XiaoMi-AI文件搜索系统
World File Search Systemevoked
使用日语 50 音表的 SSVEP-BCI
摘要 - 在输入非字母语言的字母时，有两种输入界面：罗马输入或输入语言字母。当输入日文字母时，日文五十字母类型界面比字母界面更有效。在使用 EEG 输入字母的界面中，使用视觉诱发电位之一的稳态视觉诱发电位 (SSVEP) 的界面称为 SSVEP-脑机接口 (BCI)。本研究的目的是设计和评估使用日文五十字母类型的 SSVEP-BCI，它比使用字母表的罗马字母输入更有效。为了处理 SSVEP-BCI 中的 50 种不同输入类型，我们提出了刺激频率设计和显示空间融合和分析算法等方法。特别是，使用显示空间中的位置关系对 SSVEP-BCI 的分析方法包含许多新颖之处。结果，我们实现了 77.10% 的准确率和 75.08 位/分钟的 ITR。这相当于每分钟输入15.42个50字的日文字母。我们还评估了显示空间中输入和输出对象的位置关系。研究表明，由于选择了显示空间中水平相邻的对象，因此存在许多误判。
![arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日](/simg/g:\will\search\icon\source\a\aa25a206e2350e95792d60cffc94ef86d9a7bc51.webp)
arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日
摘要：视觉分类的新视角旨在从人类大脑活动中解码视觉对象的特征表示。从大脑皮层记录脑电图（EEG）已被视为了解图像分类任务的认知过程的常用方法。在本研究中，我们提出了一个由视觉诱发电位引导的深度学习框架，称为事件相关电位（ERP）-长短期记忆（LSTM）框架，由EEG信号提取用于视觉分类。具体而言，我们首先从多个EEG通道中提取ERP序列以响应与图像刺激相关的信息。然后，我们训练一个LSTM网络来学习视觉对象的特征表示空间以进行分类。在实验中，10名受试者从包含6个类别的图像数据集中记录了超过50,000次EEG试验，总共包括72个样例。我们的结果表明，我们提出的 ERP-LSTM 框架可以分别实现类别（6 类）和样本（72 类）的跨对象分类准确率 66.81% 和 27.08%。我们的结果优于使用现有的视觉分类框架，分类准确率提高了 12.62% - 53.99%。我们的研究结果表明，从 EEG 信号中解码视觉诱发电位是学习用于视觉分类的判别性大脑表征的有效策略。
基于生物信号的脑机接口的最新进展回顾......
摘要 — 脑控车辆 (BCV) 是一种已成熟的技术，通常专为残疾患者设计。本综述重点介绍与脑控车辆最相关的主题，特别是考虑使用生物信号（如脑电图 (EEG)、眼电图和肌电图）控制的地面 BCV（例如，移动汽车、汽车模拟器、真实汽车、图形和游戏汽车）和空中 BCV（也称为 BCAV）（例如，真实四轴飞行器、无人机、固定翼、图形直升机和飞机）。例如，基于 EEG 的算法从大脑的运动想象皮层区域检测模式以进行意图检测，例如事件相关去同步\事件相关同步、状态视觉诱发电位、P300 和生成的局部诱发电位模式。我们已经确定，报告的最佳方法采用机器学习和人工智能优化方法，即支持向量机、神经网络、线性判别分析、k-最近邻、k-均值、水滴优化和混沌拔河优化。我们考虑了以下指标来分析不同方法的效率：生物信号的类型和组合、时间响应和准确度值与统计分析。本研究对过去十年的主要发现进行了广泛的文献综述，指出了该领域的未来前景。
儿童和青少年的运动脑震荡
• 结构成像 – CT、MRI、扩散张量成像 • 功能成像 – 更多用于研究 – fMRI、PET、脑 SPECT • 光谱学：磁共振光谱 (MRS)、近红外光谱 (NIRS) • 平衡测试 – BESS、感觉组织测试 (SOT)、步态测试、虚拟现实 • 电生理测试 – EEG、诱发电位 (EK)、事件相关电位 (ERP)、脑磁图 (MEG)、心率变异性 – 遗传学：APoE4、通道病 • 血液标志物：S100、神经元特异性烯醇化酶、裂解 – Tau 蛋白、谷氨酸
脑磁图视觉映射
自 20 世纪 90 年代末以来，视觉诱发场 (VEF) 已在临床实践中得到可靠应用。这是定制枕叶皮质手术切除术的标准临床工具。1 2011 年，美国临床脑磁图学会 (ACMEGS) 发布了临床实践指南 (CPG)，详细介绍了自发性脑活动分析、使用诱发场进行术前功能性脑映射、脑磁图 (MEG) 报告以及 MEG 人员的资质。 2 – 5 最近，ACMEGS 发表了第二份立场声明，详细说明了 MEG 作为一种非侵入性诊断工具在术前映射功能皮质中的价值，并支持“在对准备手术的可手术病变患者进行术前评估时，MEG 可常规临床用于获取有关功能皮质（体感、运动、视觉、听觉和语言）的非侵入性定位或侧向信息。” 6 尽管映射功能皮质的“黄金标准”是通过直接皮质刺激，但 MEG 作为一种非侵入性诊断工具已证实其在识别这些区域方面的有效性。1 – 3,6 本文将重点介绍 MEG 在定位功能视觉皮层中的实用性。本文将首先概述 VEF 在临床实践中的当前临床作用。然后，将回顾 2011 年 ACMEGS CPG 发布后的最新研究和临床发展。最后，
