XiaoMi-AI文件搜索系统
World File Search Systemelectroencephalographic
使用转移学习进行运动图像检测的指南：实验研究
摘要 - 基于运动图像（MI）的脑部计算机界面（BCI）显示出有希望的运动恢复结果，术中意识检测或辅助技术控制。但是，由于脑电图（EEG）信号的高度可变性，它们主要是每次使用日期所需的冗长而乏味的校准时间，并且缺乏所有用户的可靠性，因此它们遭受了几个限制。可以使用转移学习算法在某种程度上解决此类问题。但是，到目前为止，此类算法的性能已经非常可变，何时可以安全地使用它们。因此，在本文中，我们研究了MI-BCI数据库（30个用户）上各种最先进的Riemannian转移学习算法的性能：1）受到监督和不受监督的转移学习； 2）对于目标域的各种可用培训脑电图数据； 3）会议内或会议间的转移； 4）对于Mi-BCI表演良好且较不愉快的用户。从此类实验中，我们得出了有关何时使用哪种算法的准则。重新介绍目标数据后，该目标集的几个样本被考虑在内。即使对于课内转移学习也是如此。同样，重新介入对于在会话之间难以产生稳定的运动图像的受试者特别有用。
电休克治疗期间癫痫发作疗效监测...
背景：为了使电休克治疗 (ECT) 有效发挥作用，诱发的癫痫发作应足够。癫痫发作充分性的关键指标是癫痫发作期间观察到的肌肉运动和脑电图 (EEG) 发现。方法：作者回顾了有关该主题的所有可用文献，并在撰写这篇概述文章时加入了个人经验。结果：尽管大多数现代 ECT 设备都配备了脑电图 (EEG)、心电图 (ECG)、肌电图 (EMG) 或光学运动传感器 (OMS)，但观察到的癫痫发作肌肉运动是监测癫痫发作最简单、最可靠的方法。EMG 和 OMS 是监测肌肉运动的高科技方法，但由于伪影，可靠性可能会受到影响。脑电图通常用于监测癫痫发作，因为只有脑电图才能反映大脑的实际生理反应，当 ECT 期间肌肉运动被肌肉松弛剂抑制时，只有脑电图才能准确确认癫痫发作的发生。结论：现代 ECT 监测技术可以提供临床有用的信息，但临床医生还应了解可能的干扰因素，以确保诱发的癫痫发作足以确保 ECT 疗效。因此，将脑电图结果与袖带技术观察到的肌肉运动相结合是监测 ECT 期间癫痫发作疗效的最佳方法。
耳鸣症状的基于学习的深度脑脑诊断
耳鸣是一种神经病理学现象，是由对外部声音的识别引起的，实际上并不存在。耳鸣的现有诊断方法是相当主观且复杂的医学检查程序。本研究旨在使用脑电图（EEG）信号的深度学习分析来诊断耳鸣，而患者执行了听觉认知任务。我们发现，在一项积极的奇怪任务中，可以使用EEG信号通过深度学习模型（EEGNET）在0.886的曲线下识别出耳鸣的患者。此外，使用宽带（0.5至50 Hz）EEG信号，对EEGNET卷积内核特征图的分析表明，Alpha活性可能在识别耳鸣患者中起着至关重要的作用。对脑电图信号的随后时间频率分析表明，与健康组相比，耳鸣组显着降低了刺激前α活性。在主动和被动奇数任务中都观察到了这些差异。与耳鸣组相比，在主动奇数球任务中，在主动奇数球任务中的目标刺激在健康组中的诱发theta活性显着更高。我们的发现表明，与任务相关的脑电图特征可以视为耳鸣症状的神经特征，并支持基于脑电图的深度学习方法诊断耳鸣的可行性。
周期性和大约EEG特征作为发育阅读障碍的潜在标记
