XiaoMi-AI文件搜索系统
World File Search SystemVEP
通过减少刺激幅度深度
摘要 - 稳态视觉诱发电位（SSVEP）当前是脑部计算机界面（BCI）中使用最广泛的范例之一。尽管SSVEP-BCI的特征是它们的高且稳健的分类性能，但从用户体验的角度来看，反式刺激的重复表现是不舒服的。的确，SSVEP刺激的低水平视觉特征使它们随着时间的流逝而紧张，并且可能会破坏需要持续关注的任务。他们甚至可以诱导癫痫发作。本研究探讨了刺激幅度深度（90％的幅度降低），以设计SSVEP刺激，以改善用户舒适性的解决方案。在低振幅和标准的全幅度SSVEP刺激之间，系统比较了不同管道获得的分类精度。结果揭示了使用与任务相关的组件分析（TRCA）分类方法的高（99.8％）和低幅度（80.2％）刺激的高分类精度。目前的发现证明了减少SSVEP刺激幅度以增加用户舒适度为透明BCI操作铺平道路的有效性。
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。
McGifford，Oli
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
审查Riemannian距离和分歧，应用于基于SSVEP的BCI
背景是大脑计算机界面（BCI）分类的第一代多通道脑电图（EEG）信号，通过优化的空间滤波器增强。第二代基于直接向前算法（例如最小距离至riemannian-mean）（MDRM）的直接算法，直接根据EEG信号估算了Covari-Ance矩阵。分类结果差异很大，具体取决于所选的riemannian距离或分歧，其定义和参考文献分布在广泛的数学上。方法本文审查了所有Riemannian距离和分歧，以处理协方差，并具有与BCI约束兼容的实现。使用不同指标的影响对稳态的视觉诱发电势（SSVEP）数据集进行了评估，从而评估了类别和clasifitation精度的中心。结果和结论Riemannian方法具有嵌入至关重要的特性来处理脑电图数据。Riemannian课程中心的表现要优于OfflINE和在线设置的欧几里得。一些Riemannian
SSVEP 视觉刺激的大小和对比度对虚拟现实分类准确性和用户友好性的影响
摘要 — 基于 SSVEP 的 BCI 在速度和准确性方面是最有前途的 BCI 之一。然而，尽管社区付出了巨大的努力使它们更加实用和用户友好，但它们使用起来仍然特别烦人。在本文中，我们研究了 SSVEP 视觉刺激的大小和对比度对分类准确性和界面烦恼的影响，总体目标是在性能和用户友好性之间找到一个平衡点。我们对十二 (12) 名参与者进行了用户研究，以评估不同刺激大小和对比度对虚拟现实环境中 SSVEP 分类准确性的联合影响。该实验的结果表明，刺激的大小对分类准确性（低于某个阈值）和感知烦恼都有显著影响。然而，对比度对分类准确性和感知烦恼都没有影响，这表明使用较低对比度的刺激仍然可以准确地操作基于 SSVEP 的 BCI。索引术语 — 组件、格式、样式、样式、插入
基于突发 c-VEP 的 BCI：优化刺激设计，以最少的校准数据增强分类并改善用户体验
利用代码调制视觉诱发电位 (c-VEP) 形式的非周期性闪烁视觉刺激代表了反应性脑机接口 (rBCI) 领域的一项关键进步。c-VEP 方法的主要优势在于模型的训练与目标的数量和复杂性无关，这有助于减少校准时间。尽管如此，现有的 c-VEP 刺激设计可以在视觉用户体验方面进一步改进，同时实现更高的信噪比，同时缩短选择时间和校准过程。在本研究中，我们介绍了一种创新的代码 VEP 变体，称为“突发 c-VEP”。这种原创方法涉及以故意缓慢的速率呈现短暂的非周期性视觉闪光，通常每秒闪光两次到四次。这种设计背后的原理是利用初级视觉皮层对低级刺激特征的瞬时变化的敏感性来可靠地引发一系列独特的视觉诱发电位。与其他类型的快节奏代码序列相比，突发 c-VEP 表现出良好的特性，可以使用卷积神经网络 (CNN) 实现高按位解码性能，从而有可能在需要更少校准数据的情况下实现更快的选择时间。此外，我们的研究重点是通过减弱视觉刺激对比度和强度来降低 c-VEP 的感知显着性，以显著提高用户的视觉舒适度。通过涉及 12 名参与者的离线 4 类 c-VEP 协议测试了所提出的解决方案。按照因子设计，参与者被指示关注 c-VEP 目标，其模式（突发和最大长度序列）和幅度（100% 或 40% 幅度深度调制）在实验条件下被操纵。首先，全幅突发 c-VEP 序列表现出更高的准确度，范围从 90.5%（使用 17.6 秒的校准数据）到 95.6%（使用 52.8 秒的校准数据），而 m 序列的准确度为 71.4% 到 85.0%。两种代码的平均选择时间（1.5 秒）与之前研究报告相比更为有利。其次，我们的研究结果表明，降低刺激强度仅会稍微降低突发代码序列的准确度至 94.2%，同时会显着改善用户体验。总之，这些结果证明了所提出的突发代码在性能和可用性方面推进反应式 BCI 的巨大潜力。收集的数据集以及所提出的 CNN 架构实现均通过开放存取存储库共享。
