XiaoMi-AI文件搜索系统
World File Search Systemelectroencephalographic
使用可穿戴技术实现基于脑电图的运动想象范式脑机接口：系统评价
摘要：近几十年来，通过脑电图 (EEG) 技术自动识别和解释脑电波的技术取得了显著进展，从而推动了脑机接口 (BCI) 的快速发展。基于 EEG 的 BCI 是一种非侵入式系统，可实现人与直接解释大脑活动的外部设备之间的通信。得益于神经技术的进步，尤其是可穿戴设备领域的进步，BCI 现在也用于医疗和临床应用之外。在此背景下，本文提出了基于 EEG 的 BCI 的系统综述，重点关注最有前途的基于运动想象 (MI) 的范例之一，并将分析限制在采用可穿戴设备的应用范围内。本综述旨在从技术和计算的角度评估这些系统的成熟度。论文的评选遵循了系统评价和荟萃分析的首选报告项目 (PRISMA)，在过去十年（2012 年至 2022 年）中共评选出 84 篇论文。除了技术和计算方面，本评论还旨在系统地列出实验范例和可用数据集，以确定开发新应用和计算模型的基准和指南。
研究文章洞察认知过程...
现代教室的基于注意力的学习任务需要在工作记忆中处理信息。对这些任务过程中运行的认知过程知之甚少。为了了解支持认知功能（例如学习）的过程，我们监视了从一组高中生的额叶区域发出的脑电波活动，该研究使用了一系列概念上链接的任务，使用了一系列概念上链接的任务。对脑电图记录的分析表明，随着学生完成任务的工作，伽马和β的相对力量有所提高，这表明他们正在工作记忆中添加项目，保留它们，取回并阅读它们以用于任务或处置。值得注意的是，Alpha活动的减少表明，学生似乎正在抑制从记忆中检索到的分散注意力的图像，以使更大的单词可用于解决拼图一词。这种认知处理可能增加了工作记忆中的负载，如theta活性的降低所示。最后，学生通过降低三角洲活动来增加清醒的关注和机敏性。这些结果为基于注意力的课堂学习任务运行的认知功能提供了新的见解。
基于频率的深度学习实现多伪影脑电图去噪
摘要 脑电图 (EEG) 信号是神经科学研究和临床应用（如脑机接口和神经系统疾病诊断）的基础。这些信号通常是神经活动和噪声的组合，来自各种来源，包括眼球和肌肉运动等生理伪影。在这种情况下，我们解决了区分神经活动和噪声相关来源的挑战。我们开发了一种在频域中运行的新型 EEG 去噪模型，利用有关噪声频谱特征的先验知识自适应地计算用于噪声分离的最佳卷积滤波器。该模型经过训练可以学习一种经验关系，将噪声和噪声信号的频谱特性与允许信号去噪的非线性变换联系起来。在 EEGdenoiseNet 数据集上的性能评估表明，所提出的模型根据时间和频谱指标都实现了最佳结果。发现该模型可以从输入的 EEG 数据中去除生理伪影，从而实现有效的 EEG 去噪。事实上，该模型的性能与基准模型相当甚至更好，证明可以有效去除肌肉和眼部伪影，而无需对特定类型的伪影进行任何训练。
并非所有电极通道都是必需的：仅从受刺激的大脑区域进行知识转移即可实现脑电图情绪识别
情感脑机接口 (aBCI) 的情绪识别在人机交互中引起了广泛关注。由于能够实时检测大脑活动且可靠性高，因此主要使用在一个数据库中收集和存储的脑电图 (EEG) 信号。然而，受试者之间的 EEG 个体差异很大，使得模型无法跨对象共享信息。新的标记数据是为新受试者单独收集和训练的，这需要花费大量时间。此外，在跨数据库收集 EEG 数据期间，会向受试者引入不同的刺激。视听刺激 (AVS) 通常用于研究受试者的情绪反应。在本文中，我们提出了一种大脑区域感知域自适应 (BRADA) 算法，以不同的方式处理听觉和视觉大脑区域的特征，从而有效地解决受试者之间的差异并缓解数据库之间的分布不匹配。BRADA 是一个与现有迁移学习方法配合使用的新框架。我们将 BRADA 应用于跨主题和跨数据库设置。实验结果表明，我们提出的迁移学习方法可以改善效价唤醒情绪识别任务。
多感官环境下脑电图记录的置信度预测
Luca Citi、Riccardo Poli 脑机接口和神经工程实验室，埃塞克斯大学计算机科学与电子工程学院，科尔切斯特，英国 lciti@essex.ac.uk，rpoli@essex.ac.uk 摘要 本文探讨了在多感官决策任务中从人类受试者的脑电图 (EEG) 脑活动解码决策信心的可能性。最近的研究表明，我们可以在视觉或听觉任务期间从 EEG 记录中提取决策信心相关性。在这里，我们扩展了这些初步发现，(a) 仅根据 EEG 记录预测决策信心，以及 (b) 研究多感官线索对决策行为数据的影响。我们从两个不同地点记录的 12 名参与者中获得的结果显示，可以在单次试验的基础上从 EEG 记录预测决策信心，平均绝对误差为 0.226。此外，多感官提示的存在并没有提高参与者的表现，反而分散了他们对主要任务的注意力。总的来说，这些结果可能有助于开发认知系统，当用户对自己的决定没有信心时，该系统可以监控和提醒用户。
肯特学术资料库
