XiaoMi-AI文件搜索系统
World File Search Systemelectroencephalographic
基于循环节奏连接的随机过程
摘要：在这项研究中，证实了脑电信号向量的新数学模型，该模型是在脑量表界面操作员多次重复的条件下注册的。研究信号的节奏比已知模型具有许多优势。这个新模型为研究多维分布函数开辟了道路。高阶的初始，中心和混合力矩功能，例如每个脑电图信号分别；以及它们各自兼容的概率特征，其中最有用的特征可以选择。这可以提高大脑 - 计算机界面操作员的心理控制影响（分类）的检测（分类）。基于开发的数学模型，证实了电位信号信号向量的统计处理方法，这些方法包括对其概率特征的统计评估，并有可能对电脑信号的概率特征进行有效的联合统计估计。这为来自不同传感器的信息协调整合提供了基础。在频域中使用高阶函数及其光谱图像作为大脑 - 计算机接口系统中的信息特征。在实验中确定了它们对脑计算机界面操作员的心理控制影响的显着敏感性。将贝塞尔的不平等应用程序应用于信息特征的矢量尺寸（从500次增加到20个数字）的问题，这可以显着降低算法的计算复杂性，以降低算法的计算复杂性。也就是说，我们在实验上确定，只有20个值的傅立叶估计值的傅立叶估算值的较高级别函数的傅立叶变换非常适合构成大脑计算机界面中信息效率的向量，因为这些频谱组成的统计量占相应的量化量的较高的统计量，这是相应的统计量的均可构图。信号。
基于机器学习的脑机接口任务识别有效性分析
摘要：本研究旨在比较脑电图 (EEG) 信号特征提取方法在脑活动分类有效性方面的效果。为了进行分类，使用 EEG 设备从 17 位受试者的三种心理状态（放松、兴奋和解决逻辑任务）中获取脑电图信号。对获取的信号进行采用独立成分分析 (ICA) 的盲源分离。使用 Welch 方法、自回归建模和离散小波变换进行特征提取。执行主成分分析 (PCA) 以降低特征向量的维数。使用 k-最近邻 (kNN)、支持向量机 (SVM) 和神经网络 (NN) 进行分类。展示了精度、召回率、F1 分数以及基于统计分析的讨论。本文还包含用于预处理和实验主要部分的代码。
基于机器学习的脑机接口任务识别有效性分析
摘要：本研究旨在比较脑电图 (EEG) 信号特征提取方法在脑活动分类有效性方面的效果。为了进行分类，使用 EEG 设备从 17 位受试者的三种心理状态（放松、兴奋和解决逻辑任务）中获取脑电图信号。对获取的信号进行采用独立成分分析 (ICA) 的盲源分离。使用 Welch 方法、自回归建模和离散小波变换进行特征提取。执行主成分分析 (PCA) 以降低特征向量的维数。使用 k-最近邻 (kNN)、支持向量机 (SVM) 和神经网络 (NN) 进行分类。展示了精度、召回率、F1 分数以及基于统计分析的讨论。本文还包含用于预处理和实验主要部分的代码。
通过隐性调节内在大脑连接......
尽管神经反馈越来越受欢迎，但其作用机制仍不太清楚。本研究旨在描述隐性脑电图神经反馈背后的过程。52 名健康志愿者被随机分配到一次超低频神经反馈或假神经反馈，电极位于右侧颞中回和右侧顶下小叶。他们观察到一个移动的火箭，其速度由带限超低频滤波器产生的波形调制。在会议前后，参与者接受了静息态 fMRI 检查。应用了基于网络的统计分析，比较了会议前后和真实与假神经反馈条件。结果观察到了两种现象。首先，我们描述了与隐性神经反馈过程本身相关的脑回路，该脑回路由侧枕叶皮层、右背外侧前额叶皮层、左眶额叶皮层、右腹侧纹状体和双侧背侧纹状体组成。其次，我们发现显着性、语言和视觉网络的关键区域之间的连接性增强，这表明感觉处理中存在整合。因此，一次隐性超低频脑电图神经反馈似乎会导致内在大脑连接性发生显著变化。
大脑时空动态的可解释性......
