XiaoMi-AI文件搜索系统
World File Search SystemSpeller
具有 CCA 的 50 选择性 SSVEP-BCI 拼写器
脑机接口 (BCI) 连接人与机器。作为 BCI 的一种应用，BCI 拼写器（一种用于与肢体残疾人士交流的文本输入接口）得到了广泛的研究。BCI 拼写器的性能要求是大量同时输入和高正确响应率，类似于 PC 键盘 [1]。在我们之前的研究中，我们研究了具有 50 个输入的稳态视觉诱发电位 (SSVEP)-BCI 拼写器 [2]。如果可以同时输入 50 个，则可以分配所有日语平假名和标点符号。具体而言，为 50 个屏幕字符分配不同的眨眼频率，并从 EEG 中检测到响应的差异。然而，EEG 可以检测到的频率范围是有限的。此外，频率划分越细，检测就越困难。因此，必须改进信号处理算法。
五十个选择性的ssvep-bci拼写器带有CCA
大脑计算机界面（BCI）连接人类和机器。作为BCI的应用，BCI Speller（用于与物理残疾的文本输入接口）已得到广泛研究。BCI拼写器所需的性能是大量的同时输入和高正确的响应率，类似于PC键盘[1]。在我们先前的研究中，我们研究了具有50个输入的稳态视觉引起的电势（SSVEP）–BCI拼写器[2]。如果可以同时输入50个，则可以分配所有日本的Hiragana和标点符号。具体来说，将不同的眨眼频率分配给50个屏幕字符，并从EEG中检测到响应的差异。但是，脑电图检测到的频率范围有一个限制。此外，频划分越少，检测就越困难。因此，必须改进信号处理算法。
基于 P300 的脑机接口拼写器：严重运动障碍患者对三种拼写器尺寸的可用性评估
脑机接口 (BCI) 拼写器允许严重运动障碍的患者使用他们的大脑活动进行交流，而无需肌肉活动。广泛研究的基于 P300 的 BCI 拼写器的不同视觉配置已在健康和运动障碍用户中进行了评估。但拼写器大小（以厘米为单位）仅针对健康受试者进行了评估。我们认为拼写器大小可能会限制一些头部和眼球运动受限的严重运动障碍患者。针对七名患有肌萎缩侧索硬化症 (ALS) 的患者和一名患有杜氏肌营养不良症 (DMD) 的参与者评估了三种拼写器尺寸的可用性。这是首次对严重运动障碍参与者进行拼写器尺寸可用性评估。中等拼写器的有效性（在线结果中）和效率（工作量测试中）明显更好。中等尺寸拼写器的满意度明显最高，小尺寸拼写器的满意度最低。这些结果与之前在健康受试者中描述的发现相一致。总之，在设计拼写器范例时应考虑拼写器的大小，尤其是对于运动障碍人士，因为它可能会影响他们在控制 BCI 拼写器时的表现和用户体验。
P300拼写器BCI
摘要 - 脑部计算机界面（BCI）是人脑和计算机之间通信的常见设备。本文研究了使用3D界面为BCI机器使用的效率。为此，已修改了P300拼写器（使用户能够使用脑电波在屏幕上拼写字符的BCI设备）已进行了修改。P300拼写器的经典虚拟键盘被3D立体图像替换，从而增强了设备的人体工程学特征。此外，3D接口上的范围范式可以以三种方式影响设备的孔隙：准确性，速度和容量。本文提出了两种称为天然3D和平行2D界面的不同浮雕范式，并研究了它们在提到的三种措施方面的效果。前者在3D空间中的平面，后者包括不同3D深度的平行键盘的灰烬。提出了这些效果的理论分析。通过从实际受试者获得的实验数据来验证结果，并与经典的2D界面进行了比较。两个提出的键盘都提高了设备的速度，而平行2D的总性能比天然3D更好。
一种用于提高 P300 拼写器分类性能的引导方法
