XiaoMi-AI文件搜索系统
World File Search Systemelectroencephalographic
多模式情绪刺激对大脑活动的影响：脑电图研究
摘要：本研究旨在揭示使用头皮EEG对多模式情绪刺激的神经活动的情绪价和感觉方式的影响。在这项研究中，有20位健康参与者完成了三种刺激模态（音频，视觉和音频）的情绪多模式刺激实验，所有这些都来自具有两个情感成分（愉悦或不愉快或不愉悦）的同一视频源，并使用六个实验条件和一个静止状态收集了EEG数据。我们分析了功率谱密度（PSD）和事件相关电位（ERP）组件，以响应多模式情绪刺激，用于光谱和时间分析。PSD的结果表明，由于模态的变化而不是情绪程度的变化，因此，单个模态（仅/仅视觉）情绪刺激PSD与宽大的大脑和带范围的多模式（音频视听）不同。最明显的N200至P300电位转移发生在单座而不是多模式的情绪刺激中。这项研究表明，情绪显着性和感觉处理效率在多模式情绪刺激过程中塑造神经活动中发挥了重要作用，感官方式在PSD中的影响更大。这些发现有助于我们理解多模式情绪刺激所涉及的神经机制。
通过脑电信号测量认知好奇心的状态
摘要 — 了解好奇心背后的神经生理机制并因此能够识别一个人的好奇心水平，将为神经科学、心理学和计算机科学等众多领域的研究人员和设计师提供有用信息。揭示好奇心的神经相关性的第一步是在好奇状态下收集神经生理信号，以便开发信号处理和机器学习 (ML) 工具来识别好奇状态和非好奇状态。因此，我们进行了一项实验，其中我们使用脑电图 (EEG) 测量参与者在被诱导进入好奇状态时的大脑活动，使用琐事问答链。我们使用两种 ML 算法，即滤波器组公共空间模式 (FBCSP) 与线性判别算法 (LDA) 相结合，以及滤波器组切线空间分类器 (FBTSC)，以将好奇的 EEG 信号与非好奇的 EEG 信号进行分类。总体结果表明，两种算法在 3 到 5 秒的时间窗口内均获得了更好的性能，表明最佳时间窗口长度为 4 秒（FBTSC 的分类准确率为 63.09%，FBCSP+LDA 的分类准确率为 60.93%）可用于基于 EEG 信号的好奇心状态估计。索引术语 — 好奇心 - 心理状态 - 学习 - 脑电图 - 被动脑机接口
对脑电图刺激（EEG）光谱的织物触觉刺激的神经感知性歧视
在神经科学中，对织物皮肤相互作用期间感觉知觉的精确评估仍然很少。本研究旨在通过脑电图（EEG）光谱强度研究对织物刺激的皮质感觉反应，并评估EEG频带，传统的主观问题汇总和材料的物理特性之间的关系。招募了十二名健康的成年参与者，以测试三种具有不同纺织品组成的织物1）棉花，2）尼龙和3）聚酯和羊毛。通过织物触摸测试仪（FTT）定量评估织物的物理特性。邀请受试者通过主观问卷和客观的脑电图记录来评估织物样品的感觉知觉。响应于不同的织物刺激而获得了theta和伽马条带的脑电图和伽马条带的显着差异（p <0.05）。theta和伽马力表现出与问卷评估的大多数主观感觉和FTT织物的物理特性（p <0.05）的相关性。EEG光谱分析可以用于歧视不同纺织品组成的织物刺激，因此表明织物刺激过程中的感觉感知。这一发现可能为通过EEG光谱分析提供进一步探索感知感知的证据，这可以应用于对未来假体中皮肤触觉的脑发生者的研究以及对行业中感觉知觉的自动检测。
残疾儿童，父母和神经系统治疗师的脑膜间脑之间同步
患有身体和认知障碍的儿童可以隔离，因为他们表达了他们的需求和感受的能力有限（Lindsay＆McPherson，2012年）。这些孩子的父母经常为了解孩子的情绪而挣扎（Currie＆Szabo，2020）。医疗保健提供者与患有神经发育障碍和有限表达性沟通的儿童互动时，他们可能会面临类似的挑战。许多研究集中在自闭症谱系障碍儿童（ASD）儿童社会障碍的神经基础上（Kleinhans等，2009; White等，2014; Williams等，2006）。此外，限制社会关系和活动的运动挑战已在脑瘫中进行了广泛的研究（Beckung＆Hagberg，2002）。但是，在涉及这些临床人群的社交互动过程中，对协调的二元大脑活动的了解较少。需要对ASD和脑瘫，标准化和客观测量（即生物标志物）进行社交互动的延迟或有限的社交技能的异源性节日（Jeste等，2015）。尤其是，坚固的父母 - 儿童（Guild等人，2021年）和治疗师 - 儿童关系（Särkämö等，2016）对于在临床环境中最大程度地提高表达结果至关重要。由于残疾儿童的社交技能在很大程度上取决于健康的家庭关系（Bennett＆Hay，2007年）和治疗融洽的关系（Mössler等，2019），因此保证了与这些相互关系相关的神经机制的调查。在社交环境中与音乐同步会导致行为和生理反应。所有三个年龄段的孩子（2.5、3.5和4.5岁）与人类伴侣的鼓声比扬声器或鼓机的鼓声更好（Kirschner＆Tomasello，2009年）。随着越来越多的人聚集在一起，一致的拍手频率增加（Thomson等，2018）。实际上，音乐可以促进个体之间生理和神经反应的一致性。例如，一起听音乐可以提高皮肤电导和心率（Liljeström等，2013）。心血管和呼吸节奏可以
