XiaoMi-AI文件搜索系统
World File Search Systemerps
从完整校准到代码调制的视觉诱发电位的零培训 - 脑电脑接口Thielen，J。； Marsman，J.P。； Farquhar，J
抽象目标。通常，由于单个特质和脑电图的非平稳信号属性（EEG），使用用户和会话特异性数据对脑委员会接口（BCI）进行校准。因此，BCIS经历耗时的被动训练阶段是正常的，以防止用户直接操作它们。在这项研究中，我们以逐步的方式系统地减少训练数据集，以最终达到一种无校准的方法，用于代码调制的视觉诱发电位（CVEP）基于BCI，以完全消除繁琐的训练阶段。方法。在广泛的离线分析中，我们将复杂的编码模型与传统的事件相关电位（ERP）技术进行了比较。我们以标准方式校准编码模型，数据仅限于单个类，同时概括所有其他数据，而没有任何数据。此外，我们研究了在线环境中零培训CVEP BCI的可行性。主要结果。通过采用编码模型，可以大大减少培训数据，同时保持分类性能以及ERP方法的解释差异。只有一个类别的数据，甚至根本没有数据，它仍然显示出出色的性能。此外，零训练CVEP BCI在在线拼写任务中达到了高通信率，证明了其可行性用于实际使用。意义。这使我们能够完全跳过训练阶段，并将所有宝贵的时间用于直接操作。迄今为止，这是该场中最快的零训练CVEP BCI，仅使用几个非侵入性水基EEG电极而无需校准而无需校准。这可以最大程度地减少会话时间，并为实用的插件BCI打开了新的令人兴奋的方向。从根本上讲，这些结果验证了所采用的神经编码模型将数据压缩到事件响应中，而没有解释能力的损失与使用完整的ERP作为模板相比。
amlap 2024时间表
9月4日星期三9月19日星期三 - 21:00欢迎接待，信息学论坛，Crichton Street，EH8 9AB，9月5日，星期四，9月5日，星期四，注册和欢迎咖啡08：45-09：00开放09:00-09：00-09：00-09：45 Keynote 1：Liina Pyla pylkkanen语言：我们的临时订购：我们的临时订购：输入？09:45 - 10:25 Session 1 - Comprehenders use consecutive cues to update prediction incrementally: Evidence from eye-tracking and ERPs [Kayla Keyue Chen, Fan Xia, Suiping Wang, Wing-Yee Chow] - Metaphor processing between images and propositions: an EEG study [Federico Frau, Paolo Canal, Maddalena Bressler, Chiara Pompei, Valentina Bambini] 10：25-11：40咖啡和星期四早晨的海报11：40-13：00会议2-视觉系统可以识别遮盖的词素吗？来自他加禄语预固定的行为和MEG证据[Dave Kenneth Cayado，Samantha Wray，Marco Chia -ho Lai，Adam Chong，Linnaea Stockall] - 使用鼠标跟踪（MOTR）来调查协议的处理（Metehanoğuz，cui fiential fiential fiention for）吸引力：希伯来语中虚幻特征连词的证据[Mandy Cartner，Maayan Keshev，Stav Lipitz，Brian Dillon，Aya Meltzer- Asscher] - 语义与协议：是什么决定了对德国括号范式的解释？来自他加禄语预固定的行为和MEG证据[Dave Kenneth Cayado，Samantha Wray，Marco Chia -ho Lai，Adam Chong，Linnaea Stockall] - 使用鼠标跟踪（MOTR）来调查协议的处理（Metehanoğuz，cui fiential fiential fiention for）吸引力：希伯来语中虚幻特征连词的证据[Mandy Cartner，Maayan Keshev，Stav Lipitz，Brian Dillon，Aya Meltzer- Asscher] - 语义与协议：是什么决定了对德国括号范式的解释？