大脑基础解释了金融数字化的采用和程度的差异
本研究分析了与信任和风险相关的神经反应，以解释金融数字化决策。结果表明，大脑反应明显地表明了数字金融渠道采用的差异，而其他社会人口或行为指标则没有显示出这种差异。从方法论的角度来看，该研究探讨了数字金融渠道和工具的使用模式是否与心理和生物指标有关；它使用功能性磁共振成像 (fMRI) 来研究金融数字化决策是否与通过数字化和非数字化渠道进行的金融交易视频图像引起的大脑安全性反应有关；它进行了信任和风险神经实验，以确定它们对金融数字化决策的影响，并分析了大脑结构是否与金融数字化行为有关。研究结果表明，高频和低频用户的大脑功能以及体积和各向异性分数值存在差异。使用金融数字金融服务的频率越高，与不安全感相关的大脑激活程度就越高（视频任务期间的安全神经诱发反应越低，扣带回的白质微结构发生改变）。此外，数字金融渠道的高频用户在信任博弈中表现出与情绪处理相关的大脑区域的激活增强。这些发现对于设计通过技术增强金融包容性的公共政策以及私人金融机构的细分和服务分销策略具有重要意义。
利用双峰 SSMVEP 提高 BCI 性能
稳态视觉诱发电位 (SSVEP) 是一种广泛使用的脑机接口 (BCI) 范式，因其多目标能力和有限的脑电图电极要求而受到重视。传统的 SSVEP 方法经常因闪烁的光刺激而导致视觉疲劳和识别准确率下降。为了解决这些问题，我们开发了一种创新的稳态运动视觉诱发电位 (SSMVEP) 范式，该范式融合了运动和颜色刺激，专为增强现实 (AR) 眼镜设计。我们的研究旨在增强 SSMVEP 反应强度并减轻视觉疲劳。实验在受控的实验室条件下进行。使用 EEGNet 的深度学习算法和快速傅里叶变换 (FFT) 分析脑电数据，以计算分类准确率并评估反应强度。实验结果表明，双模态运动-颜色融合范式显著优于单模态SSMVEP范式和单色SSVEP范式，在中等亮度（M）和C=0.6的面积比下，准确率最高可达83.81%±6.52%。客观测量和主观报告均证实了双模态运动-颜色融合范式的信噪比（SNR）有所提高，视觉疲劳有所减轻。研究结果验证了双模态运动-颜色融合范式在基于SSVEP的脑机接口（BCI）中的应用前景，能够同时提升脑部反应强度和用户舒适度。
Beta带振荡的神经发育轨迹
图3：随着年龄的增长：（a）脑图通过左运动皮层显示切片，并在标准大脑上覆盖了β调制（蓝色/绿色）的伪-T统计图。为每个亚组指示峰值MNI坐标。时间频谱图显示了神经振荡振幅的调节（光谱幅度的分数变化相对于2.5-3 s窗口中测得的基线）。垂直线表示第一个盲文刺激的时间。在所有情况下，从峰值beta denngonisation（在左感觉运动皮层）的位置中提取结果。请注意刺激过程中明显的β幅度降低。插图线图显示了4-40 Hz试验平均的相锁诱发响应，预期的突出偏转在20和50 ms左右。 （b）绘制的beta波段振幅（0.3-0.8 s窗口与1-1.5 s窗口）的最大差异绘制为年龄的函数（即，每个数据点显示了一个不同的参与者；三角形代表孩子，圈子代表成人）。注意显着相关（𝑅2= 0.29，𝑝= 0.00004 *）。（c）绘制的诱发响应的P50分量的幅度绘制为年龄。没有显着相关性（𝑅2= 0.04，𝑝= 0.14）。这里的所有数据都与食指刺激有关；相似的结果可用于补充信息第1节中的小指刺激。
脑电图在大脑和行为研究方面的百年应用
脑电图 (EEG) 是一种非侵入性神经成像技术，用于通过放置在头皮上的电极记录大脑的电活动。记录的信号，即脑电图（缩写为 EEG），是皮质神经元群（沿皮质柱排列的锥体细胞）中同步突触活动的产物。每个电极位置的电压波动反映了活动电极和参考电极之间的差分测量值，该差分测量值被放大并记录为 EEG 轨迹。这些电变化可以以高时间分辨率捕获，从而为了解亚毫秒范围内大脑活动的时间过程提供了一个窗口。EEG 在临床环境中被证明特别有用，因为某些异常的大脑功能病例会引起相对一致的 EEG 模式，这些模式可以被检测到。定量 EEG (qEEG) 促进了此类应用，定量 EEG 是应用数学技术提取 EEG 轨迹的数值特征以支持信号解释。 EEG 轨迹是癫痫的典型测试，可用于识别睡眠问题、确定大脑是活着还是死亡，或探测某些意识障碍。视觉诱发电位已用于诊断多发性硬化症（一种导致脱髓鞘的疾病），听觉诱发电位可检测新生儿的听力异常。通过将信号锁定在响应或外部刺激上并对多次试验的信号取平均值，可以提取与引起它的感觉、运动或认知事件特定相关的神经活动。这种技术经常用于监测整个发育过程中的大脑成熟度、精神疾病以及检查行为和药物治疗后的神经变化的研究。在学术研究中，EEG 通过对信号取平均值以及最近的单次试验分析，已被广泛用于探索与认知处理相关的基本问题，包括注意力、情绪、记忆和决策的研究。由于便携性和低成本，EEG 越来越多地用于现实环境、社区和其他神经成像工具过于昂贵或后勤不切实际的环境。利用 EEG 的商业应用也在不断增加，使大脑监测可供公众使用。它与人工智能、虚拟和增强现实等其他技术的结合，为与数字和物理世界的互动创造了新的可能性。脑机接口 (BCI) 的进展表明，EEG 可用于控制假肢和通信设备、提供神经反馈训练和促进身体康复。