摘要 在本文中，我们提出了一种基于 P300 电位的拼写器分类器训练新方法。该方法基于引导，是一种已知的生成新样本的策略，但在神经科学中很少使用。该研究首先展示了传统方法中分类任务（检测 P300 和非 P300 类别）的性能可能不是最优的。然后，提出了一种从训练数据中抽取新样本的新方法。使用单个 P300 和非 P300 样本的平衡子组重新训练每个分类器。使用 16 个脑电图通道从 14 名健康受试者收集数据。这些数据经过带通滤波和抽取。随后，使用传统方法训练四个线性分类器，然后使用所提出的方法，每个类别有 1000、2000 和 3000 个样本。结果表明，使用所提方法，判别分类器的准确率和判别能力有所提高，同时保持了训练数据和测试数据之间的相同统计特性。相比之下，对于生成分类器，结果没有显著差异。因此，强烈建议使用所提方法训练基于拼写的 P300 电位的判别分类器。
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。
一种引导方法，用于改善p300拼写中的分类性能
摘要在本文中，我们提出了一种基于P300电位的拼写器中训练分类器的新方法。基于自举的方法是生成新样本的已知策略，但很少在神经科学中使用。该研究首先证明了分类任务的性能（检测P300和非P300类）如何在传统方法中是最佳的。然后，提出了一种从培训数据中获取新样本的新方法。使用单个P300和非P300样品的平衡子组对每个分类器进行重新训练。使用16个脑电图通道从14个健康受试者中收集数据。将这些被过滤在带通中并破坏。随后，使用传统方法随后训练了四个线性分类器，其拟议中的一个分类器，每班有1000、2000和3000个样本。结果表明，使用建议的方法对判别性分类器的准确性和歧视能力有所提高，并在培训数据和测试数据之间保持相同的统计属性。相比之下，对于生成分类器，结果没有显着差异。因此，强烈建议使用拟议的方法来训练基于法术的P300电位中的判别分类器。
比较不同电极子集对 P300 拼写器性能的影响
摘要 —P300 拼写器是脑机接口研究中广泛使用的应用。事实证明，P300 拼写器可以作为神经反馈训练工具，通过逐渐增加拼写任务的难度来增强注意力。这种自适应方法使用户更难正确拼写单词，鼓励他们提高注意力以抵消日益增加的难度。因此，自适应 P300 拼写器有可能成为患有 ADHD 的儿童、患有痴呆症的老年患者的治疗选择，并成为健康成年人的认知增强工具。但是，训练长度（包括设置时间）需要很快，以确保用户接受。本研究调查了使用和不使用 xDAWN 空间滤波器时不同电极子集对 P300 拼写器性能的影响。结果表明，xDAWN 空间滤波器可以提高许多电极的性能，但会降低少于八个电极的结果。对于近乎完美的性能至关重要且有许多电极可用的场景，建议使用一组带有 xDAWN 空间滤波器的 16 个电极。对于需要考虑成本和设置时间，且可以接受较低性能的情况，使用不带空间滤波器的六个电极就足够了。
使用基于群集的下采样方法
摘要 - 脑部计算机接口（BCI）允许其用户仅使用大脑活动与计算机或其他机器进行交互。运动障碍者是这项技术的潜在用户，因为它可以使他们在不使用周围神经的情况下与周围环境互动，从而帮助他们恢复失去的自主权。P300拼写器是最受欢迎的BCI应用程序之一。其性能取决于其分类器识别和区分p300电位与脑电图（EEG）信号的能力。为了使分类器正确执行此操作，有必要使用平衡的数据集训练它。但是，由于p300通常是用奇数范式引起的，因此只能获得不平衡的分布。本文在P300 EEG信号上采用了一种基于自组织图（SOM）的采样下采样方法，希望提高分类器的准确性。通过从健康受试者和中风后受害者获得的数据集测试了两个分类模型，一个深层喂养网络（DFN）和深信仰网络（DBN）。我们将结果与以前的作品进行了比较，并观察到我们最关键的主题的分类准确性增加了7％。对于健康和中风的受试者，DBN的最高分类准确性为95.53％和94.93％，而DFN为96.25％和93.75％。索引术语 - 脑计算机界面，神经网络，自组织图，击球后，脑电图