XiaoMi-AI文件搜索系统
World File Search Systemeeg
脑电图记录中的错误通道检测
摘要：脑电图 (EEG) 广泛应用于临床应用和基础研究。干脑电图为游戏和神经反馈期间的自我应用等新领域开辟了应用领域。在记录过程中，信号总是受到伪影的影响。手动检测坏通道是凝胶和干脑电图的黄金标准，但很耗时。我们提出了一种简单而强大的方法，用于自动检测脑电图中的坏通道。我们的方法基于对每个通道标准差的迭代计算。这些标准差的统计测量可作为坏通道检测的指标。我们将新方法与从手动识别的脑电图记录坏通道获得的结果进行了比较。我们分析了闭眼静息状态下的脑电图信号和头部运动数据集。结果显示，凝胶和干脑电图的静息状态脑电图准确率为 99.69%。对于两种设置中带有头部运动的数据集，我们的新方法的准确率为 99.38%。手动识别不良通道的黄金标准与我们的迭代标准差方法之间没有显著差异。因此，所提出的迭代标准差方法可用于静息态和运动脑电图记录中的不良通道检测。
使用脑电图数据
摘要 - 这项工作的目的是使用癫痫患者的脑电图数据，并使用交叉频谱密度（CPSD）分析大脑区域之间的连通性。我们通过去除癫痫发作的人来获取76个脑电图疗程中的数据。然后，我们为每个患者计算了210个电极对的CPSD。最初，我们在整个样品中计算了CPSD，然后根据与不同大脑状态相关的频段进行了分层。我们观察到大脑轮毂，默认模式网络（DMN）和附加到DMN的抗相关网络。大脑的连通性随频率变化而变化，因此大脑状态。EEG分析是一种相对便宜，持续时间较长，而更方便的方法比fMRI，但提供了类似的信息。类似的研究可用于识别大脑连接模式，而大脑通过为任务收集脑电图数据来执行特定任务。关键字 - ：大脑连接，集线器，脑电图
使用电感电图（EEG）的初步研究
患有特定健康状况的人，例如感觉整合障碍（SID）和自闭症谱系障碍（ASD）通常会面临巨大的挑战经验，例如对新情况的压倒性经验，如果触发的话，可以表现为超垂体和焦虑。深压已被用作减少问题的治疗方法。本研究寻求深压疗法的潜在优势，目的是采用一种新型方法来评估使用EEG使用EEG来测量大脑活动的可充气深度背心治疗的镇静作用。这项初步研究包括5个来自小学的男孩。充气和加权背心用于获得平静的效果，并且使用脑电图（EEG）测量以三个不同的阶段获得的脑活动：在（预测试前），（测试期间）3分钟，实验后（测试后1分钟）在5名受试者中获得了1分钟。使用Muse头带记录EEG信号，并使用EEGLAB进行分析。考虑了三个脑波，例如theta，alpha，beta相对带能量。与其他治疗相比，这些值对确定每种治疗的压力或焦虑水平是否显着降低至关重要。所示的统计结果，与预测试相比，相对子带能量α的后测试增加，而相对子频段能量β和theta降低。这项研究表明学生的平静作用增加。总的来说，我们的发现表明了充气背心和加权背心的潜力，作为深压疗法的宝贵工具。
用于脑电图解码的深度黎曼网络
摘要：目前，脑电图 (EEG) 解码任务中的最佳性能通常通过深度学习 (DL) 或基于黎曼几何的解码器 (RBD) 实现。最近，人们对深度黎曼网络 (DRN) 的兴趣日益浓厚，它可能结合了前两类方法的优势。然而，仍然有一系列主题需要额外的洞察力，为 DRN 在 EEG 中的更广泛应用铺平道路。这些包括架构设计问题，例如网络大小和端到端能力。这些因素如何影响模型性能尚未探索。此外，尚不清楚这些网络中的数据是如何转换的，以及这是否与传统的 EEG 解码相关。我们的研究旨在通过分析具有广泛超参数的 EEG DRN，为这些主题领域奠定基础。在五个公共 EEG 数据集上测试了网络，并与最先进的 ConvNets 进行了比较。在这里，我们提出了端到端 EEG SPDNet（EE(G)-SPDNet），并且我们表明这种宽的端到端 DRN 可以胜过 ConvNets，并且在这样做时使用生理上合理的频率区域。我们还表明，端到端方法比针对 EEG 的经典 alpha、beta 和 gamma 频带的传统带通滤波器学习更复杂的滤波器，并且性能可以从特定于通道的滤波方法中受益。此外，架构分析揭示了进一步改进的地方，因为整个网络可能未充分利用黎曼特定信息。因此，我们的研究展示了如何设计和训练 DRN 以从原始 EEG 推断与任务相关的信息，而无需手工制作的滤波器组，并强调了端到端 DRN（如 EE(G)-SPDNet）用于高性能 EEG 解码的潜力。