[Anna Prysłopska, Titus von der Malsburg] 13:00 - 14:30 Lunch on your own 14:30 - 15:50 Session 3 - Priming motion event constructions within and across languages in heritage speakers [Ioli Baroncini, Anna Michelotti, Helen Engemann] - Frequent exposure to linguistic features affects constructional biases [Michelle Perdomo, Duane Watson] - To share or不分享：这是P共享问题[Austin Keen，Masaya Yoshida] - 精神词典中如何存储单词？A pupillometry study [Camilo R. Ronderos, Henriette Johansen, Ingrid Lossius Falkum] 15:50 - 17:10 Coffee & Thursday Afternoon Posters 17:10 - 17:50 Session 4 - On the relation between consciousness presentation and exempt reflexives [Christy Junyuan Gu, Hannah Rohde, Patrick Sturt] - fEMG as a window into conversational commitments [Harriet Yates，Peter de Swart，Bob Van Tiel，Corien Bary]
MOCNN：一种用于
摘要 事件相关电位（ERP）反映了大脑对外部事件作出反应的神经生理变化，其背后的复杂时空特征信息受大脑内持续的振荡活动支配。深度学习方法以其出色的特征表示能力越来越多地被用于基于ERP的脑机接口（BCI），可以深入分析大脑内的振荡活动。时空频率较高的特征通常表示详细和局部的信息，而时空频率较低的特征通常表示全局结构。从多个时空频率中挖掘脑电特征有利于获得更多的判别性信息。本文提出了一种多尺度特征融合八度卷积神经网络（MOCNN）。MOCNN将ERP信号分为对应于不同分辨率的高频、中频和低频分量，并在不同的分支中进行处理。通过添加中频和低频分量，可以丰富MOCNN使用的特征信息，并减少所需的计算量。 MOCNN 在使用时间和空间卷积进行连续特征映射后，通过分支间特征信息交换实现不同组件间的交互式学习。将融合的深度时空特征从各个组件输入到全连接层，实现分类。在两个公共数据集和一个自采集的 ERP 数据集上获得的结果表明，MOCNN 可以实现最佳的 ERP 分类性能。本研究将广义的八度卷积概念引入到 ERP-BCI 研究领域，通过分支宽度优化和各个尺度上的信息交互，可以从多尺度网络中提取有效的时空特征。索引词——脑机接口、事件相关电位、深度学习、多尺度、八度卷积神经网络。
脑电图的动态概率积分...
脑机接口 (BCI) 分析个体与设备或外部环境直接交互的意图 (Wolpaw 等，2000)。个体的意图可以通过脑电图 (EEG) 来解码，脑电图由于其高时间分辨率、可靠性、可负担性和便携性而成为一种成熟的非侵入式技术。目前，由于机器学习和深度学习方法的发展，BCI 已经在辅助和临床领域得到应用。快速串行视觉呈现 (RSVP) 是在同一空间位置以每秒多张图像的高呈现速率顺序显示图像的过程。基于 RSVP 的脑机接口 (BCI) 是一种特殊类型的 BCI 系统 (Marathe 等，2016；Wu 等，2018)。它被证明是一种增强人机共生和人类潜能的可实现方法 (Manor 等，2016)。基于RSVP的BCI是基于人类视觉进行目标检测最常用的技术，其中使用的事件相关电位（ERP）是P300和N200（Wei等，2022）。人类视觉系统是一种非常复杂的信息处理机器。人类具有很强的学习、认知能力和敏感性，可以一眼就识别物体（Sajda等，2010）。因此，基于RSVP的BCI可以利用人类视觉的灵活性获得对环境的快速感知。当前的研究主要集中在提出适用于基于RSVP的BCI的更可靠、更有效的特征提取算法。由于其非平稳性和低信噪比（SNR），在RSVP任务中很难区分目标和非目标刺激。Sajda等人。 （2010 年）开发了一种分层判别成分分析（HDCA）算法，该算法采用 Fisher 线性判别（FLD）来计算空间域中的权重
评估ERN和FRN鲁棒性对跨课程可变性
