XiaoMi-AI文件搜索系统
World File Search SystemSpeller
引入 Block-Toeplitz 协方差矩阵重新掌握事件相关电位脑机接口的线性判别分析
摘要 — 由于维数较高，噪声多通道脑电图时间序列数据的协方差矩阵难以估计。在基于事件相关电位和线性判别分析 (LDA) 进行分类的脑机接口 (BCI) 中，解决这个问题的最新方法是通过收缩正则化。我们提出了一个新想法来解决这个问题，即对 LDA 的协方差矩阵实施块 Toeplitz 结构，这实现了每个通道在短时间窗口中信号平稳的假设。在 13 种事件相关电位 BCI 协议下收集的 213 名受试者的数据上，与收缩正则化的 LDA（最多 6 个 AUC 点）和黎曼分类方法（最多 2 个 AUC 点）相比，由此产生的“ToeplitzLDA”显著提高了二元分类性能。这意味着应用程序级别的性能得到了极大改善，例如在无监督视觉拼写器应用程序中记录的数据，其中 25 个受试者的拼写错误平均可以减少 81%。除了 LDA 训练的内存和时间复杂度较低之外，ToeplitzLDA 被证明即使在 20 倍的时间维度扩大后也几乎保持不变，这减少了对特征提取专家知识的需求。
从开始到现在
中央运动神经元的失败导致运动障碍。患者失去了控制自愿肌肉的能力，例如上肢，这在日常使用计算机或智能手机的可能性中引入了根本性的不和谐。因此，患者失去了与他人交流的能力。本文介绍了脑部计算机拼写系统中最受欢迎的范式，并旨在由具有严重形式的运动障碍的人打字。脑部计算机界面（BCIS）已成为通信障碍者的一种有前途的技术。BCI-Spellers是使用户通过使用大脑活动在计算机屏幕上选择字母来拼写单词的系统。BCI销售者有三种主要类型：P300，运动图像（MI）和稳态视觉诱发电势（SSVEP）。但是，每种类型都有其自身的局限性，这导致了混合BCI - 塞伯菌的发展，从而结合了多种类型的优势。混合动力BCI - 销销量可以提高准确性，并减少用户变得有效所需的训练期。总体而言，混合BCI销售者有可能通过结合多种类型的BCI - 塞货物的优势来改善患有损害的人的沟通。总而言之，对于有沟通障碍的人来说，BCI - 塞伯勒是一项有前途的技术。p300，MI和SSVEP是BCI销售者的三种主要类型，每个类型都有自己的优势和局限性。需要进一步的研究来提高BCI销售商的准确性和可用性，并探索它们在游戏和虚拟现实等其他领域的潜在应用。
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。
基于边缘响应叠加的 cVEP BCI 刺激设计新方法
摘要。本研究的目的是基于关于视觉系统对编码视觉刺激的实际脑电图反应的行为和特性的实验研究，开发一种设计 cVEP BCI 刺激序列的新方法，从而减少训练时间并增加可能的目标数量。以每通道 2000 个样本/秒的速度记录来自 8 个枕骨部位的脑电图，以响应以 60Hz 刷新率呈现在计算机显示器上的视觉刺激。通过 160 次试验信号平均获得对长视觉刺激脉冲的起始和终止脑电图反应。这些边缘响应用于使用叠加原理预测对任意刺激序列的脑电图反应。还实现并测试了利用该原理生成的目标模板的 BCI 拼写器。发现，某些短刺激模式可以通过叠加原理准确预测。与将叠加原理应用于传统 m 序列和随机生成的序列相比，由这些最佳模式组合构建的 BCI 序列可实现更高的准确度 (95.9%) 和 ITR (57.2 bpm)。BCI 应用的训练时间仅涉及边缘响应的采集，不到 4 分钟，并且可以生成大量序列。这是首次根据通过观察大脑对几种刺激模式的实际反应而获得的约束来设计 cVEP BCI 序列的研究。
基于生物活性涂层的生物过滤，以减少室内空气voc
这项工作旨在设计，开发和评估基于稳态视觉诱发电位（SSVEP）的BCI系统。 div>该应用程序是通过Valladolid大学生物医学工程小组创建的Medusa平台开发的。 div>为此，在Python中实现了应用程序的图形接口和信号处理方法。 div>所研究的BCI系统是一个拼写器，可让您通过在SSVEPS EEG中检测到矩阵单元中代表的命令。 div>后者是由视觉刺激在一定刺激频率下引起的。 div>在审查了最新的现状后，得出的结论是，实现这一目标的最佳方法是通过关节频率案例编码范式和规范处理方法相关性分析。 div>
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。
基于样本的数据增强基于脑电图内在特征
