XiaoMi-AI文件搜索系统
World File Search SystemSSVEP
通过非意志神经反馈进行 SSVEP 调节
1 CIBIT – 科英布拉大学科英布拉生物医学成像和转化研究中心，科英布拉，葡萄牙 2 ICNAS – 科英布拉大学健康应用核科学研究所，科英布拉，葡萄牙 3 ISR – 科英布拉大学系统与机器人研究所，科英布拉，葡萄牙 4 IPT – 托马尔理工学院，托马尔，葡萄牙 5 FCTUC – 科英布拉大学科学与技术学院，科英布拉，葡萄牙 6 FMUC – 科英布拉大学医学院生理学系，科英布拉，葡萄牙 7 LASI – 联合实验室，吉马良斯，葡萄牙 8 LASI – 北里约格兰德联邦大学 (UFRN) 脑研究所，巴西 * 同等贡献 通讯作者 (Miguel Castelo-Branco) 的电子邮件地址：mcbranco@fmed.uc.pt 资金：FCT/UIDP&B/4950
使用COMMON
个人的活动和行为完全通过脑电波控制[1]。通过神经系统将来自大脑的信号传递到人体的每个器官。由于神经肌肉疾病（包括肌萎缩性侧索硬化症（ALS）和锁定综合征）引起的，个体的运动功能丢失了[2]。在这些情况下，个人无法使用任何智力或表达方式与他人进行交流[3]。要提出澄清，研究人员正试图发现广泛的辅助设备。BCI的想法正在研究人员在这些辅助设备中进行广泛研究。在每种BCI技术中，都将特定的认知任务解释到设备命令中，该任务可用于处理辅助设备[4] [3]。脑部手术轮椅，家庭设备控制，机器人臂指挥，拼写技术，工作量识别和身份验证检测系统是广泛采用的BCI应用程序[5] [6]。
评估刺激颜色和频率对SSVEP的影响
摘要：大脑 - 计算机接口（BCI）可以通过注册和处理脑电图（EEG）信号来提取有关受试者意图的信息，以生成对物理系统的操作。稳态视觉诱发的电位（SSVEP）是当受试者凝视着视觉刺激时产生的。通过光谱分析并测量其谐波含量的信噪比（SNR），可以识别观察到的刺激。刺激颜色很重要，一些作者提出了红色，因为它具有吸引注意力的能力，而另一些作者则拒绝了它，因为它可能会诱发癫痫发作。绿色也已提出，据称白色可能会产生最好的信号。关于频率，尽管尚未彻底研究高频，但声称中间频率产生了最佳的SNR，并且由于该频带的自发性脑活动较低，因此可能是有利的。在这里，我们以三个频率显示白色，红色和绿色刺激：5（低），12（中）和30（高）Hz至42个受试者，并进行比较以找到可以产生最佳SNR的。我们的目标是知道对白色的响应是否像红色一样强，并且对高频的响应是否与较低频率触发的响应一样强。注意力。方差分析（ANOVA）显示了具有中间频率的最佳SNR，其次是低，最终是高频率的。白色在12 Hz时给出了红色的SNR，绿色为5 Hz，在30 Hz时没有差异。这些结果表明中间频率是可取的，并且可以避免使用红色。相关性分析还显示了注意力低频与SNR之间的相关性，因此表明对于低频，更多的注意力能力会带来更好的结果。
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。
实用SSVEP BCI
摘要：与替代方法相比，由于较高的信息传输速率和最少的训练设置更容易设置，大脑计算机界面（BCI）的稳态视觉诱发电位（SSVEP）方法很受欢迎。具有精确生成的视觉刺激频率，可以将大脑信号转换为外部动作或信号。传统上，使用或不带有凝胶的电极从枕骨区域收集SSVEP数据，通常安装在头顶上。在这项实验研究中，我们开发了一个入耳式电极来收集四个不同频率的SSVEP数据，并将其与枕头皮电极数据进行比较。来自五个参与者的数据证明了基于耳电极的SSVEP的可行性，显着增强了可穿戴BCI应用的可实用性。
通过跨域转移学习促进基于模板的SSVEP解码
抽象目标。本研究旨在建立一个广义的转移学习框架，以通过利用跨域数据传输来提高稳态视觉诱发电位（SSVEP）基于脑部计算机界面（BCIS）的性能。方法。我们通过结合了最小二乘转换（LST）的转移学习来增强基于最新的模板的SSVEP解码，以利用跨多个域（会话，主题和脑电图蒙太奇）利用校准数据。主要结果。研究结果验证了LST在跨域传输现有数据时消除SSVEP的可变性的功效。此外，基于LST的方法比标准与任务相关的组件分析（TRCA）的方法和非第一个天真转移学习方法明显更高的SSVEP解码精度。意义。这项研究证明了基于LST的转移学习能够在各种情况下对其原理和行为进行深入研究，从而利用主题和/或设备的现有数据。当校准数据受到限制时，提出的框架显着提高了标准TRCA方法的SSVEP解码精度。其在校准减少方面的性能可以促进基于SSVEP的BCIS和进一步的实用应用。
SSVEP在感知填充过程中追踪注意力而不是意识
1个心理科学学院，澳大利亚墨尔本莫纳什大学医学院，护理与健康科学学院； 2英国牛津大学医学院实验心理学系； 3墨尔本墨尔本大学心理科学学院，澳大利亚墨尔本； 4澳大利亚堪培拉大学卫生学院心理学学科； 5特纳大脑与心理健康研究所，澳大利亚墨尔本莫纳什大学医学院，护理与健康科学学院； 6日本苏亚国家信息与通信技术学院（NICT）信息与神经网络中心（Cinet）； 7高级电信研究计算神经科学实验室，2-2-2 Hikaridai，Seika-Cho，Soraku-Gun，京都，日本，日本
使用快速准确的 SSVEP 脑机接口...
