XiaoMi-AI文件搜索系统
World File Search SystemSSVEP
利用双峰 SSMVEP 提高 BCI 性能
稳态视觉诱发电位 (SSVEP) 是一种广泛使用的脑机接口 (BCI) 范式，因其多目标能力和有限的脑电图电极要求而受到重视。传统的 SSVEP 方法经常因闪烁的光刺激而导致视觉疲劳和识别准确率下降。为了解决这些问题，我们开发了一种创新的稳态运动视觉诱发电位 (SSMVEP) 范式，该范式融合了运动和颜色刺激，专为增强现实 (AR) 眼镜设计。我们的研究旨在增强 SSMVEP 反应强度并减轻视觉疲劳。实验在受控的实验室条件下进行。使用 EEGNet 的深度学习算法和快速傅里叶变换 (FFT) 分析脑电数据，以计算分类准确率并评估反应强度。实验结果表明，双模态运动-颜色融合范式显著优于单模态SSMVEP范式和单色SSVEP范式，在中等亮度（M）和C=0.6的面积比下，准确率最高可达83.81%±6.52%。客观测量和主观报告均证实了双模态运动-颜色融合范式的信噪比（SNR）有所提高，视觉疲劳有所减轻。研究结果验证了双模态运动-颜色融合范式在基于SSVEP的脑机接口（BCI）中的应用前景，能够同时提升脑部反应强度和用户舒适度。
传感器
摘要：近年来，基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）性能提升研究取得了长足进展。过去的SSVEP-BCI研究在许多不同的应用中采用了不同的目标频率和闪光刺激。然而，在执行SSVEP-BCI任务时不容易识别用户的心理状态变化。我们可以观察到的是从用户的视觉区域增加的目标频率的EEG功率。BCI用户的认知状态变化，特别是在精神集中状态或陷入沉思状态，将影响SSVEP持续使用中的BCI性能。因此，如何通过探索BCI用户在执行SSVEP时的神经活动变化来区分BCI用户的生理状态是提升BCI性能的关键技术。本研究设计了一个新的BCI实验，将工作记忆任务结合到SSVEP任务的闪烁目标中，使用12 Hz或30 Hz频率。通过探究工作记忆和SSVEP任务执行所对应的EEG活动变化，可以识别用户的认知状态是集中注意力还是陷入沉思。实验结果表明，在额叶，与陷入沉思相比，集中注意力状态下的delta（1-4 Hz）、theta（4-7 Hz）和beta（13-30 Hz）EEG活动增加更多；在枕叶，与陷入沉思相比，集中注意力状态下的delta（1-4 Hz）、alpha（8-12 Hz）和beta（13-30 Hz）波段的功率增加更多。此外，观察到KNN和贝叶斯网络分类器的受试者平均分类性能为77%到80%。这些结果显示了心理状态的变化如何影响 BCI 用户的表现。在这项工作中，我们开发了一种新场景来识别用户在执行 BCI 任务时的认知状态。这些发现可以用作未来 BCI 开发中的新型神经标记。
大脑和计算机接口（BCI）系统的基础和应用
图4。当实施使用SSVEP的BCI系统时，需要合理的刺激频率范围，通常，通常，该范围通常是从15Hz到35Hz。此外，还会同时引起刺激闪光频率的夸隆组分的振动成分，因此，如果将一个刺激的闪光频率的载体组件用作不同刺激的闪光频率，则歧视精度的闪光频率将降低[7]。 SSVEP对BCI的评估涉及识别精度率，信息转换率（位/分钟）和检测间隔（SEC）等。一个示例是一个系统应用程序，用于根据SSVEP原理使用大脑进行呼叫。当在液晶显示器上执行SSVEP刺激器时，它们可以闪烁的频率受到显示刷新速率的限制，因此很难使用SSVEP显着增加BCI的命令数量。最后，如果将闪烁刺激应用于癫痫患者，则可能会严格禁止对患有癫痫病史的受试者进行癫痫发作的癫痫发作。 2.3 P300引起的潜在p300是一个积极的潜力，在刺激发作后长期存在约300毫秒（图5）[8]，通过随机呈现两种或多种类型的感觉刺激（视听，视觉，视觉，味道，触摸等），可以与彼此区分，并通过选择性地注意对低效率刺激（图5）[8）[8] [8）。例如，它是与视觉刺激引起的枕骨优势相关的潜在组成部分，并且在相对较早的潜伏期约为200 ms的情况下观察到。诱导的视觉响应组件包含多种组件，其潜伏期和名称因提出的刺激的特征而有所不同。此外，听觉刺激引起的成分称为听觉诱发电位。人们认为该疾病的根源是颞叶中听觉区域的颞叶和视觉床。刺激后100-200ms观察到大的负和正成分。因此，刺激表现后出现200-500ms的大脑活动反应很常见。在两项选择的奇数任务的情况下，目标是低频刺激和未定位的刺激，典型的比例为2至8。
从“ EEG耳机”中解码音乐的关注：用户 - ...