基于SSVEP的大脑计算机界面，用于使用低
一般权利一般权利所有珍珠中的内容均受版权法保护。根据发布者政策提供作者手稿。请仅使用项目记录或文档中提供的详细信息引用发布的版本。在没有公开许可证的情况下（例如Creative Commons），应从出版商或作者那里寻求进一步重用内容的许可。取消策略取消政策，如果您认为本文档违反版权，请联系提供详细信息的图书馆，我们将立即删除对工作的访问并调查您的索赔。遵循以下工作：https：//pearl.plymouth.ac.uk/ada-research
通过词语预测自动校准 c-VEP BCI
摘要。代码调制的视觉诱发电位脑机接口 (c-VEP BCI) 允许从闪烁字符的虚拟键盘进行拼写。所有字符同时闪烁，每个字符根据预定义的伪随机二进制序列闪烁，循环移位不同的时间滞后。对于给定的字符，伪随机刺激序列会在受试者的脑电图 (EEG) 中唤起 VEP，可将其用作模板。此模板通常在校准阶段获得，并在拼写阶段应用于目标识别。c-VEP BCI 系统的一个缺点是它需要较长的校准阶段才能达到良好的性能。本文提出了一种无监督方法，通过从连续字符之间的 VEP 响应中提取相对滞后并使用字典预测完整单词，避免了 c-VEP BCI 中的校准阶段。我们在公共数据集上进行了离线实验。我们模拟了从英语词典中选择的四组单词的拼写，这些单词的总字符数不同。每个实验都由刺激周期数参数化。所得结果表明，基于单词预测的 c-VEP BCI 自动校准方法可以高效且有效。
什里夫波特市采购部
2025 年 1 月 30 日 致：潜在顾问 我们邀请您提交对 RFS #25-700 专业工程顾问服务的回复，该服务用于 Monkhouse Drive 改进和美化设计。附件是一份完整的资格声明申请包，供您准备回复时使用。 请复印一份单面复印件，复印件可在网上获取：http://www.gsa.gov/portal/getFormFormatPortalData?mediaId=33261 在复印件中，请注明所有分包商的名称以及要实现的公平份额/DBE 目标的估计值。将这些文件与任何其他文件一起提交，并在第 2 页 (2) 所示的日期/时间或之前返回一份 (1) 份明确标识的原件和十一 (11) 份副本（共十二 (12) 份文件）。在您提交的每份文件（12 份文件）中，附上一份电子版（CD 或 USB 驱动器）作为附件（非散装）口袋文件。您有责任确保使用此包裹中显示的信封格式将所有要求的信息返回给我们。费用和可报销费用将根据第三页（3）列出的信息进行限制。
基于突发 c-VEP 的 BCI：优化刺激设计，以最少的校准数据增强分类并改善用户体验
利用代码调制视觉诱发电位 (c-VEP) 形式的非周期性闪烁视觉刺激代表了反应性脑机接口 (rBCI) 领域的一项关键进步。c-VEP 方法的主要优势在于模型的训练与目标的数量和复杂性无关，这有助于减少校准时间。尽管如此，现有的 c-VEP 刺激设计可以在视觉用户体验方面进一步改进，同时实现更高的信噪比，同时缩短选择时间和校准过程。在本研究中，我们介绍了一种创新的代码 VEP 变体，称为“突发 c-VEP”。这种原创方法涉及以故意缓慢的速率呈现短暂的非周期性视觉闪光，通常每秒闪光两次到四次。这种设计背后的原理是利用初级视觉皮层对低级刺激特征的瞬时变化的敏感性来可靠地引发一系列独特的视觉诱发电位。与其他类型的快节奏代码序列相比，突发 c-VEP 表现出良好的特性，可以使用卷积神经网络 (CNN) 实现高按位解码性能，从而有可能在需要更少校准数据的情况下实现更快的选择时间。此外，我们的研究重点是通过减弱视觉刺激对比度和强度来降低 c-VEP 的感知显着性，以显著提高用户的视觉舒适度。通过涉及 12 名参与者的离线 4 类 c-VEP 协议测试了所提出的解决方案。按照因子设计，参与者被指示关注 c-VEP 目标，其模式（突发和最大长度序列）和幅度（100% 或 40% 幅度深度调制）在实验条件下被操纵。首先，全幅突发 c-VEP 序列表现出更高的准确度，范围从 90.5%（使用 17.6 秒的校准数据）到 95.6%（使用 52.8 秒的校准数据），而 m 序列的准确度为 71.4% 到 85.0%。两种代码的平均选择时间（1.5 秒）与之前研究报告相比更为有利。其次，我们的研究结果表明，降低刺激强度仅会稍微降低突发代码序列的准确度至 94.2%，同时会显着改善用户体验。总之，这些结果证明了所提出的突发代码在性能和可用性方面推进反应式 BCI 的巨大潜力。收集的数据集以及所提出的 CNN 架构实现均通过开放存取存储库共享。