简介：大脑计算机界面（BCI）是允许用户明确或隐式与计算机相互作用的设备（Clerc等，2016）。许多BCI是基于脑电图（EEG）的，在神经基础学中，BCI可用于检测用户的心理状态。然而，基于脑电图的精神状态估计管道仍未达到具有信号非平稳性的理想分类率，包括跨课程可变性（Saha＆Baumert，2020）。因此，提出了使用与EEG提取的错误相关电位（ERRP）通过一种反馈回路来帮助改善BCI算法的（Chavarriaga等，2014）。事件相关电位（ERP）已显示出比光谱特征更强大的时间效应（Roy等，2016），并且误差势（ERRP）也可能证明是如此。这些错误的形状为两个额中央ERP：错误委员会和反馈相关的消极情绪的与错误相关的负面关系（ERN）（FRN，又称奖励积极性-REWP）用于负反馈观察。阳性顶部成分伴随着这些峰：分别是误差阳性（PE）和P300（Chavarriaga等，2014）。这些潜力也通过观察出人意料和/或错误的系统作用引起（Somon等，2018）。Chavarrigia和Millán（2010）开始研究ERN和FRN的稳定性，并表明它们会随着时间的流逝而保持稳定。但是，没有研究某些因素。这项研究的初步结果打算通过两种方式扩展这些结果：首先，我们评估了在三个单独的课程中呈现ERN和FRN对ERN和FRN的一致性的影响，相隔一周；然后，我们观察到执行和反馈相关的错误随着时间的推移的稳定性。
思维流浪影响复杂的多模式环境中的脑电图
思维徘徊的现象（MW）是与内部定向认知有关的经验家族，严重影响了警惕性的演变。尤其是，在远程运营中的人类在需要手动控制之前，在必要的情况下进行部分自动化的频率监测，可能会看到由于内部来源引起的注意力漂移；因此，它可能在越野（OOTL）情况和相关性能问题的出现中发挥重要作用。要遵循，量化和减轻这种现象，脑电图（EEG）系统已经显示出强大的结果。由于MW创造了注意力脱钩，因此ERP和脑振荡都受到影响。但是，在复杂环境中影响这些标记的因素仍然尚未完全理解。在本文中，我们指定地解决了注意力脱钩的逐渐出现的可能性以及用于传达目标的感觉方式所产生的差异。有18名参与者被要求（1）监督执行障碍物避免任务（视觉任务）的自动无人机，以及（2）尽可能快地响应不常见的哔哔声（听觉任务）。我们通过脑电图测量了与事件相关的电位和α波。我们还添加了40 Hz振幅调制的棕色噪声，以引起稳态听觉响应（ASSR）。报告说，MW发作是在与任务相关和与任务无关的情节之间分类的。我们发现，在任务无关的MW期间，蜂鸣率引起的N1 ERP组件的振幅较低，而与其他注意力状态相比，在任务相关的MW中，P3组件在与任务相关的MW期间的振幅较高。我们讨论解释原因的可能原因。专注于甲状腺枕骨区域，与其他人相比，任务无关的MW期间α波活动更高。这些结果支持与任务无关的MW但不与任务相关的MW的解耦假设，从而强调了取决于MW发作的“深度”的可能变化。最后，我们发现注意状态对ASSR振幅没有影响。结果强调了脑电图在模仿生态环境的实验室任务中跟踪和研究MW的能力，以及感知脱钩对操作员行为，尤其是脑电图测量的复杂影响。
楼宇紧急应变计划 - P-12
创建和上传楼层平面图和区域地图的提示 教育法 2801-a 和专员条例 155.17 要求每所学校的建筑级应急响应计划 (ERP) 包括楼层平面图、蓝图、示意图或其他学校内部地图、校园地图和周边区域的道路地图。因此，通过纽约州教育部商业门户以电子方式收集 ERP 要求学校领导将建筑级楼层平面图和区域地图上传为 .pdf 文档。以下提供了有关楼层平面图和区域地图的最佳实践的信息。当紧急情况发生时，应急工作人员对事件的快速反应至关重要。我们希望这些信息能帮助学校人员制定和提交楼层平面图和区域地图，以便在事件发生期间帮助指导应急响应人员。 文件命名约定 对于楼层平面图和区域地图，请提交一个 .pdf 文档，并标明文档内容和学校名称。例如“ South Avenue School_AreaMap_2021- 22.pdf ”或“ South Avenue School_FloorPlan_2021-22.pdf ”。如果您要上传多个文件，请对每个文件使用相同的命名约定，但要对每个文件进行编号（ South Avenue School_FloorPlan_2021-22_file1.pdf ）。最大文件大小为 5 MB；仅接受 .pdf 文件。 制定平面图 我们鼓励学校与当地急救人员合作使用此提示表来制定清晰、易用且任何应对紧急情况的人都易于理解的平面图。使用建筑蓝图以及通用符号和清晰的标签将确保急救人员能够快速移动到建筑物的任何部分，确定替代出口，并在紧急情况下有效地将学生转移到安全地带。以下是示例平面图，它代表了必须包含在学校平面图中作为建筑级应急响应计划的一部分的信息。请注意确保图像包含建筑物的准确俯视图，并且图像不会在您提交的平面图或区域地图上“翻转”或“镜像”。
使用迭代学习控制加速基于 P300 的神经反馈训练以增强注意力：一项随机对照试验