摘要：正念训练与心理健康和认知能力的改善相关，但这些变化背后的具体神经生理机制尚不清楚。本研究使用一种新型的受大脑启发的人工神经网络来研究正念训练对脑电图功能的影响。参与者在三个评估时间点完成一项 4 音听觉异常任务（包括目标和物理上相似的干扰物）。在 A 组（n = 10）中，这些任务是在 6 周正念训练之前、训练后立即和 3 周的随访中完成的；在 B 组（n = 10）中，这些任务是在干预等待期（训练前 3 周）、正念训练前和正念训练后完成的。使用脉冲神经网络（SNN）模型，我们评估了从捕捉与事件相关电位（ERP）相关的神经动态的脑电图数据特征中跨空间和时间生成的并发神经模式。该技术利用了整个 ERP 和跨电极空间极性变化的时间动态。研究结果支持对干扰项的反应相对于目标刺激的连接权重前移。右额叶对干扰项的连接权重与特质正念（正向）和抑郁（负向）相关。此外，正念训练与目标（仅双侧额叶、左额中央和颞叶区域）和干扰项的连接权重增加有关。SNN 模型在根据正念训练对大脑状态进行分类方面优于其他机器学习方法。研究结果表明 SNN 模型
通过静止状态脑电图将抑郁症分类为精神病学的新颖实践：评论
背景：医疗保健中的机器学习应用在最近的过去大幅增加，这项综述着重于与抑郁症发现有关的精神病学中的重要应用。自计算精神病学的出现以来，基于功能磁共振成像的研究取得了显着的结果，但是对于日常临床使用而言，这些工具往往太昂贵了。目的：本综述着重于基于脑电图记录的负担得起的数据驱动方法。通过公共或基于云的平台的基于Web的应用程序将是合乎逻辑的下一步。我们旨在将几种不同的方法比较使用各种功能和机器学习模型从脑电图记录中检测抑郁症的方法。方法：为了检测抑郁症，我们回顾了基于最终机器学习的静止状态脑电图的已发表的检测研究，并预测治疗结果，我们在其方法中使用某种形式的刺激审查了一系列介入研究。结果：我们回顾了2008年至2019年之间的14项检测研究和12项介入研究。由于所使用的理论方法和方法的大量多样性，我们无法进行直接比较，因此我们根据分析和准确性的步骤进行比较。此外，我们比较了样本量，特征提取，特征选择，分类，内部和外部验证以及可能不必要的乐观和可重复性的可能缺点。此外，我们提出了理想的做法，以避免误解结果和乐观。结论：本综述显示了需要更大的数据集和更系统的程序来改善解决方案用于临床诊断的方法。因此，对所使用方法的管道和标准要求的调节应成为强制性的，以提高将其转化为现代精神病学的完整方法的可靠性和准确性。
无线可编程记录和刺激自由移动人类的深部脑活动
信号，但本质上并非为研究而设计，因此缺乏灵活的控制和与可穿戴传感器的集成。我们开发了一个移动深部脑记录和刺激 (Mo-DBRS) 平台，该平台可实现无线和可编程的颅内脑电图记录和电刺激，并与虚拟/增强现实 (VR/AR) 和可进行外部测量的可穿戴设备集成和同步（例如，运动捕捉、心率、皮肤电导、呼吸、眼球追踪和头皮脑电图）。当用于植入神经设备的自由移动人类时，该平台可适应生态有效的环境，有利于阐明自然行为背后的神经机制，并开发神经和精神疾病的可行疗法。
运动想象中的 μ 抑制检测
本文讨论了脑机接口 (BCI) 中脑电图 (EEG) 信号中 μ 抑制的检测。为此，提出了一种基于统计模型和线性分类器的有效算法。确切地说，提出了广义极值分布 (GEV) 来表示中枢运动皮层 EEG 信号的功率谱密度。使用最大似然法估计相关的三个参数。基于这些参数，设计了一个简单而有效的线性分类器来对三类事件进行分类：想象、运动和静息。初步结果表明，所提出的统计模型可用于精确检测 μ 抑制并区分不同的 EEG 事件，具有非常好的分类精度。