脑部计算机界面（BCI）提供了一种与计算机通信的秘密和非语言方式。bcis在包括辅助技术和情感监测在内的应用中具有巨大的潜力[1]。脑电图（EEG）由于其流动性，低成本和与认知功能的相关性[2，3]已成为BCI设计的人们选择。先前的研究表明，使用视觉或听觉刺激在建立基于脑电图的BCI系统方面取得了巨大成功。Chen等。 [4]使用流动对象设计了高通量视觉BCI系统。 当用户专注于其中一个时，EEG信号中将出现一种称为稳态视觉诱发电位（SSVEP）的神经特征。 但是，SSVEP需要稳定的视线，这可能是由于永久性或处境障碍而无法获得的（例如，在驾驶时）。 作为一种替代解决方案，研究人员将类似的想法应用于设计听觉BCI系统，在该系统中，向用户提供了以不同频率调制的多个纯音流。 参加流的调节频率可能会导致强大的EEG组件称为听觉稳态响应（ASSR）[5]。 SSVEP或ASSR范式的一个主要缺点是使用易流对象或调制纯音，这可能会导致用户疲劳。 最近的研究努力使用更自然而宜人的刺激来改善BCI系统的用户友好性。 Huang等。 [6]在其BCI设计中使用了滴滴声音，为用户创建了轻松的听觉场景。 An等。 [7]设计Chen等。[4]使用流动对象设计了高通量视觉BCI系统。当用户专注于其中一个时，EEG信号中将出现一种称为稳态视觉诱发电位（SSVEP）的神经特征。但是，SSVEP需要稳定的视线，这可能是由于永久性或处境障碍而无法获得的（例如，在驾驶时）。作为一种替代解决方案，研究人员将类似的想法应用于设计听觉BCI系统，在该系统中，向用户提供了以不同频率调制的多个纯音流。参加流的调节频率可能会导致强大的EEG组件称为听觉稳态响应（ASSR）[5]。SSVEP或ASSR范式的一个主要缺点是使用易流对象或调制纯音，这可能会导致用户疲劳。最近的研究努力使用更自然而宜人的刺激来改善BCI系统的用户友好性。Huang等。 [6]在其BCI设计中使用了滴滴声音，为用户创建了轻松的听觉场景。 An等。 [7]设计Huang等。[6]在其BCI设计中使用了滴滴声音，为用户创建了轻松的听觉场景。An等。[7]设计
通过控制视觉刺激的时间，使用脑电图进行字符输入......
