XiaoMi-AI文件搜索系统
World File Search Systemeog
脑卒中患者的闪光视觉诱发潜在记录
脑冲程是一个灾难性事件，可能会损害人体的各种器官，包括视觉系统。视觉的电生理学是一种诊断技术，用于评估视觉系统的不同病理状况，主要是视觉途径和视网膜。电视图（ERG），电视学（EOG）和视觉诱发电位（VEP）在该领域通常使用电生理技术。Abdolalizadeh等。（2022）进行了一项研究，以研究使用ERG对毒药对患者的潜在影响。该研究包括20名参与者，由十名男性和十名女性组成，年龄在15至30岁之间。这些发现揭示了这些患者的视网膜变化，这些变化是通过测量ERG的振幅（特别是B波峰）诊断的[1]。同一研究小组还检查了使用EOG接受抗癫痫药物治疗的患者的视网膜色素上皮（RPE）。他们使用了同一组患者并观察到病理变化
传感器
摘要：眼电图 (EOG) 信号已广泛应用于人机界面 (HCI)。文献中提出的 HCI 系统使用自行设计或封闭的环境，这限制了潜在用户和应用的数量。在这里，我们提出了一个使用 EOG 信号对四个方向的眼球运动进行分类的系统。该系统基于开源生态系统、Raspberry Pi 单板计算机、OpenBCI 生物信号采集设备和开源 Python 库。设计的系统提供了一种廉价、紧凑且易于携带的系统，可以复制或修改。我们使用最大、最小和中位数试验值作为特征来创建支持向量机 (SVM) 分类器。在 10 名受试者中，有 7 名受试者对上下左右运动的在线分类平均准确率为 90%。该分类系统可用作 HCI 的输入，即用于瘫痪患者的辅助交流。
用于虚拟现实应用的新型混合脑机接口，采用基于稳态视觉诱发电位的脑机接口和基于眼电图的眼动追踪来提高信息传输速率
基于脑电图 (EEG) 的脑机接口 (BCI) 近来在虚拟现实 (VR) 应用中引起越来越多的关注，成为一种有前途的工具，可以“免提”方式控制虚拟物体或生成命令。视频眼动图 (VOG) 经常被用作一种工具，通过识别屏幕上的注视位置来提高 BCI 性能，然而，当前的 VOG 设备通常过于昂贵，无法嵌入到实用的低成本 VR 头戴式显示器 (HMD) 系统中。在本研究中，我们提出了一种新颖的免校准混合 BCI 系统，该系统结合了基于稳态视觉诱发电位 (SSVEP) 的 BCI 和基于眼电图 (EOG) 的眼动追踪，以提高 VR 环境中九目标基于 SSVEP 的 BCI 的信息传输速率 (ITR)。在以 3×3 矩阵排列的三种不同频率配置的模式反转棋盘格刺激上重复实验。当用户注视九种视觉刺激中的一种时，首先根据用户的水平眼球运动方向（左、中或右）识别包含目标刺激的列，并使用从一对电极记录的水平 EOG 进行分类，该电极可以很容易地与任何现有的 VR-HMD 系统结合使用。请注意，与 VOG 系统不同，可以使用与记录 SSVEP 相同的放大器来记录 EOG。然后，使用多元同步指数 (EMSI) 算法的扩展（广泛使用的 SSVEP 检测算法之一）在选定列中垂直排列的三个视觉刺激中识别目标视觉刺激。在我们对 20 名佩戴商用 VR-HMD 系统的参与者进行的实验中，结果表明，与 VR 环境中基于传统 SSVEP 的 BCI 相比，所提出的混合 BCI 的准确度和 ITR 均显着提高。
使用基于决策树的方法和CNN分类的强化学习有助于眼动电脑游戏
采用基于生物信号的输入的抽象人机接口很难转化为现实生活应用，部分原因是开发一般模型的困难来对代表用户行动的生理事件进行分类。在拟议的框架中，通过决策方法的管道来操作基于电视学（EOG）的游戏。这些包括使用卷积神经网络（CNN）的眼动物运动的分类模型，该模型以信号窗口创建的图像和公用事业决策网络（EUDN）的合奏为食，这使经常会冲突的事件的影响在实现更自然的控制级别的界面上，从而缓解了界面事件的影响。CNN和EUDN取代了EOG的正常使用的基于特征的眼事件检测方法。最后，一种基于强化的学习驱动方法同时更新了每个奖励结果的多个（状态，动作）对，干预以减轻错误的游戏命令的后果，并可以用作“共享控制”范围的一部分。结果显示，加强学习在改善参与者的游戏表现以及减少其一些主观工作量指标方面的积极影响。
控制系统和电子仪器适用于轮椅活动中的自主权：最新状态
摘要：自动轮椅在仪器和控制方面发展起来，解决了身体残疾人的移动性问题。通过这项工作，旨在建立自动轮椅和原型的仪器和控制方法的背景，以及每个类别中的分类。为此，对2012年至2019年之间发表的文章进行了对专业数据库的搜索。在其中，根据包含和排除标准选择了97个文件。针对这些文章提出了以下类别：（a）轮椅仪器和控制方法，其中有一些系统可以实施微电机力学传感器（MEMS），表面肌电图（SEMG），电视学（EOG），电视学（EOG），电脑术（EEG）和语音认识系统； （b）轮椅仪器，其中包括发现障碍物检测系统，人工视觉（图像和视频）以及导航系统（GPS和GSM）。本综述中发现的结果倾向于使用EEG信号，头部移动，语音命令和算法以避免障碍。最常用的技术涉及使用经典控制和阈值来移动轮椅。此外，讨论主要基于用户的特征和控制类型。总而言之，这些文章在其设计中表现出了现有的局限性和可能的解决方案，并向物理残障社区告知了这一领域的技术发展。