通过机器学习生成设计一直是计算机辅助设计领域的一项持续挑战。最近，深度学习方法已被用于随机生成时尚、家具和产品设计中的图像。然而，这种深度生成方法通常需要大量的训练图像，并且在设计过程中没有考虑到人为因素。在这项工作中，我们寻求一种方法，通过脑电图测量 (EEG) 指示的大脑活动将人类认知因素纳入生成过程。我们提出了一种受神经科学启发的机器学习设计方法，其中使用 EEG 来捕获首选的设计特征。此类信号用作生成对抗网络 (GAN) 中的条件。首先，我们使用循环神经网络 (LSTM - 长短期记忆) 作为编码器，从原始 EEG 信号中提取 EEG 特征；这些数据是从受试者观看 ImageNet 中的几类图像时记录下来的。其次，我们训练一个以编码的 EEG 特征为条件的 GAN 模型来生成设计图像。第三，我们使用该模型从受试者的 EEG 测量大脑活动生成设计图像。
使用深度学习方法
摘要：用脑电图（EEG）信号使用想象的语音是脑部计算机界面（BCI）的有前途的场，它寻求与语言和设备或机器相关的脑皮质区域之间的通信。然而，这种大脑过程的复杂性使这类信号的分析和分类是相关的研究主题。这项研究的目标是：开发一种基于深度学习（DL）的新算法，称为CNNEEG1-1，以识别想象中的元音任务中的脑电图信号；创建一个想象中的语音数据库，其中50个主题专门从事西班牙语（/a/，/e/，/i/，/，/o/，/u/）的想象元音；并使用开放访问数据库（BD1）以及新开发的数据库（BD2）将CNNEEG1-1算法的性能与DL浅CNN和EEGNET基准算法的性能进行对比。在这项研究中，进行了方差的混合方差分析，以评估所提出算法的受试者内和受试者间训练。结果表明，对于受主体内的训练分析，浅CNN，EEGNET和CNNEEG1-1的最佳性能在对想象中的元音（/a/a/a，/e/，/i/，/i/，/o/，/u/）进行分类时，由CNNEEG1-1展出，由CNNEEG1-1展示为65.62％的cnneeg1-1 data for bd and bd and bd and and bd and and bd and and bd bdse ands的55份数为89％。
静息态成人额颞叶痴呆与阿尔茨海默病脑电图特征提取鉴别技术的比较研究
摘要：早期阿尔茨海默病 (AD) 和额颞叶痴呆 (FTD) 具有相似的症状，这使其诊断和制定特定治疗策略变得复杂。我们的研究评估了多种特征提取技术，用于从脑电图 (EEG) 信号中识别 AD 和 FTD 生物标志物。我们开发了一种优化的机器学习架构，该架构集成了滑动窗口、特征提取和监督学习，以区分 AD 和 FTD 患者以及健康对照 (HC)。我们的模型具有 90% 的滑动窗口重叠度、SVD 熵用于特征提取和 K 最近邻 (KNN) 用于监督学习，在区分 AD 和 HC、FTD 和 HC 以及 AD 和 FTD 方面分别实现了 93% 和 91%、92.5% 和 93% 以及 91.5% 和 91% 的平均 F1 分数和准确率。特征重要性阵列是一种可解释的 AI 特征，它突出显示了有助于识别和区分 AD 和 FTD 生物标志物的脑叶。这项研究引入了一种使用 EEG 信号检测和区分 AD 和 FTD 的新框架，满足了对早期准确诊断的需求。此外，还记录了滑动窗口、多特征提取和机器学习方法对 AD/FTD 检测和区分的比较评估。
![arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日](/simg/9\96062bd58a616626c5330b31a0f56969e5dc0842.webp)
arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日
摘要。在机器学习 (ML) 文献中，一个众所周知的问题是数据集转移问题，与 ML 标准假设不同，训练和测试集中的数据可以遵循不同的概率分布，导致 ML 系统的泛化性能较差。这个问题在脑机接口 (BCI) 环境中尤为明显，其中经常使用脑电图 (EEG) 等生物信号。事实上，EEG 信号随时间和不同受试者之间的变化都非常不稳定。为了解决这个问题，提出了几种基于最新迁移学习方法（如域自适应 (DA)）的解决方案。然而，在一些情况下，改进的实际原因仍然不明确。本文重点关注数据规范化或与 DA 方法一起应用的标准化策略的影响。具体来说，使用 SEED、DEAP 和 BCI Competition IV 2a EEG 数据集，我们通过实验评估了使用和不使用几种知名 DA 方法时不同规范化策略的影响，并比较了获得的性能。结果表明，规范化策略的选择对 DA 场景中的分类器性能起着关键作用，有趣的是，在一些情况下，仅使用适当的规范化方案就能胜过 DA 技术。
脑心脏轴研究-ARPI
测试焦虑（TA）是一种公认的社交焦虑形式，是学生焦虑的最突出的原因，如果不受管理，可以升级为精神疾病。ta深刻影响中心神经系统和自主神经系统，作为认知和自主成分的双重表现。有限的研究探索了TA的生理基础，但在这种情况下，没有人直接研究了中枢神经系统与ANS之间的复杂相互作用。在这项研究中，我们引入了一种非侵入性的，综合的神经性心血管方法，以全面地表征27名通过模拟检查场景引起的测试焦虑的健康受试者的生理反应。我们的实验发现强调，对脑电图和心率变异性数据的孤立分析无法捕获由大脑心脏轴评估提供的复杂的信息，该信息纳入了对大脑与心脏之间动态相互作用的分析。在静息状态下，模拟检查在所有频率下都会导致神经控制降低到心跳动力学上，而研究状况会导致脑力振荡的上升心脏相互作用降低，高达12Hz。这强调了采用多系统观点的重要性，以理解与测试焦虑的复杂，尤其是功能定向机制。