摘要：发育阅读障碍（DD）是一种神经生物学条件，影响了读取和/或准确读取的能力。分析DD中静静态脑电图（EEG）活性可能会更深入地表征潜在的病理生理学和可能的生物标志物。到目前为止，研究DD中静止状态活性的研究提供了有限的证据，并且没有考虑功率谱的上流区分。在本研究中，（n = 26）和没有DD（n = 31）的成年人接受了阅读技能评估和静止状态的脑电图，以调查上周期活动的潜在变化，这对周期性的对应物和阅读表现的影响。在甲状腺枕通道中，DD参与者表现出明显不同的上膜活性活性，这是通过平板和较低功率谱图所索引的。这些多数措施与文本阅读时间显着相关，这表明与阅读困难的个体差异有联系。与典型的读取器相比，DD组在Beta频段中显示出明显降低的Aperiodic调整功率，这与单词读取精度显着相关。总的来说，在这里，我们提供的证据表明，DD参与者中内源性大道活性的改变，并与神经噪声假设增加一致。此外，我们确认内源性β节奏的改变，这些节奏是根据其潜在的与大细胞传播流的潜在联系来讨论的。
使用人类皮层脑电信号的脑机接口∗
摘要 脑机接口 (BCI) 使用户能够通过头皮的脑电图 (EEG) 活动或大脑内的单神经元活动来控制设备。这两种方法都有缺点：EEG 分辨率有限且需要大量训练，而单神经元记录具有很大的临床风险并且稳定性有限。我们在此首次证明从大脑表面记录的皮层脑电图 (ECoG) 活动可以使用户快速准确地控制一维计算机光标。我们首先确定了与不同类型的运动和语音意象相关的 ECoG 信号。在 3-24 分钟的短暂训练期内，四名患者随后使用这些信号掌握闭环控制并在一维二元任务中实现 74-100% 的成功率。在额外的开环实验中，我们发现频率高达 180 Hz 的 ECoG 信号编码了有关二维操纵杆运动方向的大量信息。我们的结果表明，基于 ECoG 的 BCI 可以为严重运动障碍患者提供一种非肌肉通信和控制选项，这种选项比基于 EEG 的 BCI 更强大，并且比使用穿透大脑的电极的 BCI 更稳定、创伤更小。
音乐即兴演奏时的脑对脑交流
摘要 在生态环境中理解和预测他人的行为是社会神经科学的一个重要研究目标。在这里，我们部署了一种移动脑体成像 (MoBI) 方法来分析现场爵士乐表演期间专业音乐家之间的脑间交流。具体来说，在一场分为三部分的 45 分钟的爵士乐表演中，我们进行了双谱分析以评估来自三位专业音乐家的头皮脑电图 (EEG) 信号的同步性，在此期间，每五分钟就会有一位新音乐家加入。我们估算了所有音乐家二元组、电极组合和五个频带的双谱。结果显示，当更多音乐家一起表演以及他们同步演奏乐句时，β 和伽马频带 (13-50 Hz) 中的双谱更高。在确定的同步表演事件前约三秒发现了正双谱幅度变化，表明准备性皮质活动可预测协同行为动作。此外，随着音乐家的表演越来越多，电极区域之间的同步脑电图活动也越来越多，其中颞叶、顶叶和枕叶区域之间的脑内同步最为频繁。音乐家大脑活动同步性的提高反映了音乐即兴演奏任务中共享的多感官处理和动作意图。
双管齐下：音乐互动后人际神经同步性增强
摘要：音乐的深层人际性质表明，音乐衍生的神经可塑性与人际时间动态或同步性有关。人际神经同步 (INS) 已被发现与社交互动期间行为同步性的增加相关，并且可能代表支持它们的机制。由于社交互动通常没有明确的界限，而且许多互动是间歇性开始和停止的，我们假设在互动后可以检测到 INS 的神经特征。本研究旨在使用前后范式来调查这一假设，测量合作二元音乐互动之前和之后的脑间相位一致性。在以合作敲击游戏形式进行的音乐互动之前和之后的静默、非互动期间，十对二元组进行了同步脑电图 (EEG) 记录。在后条件下发现 delta 波段 INS 在互动后显著增加，并且与之前互动的持续时间呈正相关。这些发现表明了一种机制，通过该机制，社交互动在中断后可以有效地继续下去，并有可能在纵向研究中测量神经可塑性适应。这些发现还支持了这样一种观点，即社交互动过程中的 INS 代表了维持同步的主动机制，而不仅仅是刺激和运动活动的并行处理。