通过使用增强现实眼镜进行跟踪，对个性化假手/外骨骼进行非接触式视觉控制
目前控制电动神经假体的方法是基于测量仍然存在的肌肉的肌电图 (EMG) 信号，或使用脑机或神经机接口概念来评估神经元模式，并从脑阵列、束内神经电极或组合脑电图/眼电图 (EEG/EOG) 设备中获取假体的命令 [1]。这些神经假体概念很有趣并且发展很快，尽管其中一些对用户来说是侵入性的或令人不适的，并且可能并不总是反映用户对智能但尽可能简单的假体的愿望，这些假体可以独立地连接、使用和控制[2]。一些令人鼓舞的非侵入性且低成本的方法已经开发出来，但它们中的大多数仍然需要扩展支持，例如当必须连接非侵入性 EEG/EOG 系统的电极时。在我们的新概念（图 1）中，患者唯一的界面是配备前置摄像头的光学透视眼镜 (OSTG) 的增强现实 (AR) 技术。手假肢可以是任何有源电动手假肢或机械臂。假手上附有标记，可以是（红外）发光二极管 (LED) 或胶点。如果
MI未来移动计划
• Executive Office of the Governor (EOG) • Michigan Office of Future Mobility and Electrification (OFME) • Michigan Council on Future Mobility and Electrification (CFME) • Michigan Department of Labor & Economic Opportunity (LEO) • Michigan Department of Environment, Great Lakes & Energy (EGLE) • Michigan Department of Transportation (MDOT) • Michigan Economic Development Corporation (MEDC) • Michigan Public Service Commission (MPSC) •密歇根州保险和金融服务部（DIFS）•密歇根州财政部•密歇根州警察（MSP）
![arxiv：2310.13754v1 [cs.cv] 2023年10月20日](/simg/6\65fe5305b3dbb8981347189789d6146bf33e9868.webp)
arxiv：2310.13754v1 [cs.cv] 2023年10月20日
多肌术（PSG）在夜间收集生理参数，以分析患者的睡眠。此过程使用脑电图（EEG），电击图（EOG），肌电图（EMG），心电图，脉搏血氧仪，气流和呼吸努力。睡眠分期是从EEG，EOG和EMG电极确定的。额叶，中央和枕脑区域的电活动以及眼睛运动和下巴EMG用于确定睡眠阶段[26]。PSG睡眠评分是专家使用的一种常见方法，可监测人类睡眠的质量和数量以及诊断睡眠失误[17]。此过程涉及分析整个晚上的睡眠，分为30秒的时代，每个时期都归类为一组预定的睡眠阶段。最近的研究使用机器学习进行了自动睡眠评分。Silveira等人的研究。[29]使用随机森林（RF）用离散小波作为特征提取器进行睡眠评分。Hassan等人的方法。[11]根据单个EEG通道对睡眠阶段进行了分类，而[23]之类的研究根据单个EOG通道对它们进行了分类。此外，RF用于一系列与EEG相关的问题，例如早期癫痫发作检测[6]，人类精神状态分类[7]等。[29]之类的方法仅使用EEG通道数据。，但通过[14]提供的进一步分析，在使用各种类型的渠道时，分类性能没有改善。[35]使用RF和LightGBM作为机器学习算法来对睡眠阶段进行分类。考虑到人类自然衰老过程中睡眠中发现的变化，我们旨在分析这些变化如何影响我们的分类模型[16,33,18]，Zhou等人的文章。值得注意的是，他们将年龄作为分类任务中的功能。另一方面，[8,25]这样的论文分析了早期睡眠和晚期睡眠之间的差异，显示出很大的差异。在本文中，我们还试图分析这些变化如何影响训练有素的模型的性能。在这里，我们分析了一个睡眠评分模型，以评估年龄的效果以及早期（早睡，最初4个小时）和晚期（深夜，最后4个小时）睡眠的影响，对古典分类器在Epoch睡眠阶段的性能。为此，我们将小波用作特征提取器和RF作为分类器。结果，我们试图了解不同模型如何最适合每个问题的需求。