摘要 — 本文介绍了一种处理和分类视觉诱发电位信号 (SSVEP) 的原创方法。它介绍了一种将典型相关分析与基于功率谱密度的方法相结合的集成学习模型。所用的刺激物是使用 LED 构建的，范围从 7.04 Hz 到 38.46 Hz。使用 ADS1299 和三个干电极收集数据。针对不同的光强度和 LED 之间的不同距离进行了测试。总共招募了 22 名参与者，平均准确率为 99.1 ± 2.27%，决策时间为 1 秒。据我们所知，这些结果超过了之前在 SSVEP-BCI 中使用高频刺激的其他作品中发表的结果，即平均准确率约为 90%，决策时间为 5 秒。索引术语 — 典型相关分析、脑机、EEG、视觉诱发电位、SSVEPC。
使用眼动追踪和 SSVEP 的混合拼写器设计......
摘要：稳态视觉诱发电位 (SSVEP) 因其稳健性、大量命令、高分类准确率和信息传输率 (ITR) 等优点，被广泛应用于开发脑机接口 (BCI)。然而，同时使用多个闪烁刺激往往会导致用户感到非常不适、疲倦、烦恼和疲劳。在这里，我们建议使用脑电图 (EEG) 和基于视频的眼动追踪来设计一种刺激响应混合拼写器，以提高用户在面对大量同时闪烁的刺激时的舒适度。有趣的是，基于典型相关分析 (CCA) 的框架可用于识别闪烁信号持续时间为 1 秒的目标频率。我们提出的 BCI 拼写器仅使用六个频率来对 48 个目标进行分类，从而大大提高了 ITR，而基本的 SSVEP BCI 拼写器使用的频率数量与目标数量相同。使用此拼写器，我们在提示拼写任务中获得了 90.35 ± 3.597% 的平均分类准确率，平均 ITR 为 184.06 ± 12.761 比特/分钟，在自由拼写任务中获得了 190.73 ± 17.849 比特/分钟。因此，我们提出的拼写器在目标分类、分类准确率和 ITR 方面优于其他拼写器，同时产生的疲劳、烦人、疲倦和不适感更少。我们提出的混合眼动追踪和基于 SSVEP BCI 的系统最终将实现真正的高速通信通道。
SSVEP BCI系统的可解释的模糊转移学习
摘要 - 大脑计算机界面（BCIS）的快速演变显着影响了人类计算机相互作用的领域，具有稳态的视觉诱发电势（SSVEP），作为一种尤其是强大的范式。这项研究探讨了高级分类技术利用可解释的模糊转移学习（IFUzzyTL）来增强基于SSVEP系统的适应性和性能。最近的努力通过创新的转移学习方法加强了减少校准要求，从而通过策略性地应用域适应性和很少的动作学习策略来完善跨主题的生成性并最大程度地减少校准。深度学习中的开创性发展还提供了有希望的增强功能，促进了稳健的领域适应性，并显着提高了SSVEP分类的系统响应能力和准确性。但是，这些方法通常需要复杂的调整和广泛的数据，从而限制了立即适用性。ifuzzytl引入了一个自适应框架，该框架将模糊逻辑原理与神经网络体系结构相结合，重点关注有效的知识传递和域自适应。ifuzzytl通过整合模糊的推理系统和注意机制来完善人类干预格式的输入信号处理和分类。这种方法通过有效管理脑电图数据的固有可变性和不确定性来增强模型的精度，并与现实世界的运营需求保持一致。在三个数据集中证明了该模型的功效：12JFPM（1s的12JFPM（89.70％精度为149.58），基准（ITR为85.81％，ITR的精度为85.81％），ITR的准确性为213.99）和Eldbeta（76.50％的IT and and and and ath and and and and and and and and and and and and and and and aft）and 94.63）和94.63）和94.63） SSVEP BCI性能的基准。