XiaoMi-AI文件搜索系统
World File Search SystemSSV
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
基于 Transformer 的 SSVEP 分类深度神经网络模型
a 西南科技大学计算机科学与技术学院脑科学与医学人工智能实验室，中国绵阳 b 电子科技大学生命科学与技术学院成都脑科学研究所临床医院神经信息教育部重点实验室、生物医学信息中心，中国成都 c 南洋理工大学计算机科学与工程学院，新加坡
使用 SSVEP 的电动轮椅操纵系统...
摘要：大多数运动障碍人士使用操纵杆来控制电动轮椅。然而，患有多发性硬化症或肌萎缩侧索硬化症的人可能需要其他方法来控制电动轮椅。本研究实施了基于脑电图 (EEG) 的脑机接口 (BCI) 系统和稳态视觉诱发电位 (SSVEP) 来操纵电动轮椅。在操作人机界面时，三种涉及实时虚拟刺激的 SSVEP 场景显示在显示器或混合现实 (MR) 护目镜上以产生 EEG 信号。使用典型相关分析 (CCA) 将 EEG 信号分类为相应的命令类，并使用信息传输速率 (ITR) 来确定效果。实验结果表明，由于 CCA 的分类准确率高，所提出的 SSVEP 刺激会产生 EEG 信号。这用于控制电动轮椅沿特定路径行驶。同步定位和地图绘制 (SLAM) 是本研究中用于轮椅系统的机器人操作软件 (ROS) 平台中可用的地图绘制方法。
无需用户特定训练即可为 SSVEP BCI 拼写者迁移学习一组 DNN
摘要 — 目标：用脑电图 (EEG) 测量的稳态视觉诱发电位 (SSVEP) 在脑机接口 (BCI) 拼写器中产生不错的信息传输速率 (ITR)。然而，目前文献中高性能的 SSVEP BCI 拼写器需要对每个新用户进行初始冗长而累人的用户特定训练以适应系统，包括使用 EEG 实验收集数据、算法训练和校准（所有这些都在实际使用系统之前）。这阻碍了 BCI 的广泛使用。为了确保实用性，我们提出了一种基于深度神经网络 (DNN) 集合的全新目标识别方法，该方法不需要任何类型的用户特定训练。方法：我们利用先前进行的 EEG 实验的参与者的现有文献数据集，首先训练一个全局目标识别器 DNN，然后针对每个参与者进行微调。我们将这组经过微调的 DNN 集合转移到新的用户实例，根据参与者与新用户的统计相似性确定 k 个最具代表性的 DNN，并通过集合预测的加权组合来预测目标字符。结果：在两个大规模基准和 BETA 数据集上，我们的方法实现了令人印象深刻的 155.51 比特/分钟和 114.64 比特/分钟 ITR。代码可用于重现性：https://github.com/osmanberke/Ensemble-of-DNNs 结论：在两个数据集上，对于所有刺激持续时间在 [0.2-1.0] 秒内的情况，所提出的方法都明显优于所有最先进的替代方案。意义：我们的 Ensemble-DNN 方法有可能促进 BCI 拼写器在日常生活中的实际广泛部署，因为我们提供最高性能，同时允许立即使用系统而无需任何用户特定的训练。索引词 — 脑机接口、BCI、EEG、SSVEP、集成、深度学习、迁移学习
美国潜艇 - USSVI
10 月 22 日是圣地亚哥二战潜艇老兵的正常会议日。洛杉矶帕萨迪纳、鲍因、斯坎普、圣地亚哥、的里雅斯特和 Bonefish 基地的 USSVI（美国潜艇老兵公司）潜艇老兵为他们的老二战“菲恩兄弟”安排了一个小小的惊喜仪式。这原本是一个简单的仪式，大约有 25 名船友出席。这一切都是因为加利福尼亚州雷德兰兹 Bonefish 基地的基地指挥官 Mike Williamson 觉得圣地亚哥潜艇基地的 Roncador 纪念碑上的牌匾不太合适。好吧，它只有一个信封那么大 - 还有比这更好的吗？