开放的EEGLAB门户界面：使用EEGLAB进行高性能计算
EEGLAB 信号处理环境是目前处理脑电图 (EEG) 数据的领先开源软件。神经科学网关 (NSG，nsgportal.org) 是一个基于 Web 和 API 的门户，允许用户在美国 XSEDE 网络中的高性能计算 (HPC) 资源上轻松运行各种与神经科学相关的软件。我们最近报道了 (Delorme 等人，2019) Open EEGLAB Portal 扩展了免费 NSG 服务，以允许神经科学界使用 EEGLAB 工具环境构建和运行 MATLAB 管道。我们现在发布了一个 EEGLAB 插件 nsgportal，它可以在任何个人实验室计算机上的 MATLAB 上运行的 EEGLAB 中直接将 EEGLAB 与 NSG 连接起来。该插件具有灵活的 MATLAB 图形用户界面 (GUI)，允许用户轻松提交、交互和管理 NSG 作业，以及检索和检查其结果。支持这些 GUI 功能的命令行 nsgportal 工具允许 EEGLAB 用户和插件工具开发人员构建高度自动化的功能和工作流程，包括可选的 NSG 作业提交和处理。这里我们详细介绍了 nsgportal 的实施和文档，提供了示例应用程序的用户教程，并展示了使用 HPC 与笔记本电脑处理的计算时间的比较示例测试结果。
与属于DEM
阿尔茨海默氏病（AD）是最漫射的神经模型生成性疾病之一，其特征是痴呆症的逐步认知下降。目前在临床研究中使用了几种AD的生物标志物。根据美国国家老化 - 阿尔茨海默氏症协会（NIA-AA），体内脑脊液（CSF）的ABETA和PHOSHPO TAU和淀粉样蛋白/Tau Potitron发射术（PET）的措施，允许在Preplinical和Protient的AD诊断（PET）中，并具有准确的MACINIPAIS（MAC），并具有客观的意义（临床试验的阶段（Albert等，2011； Jack等，2018； McKhann等，2011）。此外，可以通过源自18fluorodeoxyoxyoxyoxyglucose PET（FDG-PET），CSF中的TAU以及颞叶型皮质中脑萎缩的磁共振成像（MRI）的生物标志物来监测AD的进展。除了FDG-PET作为神经和突触完整性的敏感标记所起的间接作用外，上述生物标志物都没有反映AD神经病理学对基于认知过程的神经生理机制的影响。为了填补这一空白，头皮录制的脑电图（EEG）节奏是有希望的，因为它们是无创的，具有成本效益的，并且基于记录
基于脑电信号的特征选择模型用于评估驾驶员的认知负荷
摘要：近年来，研究的重点是生成机制来评估受试者在执行各种需要高度集中注意力的活动（例如驾驶车辆）时的认知工作量水平。这些机制已经实现了多种分析认知工作量的工具，而脑电图 (EEG) 信号由于其高精度而最常使用。然而，实现 EEG 信号的主要挑战之一是找到适合识别认知状态的信息。在这里，我们提出了一种基于机器学习技术的使用 EEG 信号信息进行模式识别的新特征选择模型，称为 GALoRIS。GALoRIS 结合遗传算法和逻辑回归来创建一个新的适应度函数，该函数识别和选择有助于识别高和低认知工作量的关键 EEG 特征，并构建一个能够优化模型预测过程的新数据集。我们发现，GALoRIS 使用从多个 EEG 信号中提取的信息来识别与受试者驾驶车辆时的高和低认知工作负荷相关的数据，将原始数据集减少了 50% 以上，并最大限度地提高了模型的预测能力，实现了 90% 以上的准确率。