XiaoMi-AI文件搜索系统
World File Search SystemVEP
基于 Transformer 的 SSVEP 分类深度神经网络模型
a 西南科技大学计算机科学与技术学院脑科学与医学人工智能实验室，中国绵阳 b 电子科技大学生命科学与技术学院成都脑科学研究所临床医院神经信息教育部重点实验室、生物医学信息中心，中国成都 c 南洋理工大学计算机科学与工程学院，新加坡
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。
无需用户特定训练即可为 SSVEP BCI 拼写者迁移学习一组 DNN
摘要 — 目标：用脑电图 (EEG) 测量的稳态视觉诱发电位 (SSVEP) 在脑机接口 (BCI) 拼写器中产生不错的信息传输速率 (ITR)。然而，目前文献中高性能的 SSVEP BCI 拼写器需要对每个新用户进行初始冗长而累人的用户特定训练以适应系统，包括使用 EEG 实验收集数据、算法训练和校准（所有这些都在实际使用系统之前）。这阻碍了 BCI 的广泛使用。为了确保实用性，我们提出了一种基于深度神经网络 (DNN) 集合的全新目标识别方法，该方法不需要任何类型的用户特定训练。方法：我们利用先前进行的 EEG 实验的参与者的现有文献数据集，首先训练一个全局目标识别器 DNN，然后针对每个参与者进行微调。我们将这组经过微调的 DNN 集合转移到新的用户实例，根据参与者与新用户的统计相似性确定 k 个最具代表性的 DNN，并通过集合预测的加权组合来预测目标字符。结果：在两个大规模基准和 BETA 数据集上，我们的方法实现了令人印象深刻的 155.51 比特/分钟和 114.64 比特/分钟 ITR。代码可用于重现性：https://github.com/osmanberke/Ensemble-of-DNNs 结论：在两个数据集上，对于所有刺激持续时间在 [0.2-1.0] 秒内的情况，所提出的方法都明显优于所有最先进的替代方案。意义：我们的 Ensemble-DNN 方法有可能促进 BCI 拼写器在日常生活中的实际广泛部署，因为我们提供最高性能，同时允许立即使用系统而无需任何用户特定的训练。索引词 — 脑机接口、BCI、EEG、SSVEP、集成、深度学习、迁移学习
研究论文 3D 输入卷积神经网络在患者用户脑机接口设计中的 SSVEP 分类
本研究旨在展示三维输入卷积神经网络在基于无线EEG的脑机接口系统中进行稳态视觉诱发电位分类的性能。脑机接口系统的整体性能取决于信息传输速率。信号分类准确率、信号刺激器结构和用户任务完成时间等参数都会影响信息传输速率。在本研究中，我们使用了三种信号分类方法，即一维、二维和三维输入卷积神经网络。根据使用三维输入卷积神经网络的在线实验，我们分别达到了93.75%的平均分类准确率和平均信息传输率58.35 bit/min。这两个结果都明显高于我们在实验中使用的其他方法。此外，使用三维输入卷积神经网络还可以缩短用户任务完成时间。我们提出的方法是一种新颖且最先进的稳态视觉诱发电位分类模型。
基于 SSVEP 的 BCI 系统的正则化张量管道
大脑中闪烁刺激会引发周期性信号，即稳态视觉诱发电位 (SSVEP)。它们通常通过回归技术检测，这种技术需要相对较长的试验长度来提供反馈和/或足够数量的校准试验，以便在脑机接口 (BCI) 的背景下可靠地估计。因此，对于设计用于 SSVEP 信号操作的 BCI 系统，可靠性是以牺牲速度或额外记录时间为代价的。此外，无论试验长度如何，当存在影响对闪烁刺激的注意力的认知扰动时，基于无校准回归的方法已被证明会出现显著的性能下降。在本研究中，我们提出了一种称为振荡源张量判别分析 (OSTDA) 的新技术，该技术提取振荡源并使用新开发的基于张量的收缩判别分析对其进行分类。对于只有少量校准试验可用的小样本量设置，所提出的方法非常可靠。此外，它在低通道数和高通道数设置下都能很好地工作，使用短至一秒的试验。在不同的实验环境下，包括具有认知障碍的实验环境（即具有控制、听力、说话和思考条件的四个数据集），OSTDA 的表现与其他三种基准最新技术相似或明显更好。总体而言，在本文中，我们表明 OSTDA 是所有研究的管道中唯一可以在所有分析条件下实现最佳结果的管道。2021 作者。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
基于多目标优化的 SSVEP 脑机接口高通空间滤波