摘要 - 由于耗时且昂贵的数据收集程序，基于脑电图的深度学习面临数据稀缺。数据增强已被证明是提高数据效率的有效方法。此外，最近已经证明，对比性学习在没有人类监督的情况下在学习有效表示方面具有巨大的希望，这有可能通过有限的标记数据来改善基于脑电图的识别性能。但是，大量数据增强是对比度学习的关键要素。鉴于脑电图处理中的基于样本的数据增强数量有限，三种方法，基于性能测量的时间扭曲，频率噪声添加和频率掩蔽，是根据脑电图信号的特征提出的。这些方法是免费的，易于实现的参数学习，并且可以应用于单个样本。在实验中，对三个基于脑电图的分类任务进行了评估所提出的数据增强方法，包括情况意识识别，运动图像分类和脑兼容器界面稳态稳态视觉唤起潜在的拼写器系统。的结果表明，使用拟议的数据增强方法训练的卷积模型产生了比基线的显着提高的性能。总体而言，这项工作提供了更多潜在的方法来应对有限的数据问题并提高脑电图处理中的分类性能。
大脑计算机界面（BCI）
大脑计算机界面（BCI）是一种技术，它通过用户的大脑信号在用户和环境中的某些设备之间建立通信通道。UMA-BCI拼写工具允许轻松对BCI进行配置，从而可以在不需要大量技术知识的情况下对其进行操作。但是，调整BCI系统，以便它可以与设备通信是一项艰巨的任务。一种越来越多地用于使环境中的设备通信的更简单的技术是基于语音命令。因此，本工作的目的是构建一个系统，以促进使用语音限制的BCI和环境中的设备之间的通信。十二名健康参与者和三名肌萎缩性侧索硬化症（ALS）患者被要求控制BCI家庭自动化系统。要控制的设备是电视，空调，智能灯泡，智能插头以及WhatsApp和Spotify应用程序。绩效指标，并根据系统可用性量表，NASA-TLX和临时问卷收集了主观措施。这项研究的结果将提出的系统验证为合适的选择，以促进BCI和商业设备之间以前根据语音命令进行操作的商业设备之间的通信。2022作者。由Elsevier B.V.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
基于孟格曲率和LDA理论的P300脑机接口特征选择方法
脑机接口 (BCI) 系统解码脑电信号，建立人脑与外界直接交互的通道，无需肌肉或神经控制。P300 拼写器是最广泛使用的 BCI 应用之一，它向用户呈现字符选择，并通过从 EEG 中识别 P300 事件相关电位来执行字符识别。这种基于 P300 的 BCI 系统可以达到良好的准确度，但由于冗余和噪声信号，在日常生活中难以使用。应该考虑改进的空间。我们为基于 P300 的 BCI 系统提出了一种新的混合特征选择方法，以解决特征冗余问题，该方法结合了孟格曲率和线性判别分析。首先，将选定的策略分别应用于给定的数据集，以估计应用于每个特征的增益。然后，按降序对每个生成的值集进行排序，并根据预定义的标准判断其是否适合分类模型。然后评估两种方法的交集以确定最佳特征子集。使用三个公共数据集（即 BCI 竞赛 III 数据集 II、BNCI Horizon 数据集和 EPFL 数据集）对所提出的方法进行了评估。实验结果表明，与其他典型的特征选择和分类方法相比，我们提出的方法具有更好或相当的性能。此外，我们提出的方法可以在三个数据集上在所有 epoch 之后实现最佳分类准确率。总之，我们提出的方法为提高基于 P300 的 BCI 拼写器的性能提供了一种新方法。
结合基于 P300 的大脑的混合系统的可用性...
脑机接口 (BCI) 可以为运动障碍人士提供一种替代渠道，以访问辅助技术 (AT) 软件，进行交流和环境互动。多发性硬化症 (MS) 是一种慢性中枢神经系统疾病，大多在青年期开始发病，并常常导致长期残疾，疲劳可能会加剧病情。MS 患者很少被视为潜在的 BCI 最终用户。在这项初步研究中，我们评估了一种混合 BCI (h-BCI) 系统的可用性，该系统使基于 P300 的 BCI 和传统输入设备（即肌肉依赖）能够通过广泛使用的 AT 通信软件“Grid 3”访问主流应用程序。评估是根据以用户为中心的设计 (UCD) 的原则进行的，旨在为 MS 患者提供一种可能对疲劳不太敏感的替代控制通道（即 BCI）。共招募了 13 名 MS 患者。在第一节课中，向参与者展示了一个经过广泛验证的基于 P300 的 BCI（P3 拼写器）；在第二阶段中，他们必须使用 (1) AT 常规输入设备和 (2) h-BCI 操作网格 3 来访问三个主流应用程序。八名患者完成了该方案。八名 MS 患者中有五名能够通过 BCI 成功访问网格 3，平均在线准确率为 83.3% (± 14.6)。在控制网格 3 方面，常规 AT 输入和 BCI 通道的有效性 (在线准确率)、满意度和工作量相当。正如预期的那样，BCI 的效率 (正确选择时间) 明显低于 AT 常规通道 (Z = 0.2, p < 0.05)。尽管由于样本量有限而谨慎行事，但这些初步研究结果表明，与常规 AT 通道相比，BCI 控制通道对操作