库，包含来自 177 个受试者的 333 个会话。与传统的针对特定受试者的训练/测试流程相比，群组学习和快速对齐均显著提高了分类准确率，但临床受试者的数据库除外（平均改进：2.12±1.88%）。GALIA 利用循环近似联合对角化 (AJD) 来找到一组线性变换，每个域一个，联合对齐所有域的特征向量。群组学习实现了多对多迁移学习，同时不会损害非临床 BCI 数据的分类性能。快速对齐进一步扩展了任何未见域的群组学习，从而允许具有相同属性的多对一迁移学习。前一种方法使用来自先前受试者和/或会话的数据创建单个机器学习模型，而后一种方法利用训练后的模型来处理未见域，无需进一步训练分类器。
MindGomoku：基于贝叶斯深度学习的在线 P300 BCI 游戏
摘要：脑机接口（BCI）技术除了有助于开发残疾人辅助产品外，还可以成为全民娱乐的一种方式。然而，大多数BCI游戏由于控制性能差或容易引起疲劳而无法广泛推广。本文提出了一款P300脑机接口游戏（MindGomoku），探索一种在实际环境中利用脑电图（EEG）信号进行游戏的可行且自然的方式。这项研究的新颖之处在于在设计BCI游戏和范例时融合了游戏规则和BCI系统的特点。此外，引入了一种简化的贝叶斯卷积神经网络（SBCNN）算法，以在有限的训练样本上实现高精度。为了证明所提算法和系统控制的可靠性，选择了10名受试者参加两次在线控制实验。实验结果表明，所有受试者均成功完成游戏控制，平均准确率为90.7%，并且平均玩MindGomoku超过11分钟。这些发现充分证明了所提系统的稳定性和有效性。该BCI系统不仅为用户（特别是残疾人）提供了一种娱乐形式，还为游戏提供了更多可能性。
事件相关的 alpha 节律调制解释了脑电图中的听觉 P300 诱发反应
[1] 马克斯普朗克人类认知与脑科学研究所神经病学系，莱比锡 04103，德国 [2] 柏林夏里特医学院伯恩斯坦计算神经科学中心，柏林 10117，德国 [3] 罗氏制药研究与早期开发、神经科学与罕见疾病，罗氏巴塞尔创新中心，F.霍夫曼-罗氏有限公司，巴塞尔，4070，瑞士 [4] 莱比锡大学 LIFE – 文明疾病研究中心，莱比锡，04109，德国 [5] IU 国际应用技术大学心理学系，埃尔福特，53604，德国 [6] 莱比锡大学医学中心精神病学和心理治疗系，莱比锡，04103，德国 [7] 精神病学、心身医学和心理治疗，法兰克福歌德大学，法兰克福，60323，德国 [8] 医学信息学，统计学和流行病学研究所（IMISE），莱比锡大学，莱比锡，04109，德国 [9] 认知神经病学系，莱比锡大学医院，莱比锡，04103，德国 [10] 神经物理学组，神经病学系，夏里特 - 柏林大学医学院，柏林，10117，德国
脊髓损伤后触觉事件相关电位 p300 成分的变化
对照组 目标 328.1 319.7 338.4 (47.8) (57.3) (55.1) 非目标组 321.8 317.0 323.9 (52.5) (53.7) (51.5) 截瘫组 目标 309.4 313.5 327.4 (46.8) (38.8) (34.6) 非目标组 282.4 284.5 303.9 (44.0) (44.0) (49.2) 四肢瘫痪组 目标 341.2 323.2 321.8 (61.9) (47.4) (57.4) 非目标组 334.3 322.5 326.7 (61.6) (52.3) (51.1)
事件相关的 alpha 节律调制解释了脑电图中的听觉 P300 诱发反应
[1] 马克斯普朗克人类认知与脑科学研究所神经病学系，莱比锡 04103，德国 [2] 柏林夏里特医学院伯恩斯坦计算神经科学中心，柏林 10117，德国 [3] 罗氏制药研究与早期开发、神经科学与罕见疾病，罗氏巴塞尔创新中心，F.霍夫曼-罗氏有限公司，巴塞尔，4070，瑞士 [4] 莱比锡大学 LIFE – 莱比锡文明疾病研究中心，莱比锡，04109，德国 [5] IU 国际应用技术大学心理学系，埃尔福特，53604，德国 [6] 莱比锡大学医学中心精神病学和心理治疗系，莱比锡，04103，德国 [7] 精神病学、心身医学和心理治疗，法兰克福歌德大学，法兰克福，60323，德国 [8] 医学信息学，统计学和流行病学研究所（IMISE），莱比锡大学，莱比锡，04109，德国 [9] 认知神经病学系，莱比锡大学医院，莱比锡，04103，德国 [10] 神经物理学组，神经病学系，夏里特 - 柏林大学医学院，柏林，10117，德国
基于P300 SSVEP的双人协同脑控机械臂汉字书写系统
ISSN 1004‑9037，代码元SCYCE4数据采集与处理杂志卷。37，编号6，2022年11月，第pp。1401-1411 doi：10。16337/j。1004-9037。2022。06。020ⓒ2022撰写的数据采集与处理杂志