研究成果概要（中文）：在本研究中，我们旨在开发一种使用 P300 和稳态视觉诱发电位 (SSVEP) 的混合型输入系统，这两种技术在利用脑电图进行字符输入时被广泛使用。该系统发挥了 P300 和 SSVEP 的优势，并弥补了彼此的不足。首先，我们通过视觉刺激呈现建立了一种同时生成方法。接下来，利用呈现方法，我们确认可以通过控制候选字符的呈现时间来有效分离两种不同的脑电图。我们已经证明，我们的原创方法可以实现高速输入。然而，差异程度因对象而异。这是未来需要解决的一个挑战。
空间编码的BCI
在空间外观视野中，空间编码的SSVEP BCI在稳态视觉诱发对视觉闪烁刺激的反应的地形中利用了变化。与频率编码的SSVEP BCI相比，操作员不会注视任何闪烁的灯；因此，此范式可以减少视觉疲劳。其他优点包括高分类精度和简化的刺激设置。对范式的先前研究使用了固定持续时间的刺激间隔。对于频率编码的SSVEP BCIS，已经表明，动态调整试验持续时间可以提高系统的信息传输速率（ITR）。因此，我们研究了通过应用动态停止方法，是否可以为空间编码的BCI实现类似的增加。到此为止，我们引入了一个新的停止标准，该标准结合了分类结果的可能性及其在较大数据窗口中的性能。，BCI的平均ITR为28.4±6.4位/ min/ min，固定间隔，动态间隔将性能提高到81.1.1±44.4位/分钟。用户能够保持长达60分钟的连续操作的性能。我们建议动态响应时间可能是一种时间反馈，使操作员可以优化其大脑信号并补偿疲劳。
50选择性稳态视觉诱发电位的基础研究
摘要：脑机接口（BCI）的关键参数是输入速度、准确性、易用性和输入数量。稳态视觉诱发电位（SSVEP）–BCI在前三个类别中表现优异，但在输入数量方面存在问题。我们设计了一个50选择性SSVEP–BCI，以增加输入数量，以便将来实现日语和PC键盘输入。为了增加输入数量，我们提高了频率分辨率。通过将刺激的分辨率从0.2Hz更改为0.1Hz，可以将输入数量翻倍。这是因为可以将输入数量翻倍。我们对受试者的原始和伪信号数据进行了典型相关分析。噪声非常大，而输出典型相关向量最大值的传统分析方法的正响应率很低。因此，我们进行了频带限制，通过频率阈值区分SSVEP成分。我们还引入了多数表决算法来消除不可分类的数据。结果表明:脑机接口的平均正确率为55.11%,最高为79.53%;平均信息传输速率为28.05bits/min,最高为45.16bits/min。因此,实验结果表明,频率分辨率的提高可以增加输入的数量。关键词:脑机接口,稳态视觉诱发电位,典型相关分析,多选择1.引言
社论：代码调制的诱发电位在下一代脑机构接口中的作用
使用代码调节的诱发潜力（C-VEP）对脑部计算机界面（BCIS）进行研究，最近取得了显着的进步（Martínez-Cagigal等，2021）。这些突破归因于刺激协议的复杂设计和创新的解码技术，它们共同建立了基于C-DEP的BCIS作为通信和控制应用程序的当前最新技术。该研究主题旨在通过促进原始贡献来推动领域的前进，并特别着眼于提高C-DEP驱动的BCI系统的可用性，可靠性和实用性。的目标是更加关注这一新兴领域，尽管它取得了显着的成就，但仍需要在临床环境和日常生活中促进这些技术的广泛采用。C-VEP刺激方案与其他主要类别的诱发反应明显不同，例如与事件相关的电位（ERP）和稳态视觉诱发的潜力（SSVEP）（Martínenez-Cagigal等人，2021年）。ERP协议通常基于奇数范式，其速度要慢得多，典型的刺激发作异步（SOA）约为250 ms（4 Hz），而C-vep中使用的至少16 ms（60 Hz）的速度相比。同样，尽管与ERP相比，SSVEP范式也相对较快，但SSVEP协议依赖于频率的方法，在这种方法中，刺激仅限于具有特定频率和相位的周期性信号。相比之下，C-VEP协议采用了噪声方法，允许更广泛的刺激序列（包括非周期性模式），同时还表现出对窄带干扰的更大弹性。此外，最近的证据表明，从信息理论的角度来看，在基于C-DEP的BCIS中，可以通过视觉诱发的途径达到的最大信息传输速率显着超过了基于SSVEP的系统（Shi等，2024）。
基于进化多任务的混合脑机接口系统中通道选择的多目标优化算法
混合模态脑机接口 (BCI) 结合了运动想象 (MI) 生物信号和稳态视觉诱发电位 (SSVEP)，在神经工程研究领域引起了广泛关注。在实际应用中，通道数量应尽可能少。然而，最近关于通道选择的大部分研究仅关注分类任务的性能或设备控制的有效性。很少有研究同时对 MI 和 SSVEP 分类任务进行通道选择。在本文中，提出了一种基于多任务的多目标进化算法 (EMMOA)，以同时为这两个分类任务选择合适的通道。此外，还引入了一个两阶段框架来平衡所提算法中选定通道的数量和分类准确率。实验结果验证了多目标优化方法对于混合 BCI 任务通道选择的可行性。