在 WD6 指挥官 Bob Miller 的帮助下，Mike 开始在 WD6（美国第六舰队西部第六分舰队）召集基地，最终的成果是一块绝对壮观的 95 磅重、2 英尺 x 3 英尺的镌刻牌匾，上面清楚地标明了功劳：二战潜艇退伍军人和其他直接负责在 1971 年安装宏伟纪念碑的人。任务的第一部分是筹集新牌匾所需的 3,000.00 美元，然后制造它，并将其运送到海军基地。它在明尼苏达州制造并运往圣贝纳迪诺的 Mike。10 月 10 日，NJVC Michael Bircumshaw 从家向北驱车 50 英里，在加利福尼亚州卡利梅萨领取了牌匾，13 日，他向南驱车 65 英里到达圣地亚哥海军基地，并将其交给了 Port Oper 的 BMC Claiboine
研究论文 3D 输入卷积神经网络在患者用户脑机接口设计中的 SSVEP 分类
本研究旨在展示三维输入卷积神经网络在基于无线EEG的脑机接口系统中进行稳态视觉诱发电位分类的性能。脑机接口系统的整体性能取决于信息传输速率。信号分类准确率、信号刺激器结构和用户任务完成时间等参数都会影响信息传输速率。在本研究中，我们使用了三种信号分类方法，即一维、二维和三维输入卷积神经网络。根据使用三维输入卷积神经网络的在线实验，我们分别达到了93.75%的平均分类准确率和平均信息传输率58.35 bit/min。这两个结果都明显高于我们在实验中使用的其他方法。此外，使用三维输入卷积神经网络还可以缩短用户任务完成时间。我们提出的方法是一种新颖且最先进的稳态视觉诱发电位分类模型。
基于 SSVEP 的 BCI 系统的正则化张量管道
大脑中闪烁刺激会引发周期性信号，即稳态视觉诱发电位 (SSVEP)。它们通常通过回归技术检测，这种技术需要相对较长的试验长度来提供反馈和/或足够数量的校准试验，以便在脑机接口 (BCI) 的背景下可靠地估计。因此，对于设计用于 SSVEP 信号操作的 BCI 系统，可靠性是以牺牲速度或额外记录时间为代价的。此外，无论试验长度如何，当存在影响对闪烁刺激的注意力的认知扰动时，基于无校准回归的方法已被证明会出现显著的性能下降。在本研究中，我们提出了一种称为振荡源张量判别分析 (OSTDA) 的新技术，该技术提取振荡源并使用新开发的基于张量的收缩判别分析对其进行分类。对于只有少量校准试验可用的小样本量设置，所提出的方法非常可靠。此外，它在低通道数和高通道数设置下都能很好地工作，使用短至一秒的试验。在不同的实验环境下，包括具有认知障碍的实验环境（即具有控制、听力、说话和思考条件的四个数据集），OSTDA 的表现与其他三种基准最新技术相似或明显更好。总体而言，在本文中，我们表明 OSTDA 是所有研究的管道中唯一可以在所有分析条件下实现最佳结果的管道。2021 作者。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
基于多目标优化的 SSVEP 脑机接口高通空间滤波
摘要 — 为了提高基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了许多空间滤波方法。现有的方法倾向于仅使用来自同一刺激的训练数据来学习某个目标的空间滤波器参数，并且它们很少考虑来自其他刺激的信息或训练过程中的体积传导问题。在本文中，我们提出了一种新的基于多目标优化的高通空间滤波方法来提高 SSVEP 检测的准确性和鲁棒性。滤波器是通过最大化训练信号和来自同一目标的单个模板之间的相关性，同时最小化来自其他目标的信号与模板之间的相关性来得出的。优化还将受到滤波器元素之和为零的约束。在两组自采集的 SSVEP 数据集（分别包含 12 个和 4 个频率）上的评估研究表明，所提方法优于 CCA、MsetCCA、SSCOR 和 TRCA 等比较方法。所提方法还在 35 名受试者记录的公开 40 类 SSVEP 基准数据集上进行了验证。实验结果证明了所提方法对提升 SSVEP 检测性能的有效性。