摘要 — 为了提高基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了许多空间滤波方法。现有的方法倾向于仅使用来自同一刺激的训练数据来学习某个目标的空间滤波器参数，并且它们很少考虑来自其他刺激的信息或训练过程中的体积传导问题。在本文中，我们提出了一种新的基于多目标优化的高通空间滤波方法来提高 SSVEP 检测的准确性和鲁棒性。滤波器是通过最大化训练信号和来自同一目标的单个模板之间的相关性，同时最小化来自其他目标的信号与模板之间的相关性来得出的。优化还将受到滤波器元素之和为零的约束。在两组自采集的 SSVEP 数据集（分别包含 12 个和 4 个频率）上的评估研究表明，所提方法优于 CCA、MsetCCA、SSCOR 和 TRCA 等比较方法。所提方法还在 35 名受试者记录的公开 40 类 SSVEP 基准数据集上进行了验证。实验结果证明了所提方法对提升 SSVEP 检测性能的有效性。
使用优化的基于通用模板的 CCA 方法控制机械臂，实现基于 SSVEP 的 BCI
最近，基于脑机接口 (BCI) 的机械臂控制系统已被用于帮助残疾人士提高无需身体运动的交互能力。然而，由于脑电图 (EEG) 信号的不稳定性以及自发脑电图活动的干扰，在三维 (3D) 空间中用机械臂执行所需任务是一项主要挑战。此外，机械手在 3D 空间中的自由运动控制是一项复杂的操作，需要更多的输出命令和更高的脑活动识别精度。基于上述内容，设计了一种基于稳态视觉诱发电位 (SSVEP) 的同步 BCI 系统，该系统具有六个刺激目标，以实现七自由度 (7-DOF) 机械臂的运动控制功能。同时，应用了一种基于模板的新型方法，该方法从不同的受试者构建优化的通用模板 (OCT)，并从通用模板和多通道脑电图信号中学习空间滤波器，以提高 SSVEP 识别精度，称为基于 OCT 的典型相关分析 (OCT-CCA)。基于公开基准数据集的离线实验对比结果表明，提出的OCT-CCA方法与CCA和基于单独模板的CCA（IT-CCA）相比，检测精度显著提高，尤其是在使用较短数据长度的情况下。最后，对五名健康受试者进行了在线实验，实现了机械臂实时控制系统。结果表明，五名受试者均能独立完成控制机械臂到达三维空间指定位置的任务。
一种用户友好的基于 SSVEP 的 BCI，使用不可感知的...
摘要：利用四类相位编码刺激，开发了基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）系统。将高于临界融合频率（CFF）的60Hz闪烁光诱发的SSVEP与15Hz和30Hz的SSVEP进行比较。采用任务相关成分分析（TRCA）方法检测脑电图（EEG）中的SSVEP成分。对17名受试者的离线分析表明，60Hz的最高信息传输速率（ITR）为29.80±4.65bpm，数据长度为0.5s，分类准确率为70.07±4.15％。在线BCI系统在4s的60Hz下达到平均分类准确率为87.75±3.50％，ITR为16.73±1.63bpm。具体来说，受试者在60Hz下的最大ITR为80bpm，持续时间为0.5s。虽然60Hz的BCI性能低于15Hz和30Hz，但行为测试的结果表明，在无闪烁感知的情况下，60Hz的BCI系统比15Hz和30Hz的BCI系统更舒适。相关性分析表明，信噪比（SNR）较高的SSVEP对应更好的分类性能，舒适度的提高伴随着性能的下降。本研究证明了使用无感知闪烁的用户友好型SSVEP BCI的可行性和潜力。
DF-SSmVEP：采用双倍典型相关分析的双频聚合稳态运动视觉诱发电位设计
摘要：脑电图 (EEG) 传感器技术和信号处理算法的最新进展为脑机接口 (BCI) 在从康复系统到智能消费技术等多种实际应用中的进一步发展铺平了道路。当谈到 BCI 的信号处理 (SP) 时，人们对稳态运动视觉诱发电位 (SSmVEP) 的兴趣激增，其中运动刺激用于解决与传统光闪烁/闪烁相关的关键问题。然而，这些好处是以准确性较低和信息传输速率 (ITR) 较低的代价为代价的。在这方面，本文重点介绍一种新型 SSmVEP 范式的设计，而不使用试验时间、阶段和/或目标数量等资源来增强 ITR。所提出的设计基于直观的想法，即同时在单个 SSmVEP 目标刺激中集成多个运动。为了引出 SSmVEP，我们设计了一种新颖的双频聚合调制范式，称为双频聚合稳态运动视觉诱发电位 (DF-SSmVEP)，通过在单个目标中同时整合“径向缩放”和“旋转”运动而不增加试验长度。与传统的 SSmVEP 相比，所提出的 DF-SSmVEP 框架由两种运动模式组成，这两种运动模式同时集成并显示，每种模式都由特定的目标频率调制。本文还开发了一种特定的无监督分类模型，称为双折典型相关分析 (BCCA)，该模型基于每个目标的两个运动频率。相应的协方差系数被用作额外特征来提高分类准确性。基于真实 EEG 数据集对所提出的 DF-SSmVEP 进行了评估，结果证实了其优越性。所提出的 DF-SSmVEP 表现优于其他同类方法，平均 ITR 为 30.7 ± 1.97，平均准确度为 92.5 ± 2.04，而径向缩放和旋转的平均 ITR 分别为 18.35 ± 1 和 20.52 ± 2.5，平均准确度分别为 68.12 ± 3.5 和 77.5 ± 3.5。