心理策略和静息态脑电图：
摘要。神经反馈 (NFB) 是一种脑机接口，允许个人调节大脑活动。尽管 NFB 具有自我调节的性质，但 NFB 训练期间使用的策略的有效性却很少受到研究。在对健康年轻参与者进行的一次 NFB 训练（6*3 分钟训练块）中，我们通过实验测试了提供心理策略列表（列表组，N = 46）与未接受任何策略的组（无列表组，N = 39）相比，是否影响参与者对高 alpha（10-12 Hz）振幅的神经调节能力。我们还要求参与者口头报告用于增强高 alpha 振幅的心理策略。然后将逐字记录归类为预先确定的类别，以检查心理策略类型对高 alpha 振幅的影响。首先，我们发现向参与者提供列表并不能提高神经调节高 alpha 活动的能力。然而，我们对学习者在训练块期间报告的具体策略的分析表明，认知努力和回忆记忆与更高的高 alpha 振幅有关。此外，训练后高 alpha 频率的静息振幅可预测训练期间振幅的增加，这一因素可能会优化 NFB 方案的纳入。本研究结果还证实了 NFB 训练期间与其他频带的相互关系。尽管这些发现是基于单个 NFB 会话，但我们的研究代表着朝着开发 NFB 高 alpha 神经调节的有效方案迈出了进一步的一步。图形摘要
使用 MEG/EEG 进行预测回归建模
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
利用耳内脑电图进行注意力状态分类
摘要 — 完全在耳内的脑电图 (入耳式 EEG) 为不引人注目的连续生理和认知状态监测开辟了令人兴奋的途径。这项工作提出了基于在警觉任务实验中使用的舒适的双耳入耳式 EEG 仪器记录的数据对注意力状态进行精确分类的技术。我们记录了来自多个受试者的头皮和耳内 EEG 信号，并表明入耳式 EEG 提供了相当的分类准确度。我们的工作是共模空间滤波技术首次应用于从不受束缚的受试者的稀疏电极获取的信号。我们在对注意力和静息状态进行分类时展示了 90-95% 的准确率（带有 30 个电极的头皮 EEG）和 70-75%（耳道和耳甲内有 5 个电极的入耳式 EEG）。我们还展示了我们的方法对于低功耗片上分类来说是轻量级的，具有少量学习的能力。可穿戴、连续健康传感器的必要性在于适应资源受限的应用，并适应受试者之间的差异和不同的环境条件。这项研究表明，未来系统级芯片 (SoC) 集成对于能够进行闭环认知状态监测和神经反馈的用户通用和便携式设备具有可行性。索引术语 —BCI、入耳式脑电图、认知状态监测、警觉任务
脑电图 (EEG) 传感器用户手册
本文档中包含的信息已仔细检查，并已尽一切努力确保其质量。PLUX 保留随时更改和改进本手册和所引用产品的权利，恕不另行通知。蓝牙一词及其徽标是 Bluetooth SIG Inc. 的商标，任何此类商标的使用均已获得许可。其他商标均为其各自所有。请在收到系统和传感器后首次使用前检查系统和传感器，以确认其是否包含所有订购的传感器、配件和其他组件。如果与原始订单有任何差异，请通过电子邮件联系我们的支持人员：helpdes@pluxbiosignals.com。有关监管信息，请参阅本文档末尾的监管免责声明。
关于脑电图张量补全方法的鲁棒性
1 南开大学人工智能学院，天津 300350，中国；2 斯科尔科沃科学技术学院，莫斯科 121205，俄罗斯；3 杭州电子科技大学计算机学院，杭州 310018，中国；4 哥白尼大学信息学系，托伦 87-100，波兰；5 波兰科学院系统研究所，华沙 01-447，波兰；6 南开大学计算机学院，天津 300350，中国；7 阿根廷射电天文学研究所 IAR-CCT 拉普拉塔，CONICET / CIC-PBA / UNLP，Villa Elisa 1894，阿根廷；8 日本理化学研究所信息系统与网络安全总部计算工程应用部，和光市 351-0106，日本； 9 英国剑桥大学精神病学系，剑桥 CB2 8AH；10 西班牙加泰罗尼亚维多利亚中央大学数据与信号处理研究组，加泰罗尼亚 08500