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
深度学习技术可改善脑脑图信号的术中意识检测
摘要 - 每年，数以百万计的患者在手术过程中恢复意识，并可能患有创伤后疾病。我们最近表明，可以使用脑电图（EEG）信号的中位神经刺激过程中的运动活动检测来提醒医务人员，患者正在醒来并试图在全身麻醉下移动[1]，[2]。在这项工作中，我们测量了直接训练对过滤的EEG数据进行训练的多种深度学习模型（EEGNET，深卷积网络和浅卷积网络）的运动图像的准确性和假阳性。我们将它们与有效的非深度方法进行了比较，即基于常见空间模式的线性判别分析，即应用于协方差矩阵的Riemannian Mean Mean Algorithm的最小距离，基于逻辑回归的逻辑回归，这是基于逻辑回归的，这是对协方差矩阵（TSS+LR）的较相关的空间投影。与其他分类器相比，EEGNET显着提高了分类性能的显着提高（p-值<0.01）；此外，它的表现优于最佳的非深度clas-sifier（TS+LR），其精度为7.2％。这种方法有望改善全身麻醉期间术中意识检测。
使用概率神经网络解码脑电图运动图像的有效连通性
摘要：在过去几年中，基于运动图像（MI）的大脑 - 计算机界面引起了很多关注。他们提供了通过使用大脑活动来控制外部设备的能力，例如假肢和轮椅。一些研究人员报告了运动任务期间多个大脑区域的交流，因此很难隔离发生运动活动的一个或两个大脑区域。因此，对大脑神经模式的更深入的了解对于BCI来说很重要，以便提供更有用和有见地的特征。因此，大脑连接性提供了一种有希望的方法，可以通过在运动想象中考虑通道间/区域关系来解决所述的缺点。这项研究以部分定向相干性（PDC）和定向传递函数（DTF）为大脑中的有效连通性，作为运动成像（MI）分类的非常规的特征集。进行了基于MANOVA的分析以识别统计上显着的连接对。此外，该研究试图通过使用四种分类算法（SVM，KNN，决策树和概率神经网络）来预测MI模式。研究使用从Physionet EEG数据库中提取的两类MI数据对所有分类方法进行了比较分析。基于概率神经网络（PNN）作为分类器和PDC作为特征集的提议技术优于其他分类，并且具有较高分类精度和较低差异率的其他分类和提取技术。研究发现表明，当PDC用作特征集时，PNN的总体平均准确性最高98.65％，而同一分类被用于达到DTF的最大精度为82.81％。本研究通过与常规特征相比，通过大脑连通性获得更好的分类结果来验证运动任务期间多个大脑区域的激活。由于PDC的表现优于DTF作为具有出色分类精度和低误差率的特征集，因此它具有在基于MI的脑部计算机接口中应用的巨大潜力。
基于频谱脑电波比率指数评估心理参与程度：系统评价
摘要：背景：本综述系统地研究了用于评估人类精神参与的脑电图衍生比率指数的科学文献，以推断它们是什么、如何定义和使用它们以及它们的最佳应用领域是什么。（2）方法：根据系统评价和荟萃分析的首选报告项目 (PRISMA) 指南进行审查。（3）结果：从搜索查询中，共得到 82 篇文档。大多数 (82%) 被归类为与精神紧张有关，而 12% 被归类为与感觉和情绪方面有关，6% 与运动有关。使用的脑电图电极蒙太奇在 13% 的文档中为低密度，6% 的文档中为高密度，81% 的文档中为极低密度。用于计算参与指数的最常用电极位置是额叶和前额叶皮层。总体而言，发现了 37 种不同的参与指数公式。它们都不能直接与特定的应用领域相关。（4）结论：这些指标的定义缺乏标准化，无论是在考虑的频带中还是在利用的电极中。未来的研究可能侧重于开发具有独特定义的指标，以监测和描述心理参与。
不同情绪状态下脑电信号对大脑功能连通性的评估
科学文献中已经通过多种技术广泛分析了与效价/唤醒空间的四个象限相对应的情绪状态的识别。然而，这些方法中的大多数都是基于对每个大脑区域的单独评估，而没有考虑不同区域之间可能存在的相互作用。为了研究这些相互联系，本研究首次计算了称为跨样本熵的功能连接指标，用于分析来自脑电信号的四组情绪的大脑同步。结果报告了中央、顶叶和枕叶区域之间的互连具有很强的同步性，而左额叶和颞叶结构与其他大脑区域之间的相互作用表现出最低的协调性。这些差异对于四组情绪具有统计学意义。所有情绪同时被分类，准确率为 95.43%，超过了以前研究报告的结果。此外，考虑到对应维度的状态，效价和唤醒的高低水平之间的差异也提供了关于不同情绪条件下大脑同步程度的显著发现，以及可能的