摘要 目的：通过脑机接口进行的神经反馈 (NFB) 训练已被证明可有效治疗神经系统缺陷和疾病，并提高健康个体的认知能力。之前的研究显示，使用 P300 拼写器的基于事件相关电位 (ERP) 的 NFB 训练可以通过逐步增加拼写任务的难度来提高健康成年人的注意力。本研究旨在评估任务难度适应对健康成人基于 ERP 的注意力训练的影响。为此，我们引入了一种采用迭代学习控制 (ILC) 的新型适应方法，并将其与现有方法和具有随机任务难度变化的对照组进行比较。方法：该研究涉及 45 名健康参与者，为一项单盲、三组随机对照试验。每组接受一次 NFB 训练，使用不同的方法来调整 P300 拼写任务中的任务难度：两组采用个性化难度调整（我们提出的 ILC 和现有方法），一组采用随机难度。我们使用视觉空间注意任务在训练课程之前和之后评估认知表现，并通过问卷收集参与者的反馈。主要结果。所有组在训练后的空间注意任务中都表现出显著的表现提高，平均增加了 12.63%。值得注意的是，使用所提出的迭代学习控制器的组在训练期间实现了 P300 幅度增加 22%，训练后 alpha 功率降低 17%，同时与其他组相比显著加快了训练过程。意义。我们的结果表明，使用 P300 拼写器的基于 ERP 的 NFB 训练可有效增强健康成年人的注意力，一次课程后即可观察到显著的改善。使用 ILC 的个性化任务难度调整不仅可以加速训练，还可以增强训练期间的 ERP。加速 NFB 训练，同时保持其有效性，对于最终用户和临床医生的接受度至关重要。
补充信息
在训练前后的离线脑电图期间，使用多通道脑电图放大器 (BrainAmp DC, Brain Products) 记录和放大脑活动，该放大器带有 63 个被动 Ag/AgCl 电极 (EasyCap)，在线训练期间则带有 31 个被动电极。通道按照 10-20 系统放置，参考鼻子，并在通道 AFz 接地。采样率为 1 kHz。阻抗始终保持在 20 k Ω 以下。使用右眼下方的电极通过眼电图记录眼部信号。使用三阶 Chebyshev II 型滤波器将数据带通滤波至 [0.5, 8] Hz 进行分类，并使用 [0.5, 12] Hz 进行平均 ERP 时期的可视化，然后将其下采样至 100 Hz。为了提取 ERP，EEG 信号在刺激开始时的 -200 毫秒和 1200 毫秒之间进行。在 [-200, 50] 毫秒的间隔内对数据段进行了基线校正。作为分类特征，在相对于刺激开始的十个间隔 [80, 150; 151, 210; 211, 280; 271, 350; 351, 440; 450, 560; 561, 700; 701, 850; 851, 1000; 1001, 1200] 毫秒内提取平均振幅。对于在线会话，这导致每个刺激时期产生 310 维特征向量（31 个通道）。在离线会话中，我们使用相同的预处理和特征提取程序获得了 630 维特征向量，但通道数为 63 个而不是 31 个。在在线会话期间，只要收集的分类器输出的单侧 Welch t 检验表明目标词和最佳非目标词之间存在显著差异，就可以在呈现至少 42 个单词后触发所谓的动态停止策略 (Schreuder 等人，2013)。显著性水平设置为 0.05，实验者可以进一步降低，作为一种可能性，以随着时间的推移调整整体任务难度。
基于视觉平滑过滤器对精神分裂症分类的影响
摘要 - 在事件相关的电位（ERP）信号分类中，在特定时间范围内识别相关的局部峰对于特征提取和随后的分类任务至关重要，尤其是在有关精神分裂症等精神疾病的研究中。但是，精神分裂症研究中的ERP数据通常包含许多对分类过程贡献的小峰。因此，至关重要的是，仅辨别和保留为改进分类结果传达特定特征的显着峰值。最近，基于高档和降尺度表示（UDR）技术的基于视觉的平滑算法已经证明了其在保留突出峰的特征时的有效性，同时从信号波形中滤除了非平衡峰。在UDR的操作下，输入信号在图像域中可视化。输入形状受到稀疏算法的影响，并将所得骨骼投射回信号域。此过程类似于神经科医生对信号的目视检查，在该信号中标记了突出的峰，而无关的峰被忽略了特征提取。这项研究将UDR应用于两个精神分裂症和匹配对照患者中记录的ERP的数据集，以评估其在信号分类中的有效性。此外，当使用较少的ERP通道时，我们分析了UDR对分类准确性的影响。我们使用多个分类器测试了这些效果。索引项 - 与事件相关电位（ERP），精神分裂症，平滑过滤器，信号处理，UDR，高档和下限表示实验结果表明，当在所有通道上应用UDR时，EEGNET表现出最显着的增强，精度增加了2.55％。此外，当信号时期的数量减半时，UDR在7个模型中有4个促进了增强，浅孔convnet的提高最高2.4％。值得注意的是，在仅FZ，CZ和PZ电极位置的信号形成的子数据集中使用UDR时，可以在更多模型上观察到精度增强。这些发现强调了UDR在增强精神分裂症分类准确性方面的有希望的潜力，尤其是应用于关注关键通道的数据集时。