XiaoMi-AI文件搜索系统
World File Search Systemevoked
大脑 - 计算机界面基于稳态视觉诱发电势，使用轮椅控制的快速响应代码模式
摘要：大脑 - 计算机界面（BCIS）广泛用于严重身体残疾患者的控制应用中。一些研究人员的目的是开发实用的脑控制轮椅。基于稳态的视觉诱发电势（SSVEP）的现有脑电图（EEG）基于BCI是为了控制设备控制的。这项研究利用了可靠的现有系统的快速响应（QR）代码视觉刺激模式。使用提出的带有四个可振动频率的视觉刺激模式生成四个命令。此外，我们采用了SSVEP特征提取的相对功率谱密度（PSD）方法，并将其与绝对PSD方法进行了比较。我们设计了实验来验证所提出系统的效率。结果表明，所提出的SSVEP方法和算法在实时处理中产生的平均分类精度约为92％。对于通过基于独立的控制模拟的轮椅，提议的BCI控制需要比键盘控制的时间大约五倍以进行实时控制。使用QR码模式的建议的SSVEP方法可用于基于BCI的轮椅控制。然而，由于长期连续控制，它因视觉疲劳而受到影响。我们将在严重的身体残障人士中验证和增强拟议的轮椅控制系统。
机器学习算法引入了诱发潜力，作为扩展的残疾状态量表预后的替代生物标志物
机器学习（ML）见证了医疗领域内的显着意义，这主要是由于与健康相关数据的可用性增加以及ML算法的逐步增强。因此，可以利用ML来制定有助于疾病诊断，预测疾病进展，量身定制治疗以满足个人患者需求并提高医疗保健系统的运营效率的预测模型。及时检测疾病有助于有效的症状管理，并保证提供适当的治疗方法。在多发性硬化症（MS）中，诱发电位（EPS）与扩大的残疾状态量表（EDSS）有很强的相关性，这表明其潜力是残疾进展的可靠预测指标。本研究的目的是应用人工智能（AI）技术来识别与残疾指数（EDSS）评估的MS进展相关的预测因素。必须阐明EP在MS预后中的作用。我们对从125个记录组成的医学数据库获得的经验数据进行了分析。我们的主要目标是构建能够通过应用高级知识挖掘算法来预测EDSS索引的专家AI系统。我们开发了智能系统，可以预测使用ML算法，特别是决策树和神经网络的MS的进展。中，获得的精度分别为88.9％，92.9％和88.2％，可与获得88.2％，96.0％和85.0％精度的MRI相当。可以将EPS确定为MS的预测指标，其功效类似于MRI发现。对于验证EPS是必要的，该EPS明显低于MRI，并且比MRI更便宜，并且更简单，与成像或生化方法同样有效，可作为MS的生物标志物发挥作用。
预测连续theta爆发刺激的神经可塑性效应，来自电动机的生物标志物引起潜在的TMS输入输出曲线
摘要：神经调节的领域缺乏影响可塑性个体差异的预测指标，这些差异会影响对重复的经颅磁刺激（RTMS）的反应。连续的theta爆发刺激（CTB）是一种以其抑制作用而闻名的RTM的形式，显示了个体之间的可变反应，这可能是由于神经可塑性的差异所致。预测单个CTBS效应可以极大地增强其临床和实验效用。本研究探讨了在神经调节之前测量的电动机诱发电位（MEP）输入输出（IO）参数是否可以预测运动皮层对CTB的反应。IO曲线是通过记录在一系列单脉冲TMS强度上的MEP来从健康成年人中取样的，以获得包括MEP Max和S 50（中点强度）在内的参数。后来比较了刺激前后的Moto Cortex及其MEP的相同位置的CTB。MEP Max和S 50都预测了响应，与CTB后10、20和30分钟的个人MEP变化显着相关（P <0.05，R 2> 0.25）。此外，我们介绍并验证了一种易于实现的生物标志物，该标志物不需要全IO曲线的耗时抽样：MEP 130RMT（中位数为10 MEP，在130％RMT）。MEP 130RMT也是CTBS响应的强有力预测指标（P <0.005，r 2> 0.3）。与先前研究的RTMS响应（BDNF多态性）的遗传生物标志物的头对头比较表明，基于IO的预测因子在解释更多响应变异性方面具有出色的性能。关键字：输入输出曲线，CTB，预测变量因此，在CTBS给药之前得出的IO曲线可以可靠地预测CTB诱导的皮质兴奋性变化。这项工作指向RTMS诊断和治疗应用中调整刺激程序的无障碍策略，并可能提高对其他大脑刺激方法的反应率。
任务诱发的杏仁核—前额叶回路的年龄相关变化：采用 4-22 岁加速纵向队列的多元宇宙方法
图 2 杏仁核反应性与年龄相关变化的多元宇宙分析。（a）。恐惧与年龄相关变化的规格曲线 > 基线杏仁核反应性。点表示估计的线性年龄相关变化，线表示相应的 95% 后验区间 (PI)。模型按与年龄相关的变化估计值排序，虚线表示所有规格的中值估计值。颜色表示 beta 估计值的符号以及相应的后验区间是否包含 0（红色 = 不包括 0 的负数；蓝色 = 包括 0 的负数，绿色 = 包括 0 的正数，黑色 = 所有规格的中位数）。（b）。A 中每个模型对应的模型规格信息。y 轴上的变量表示分析选择，相应的颜色标记表示已做出选择，空白处表示在给定的分析中未做出选择。在每个类别面板（杏仁核 ROI、组级模型和参与者级模型）中，决策点按做出相应选择时的中位模型排名从上到下排序（即，每个面板顶部的选择往往具有更负面的与年龄相关的变化估计值）。带有误差线的黑点表示在相应线上指示的做出选择的规范的中位数和 IQR 排名。（c）。参与者级数据和模型预测的与年龄相关的杏仁核反应性变化的示例，包括恐惧 > 基线（绿色）和中性基线（橙色）。数据显示为使用原生空间双侧杏仁核掩模、24 个运动回归器、t 统计量、高通滤波和 FSL 中的参与者级 GLM 的预注册管道。点表示参与者级估计值，浅线连接多次研究访问的参与者的估计值，带有阴影区域的暗线表示模型预测和 95% 后验区间。（d）。一组模型的规格曲线分别参数化参与者内（右）与参与者间（左）的年龄相关变化，包括恐惧 > 基线（绿色）和中性 > 基线（橙色）对比，以及跨规格的中位数（黑色）。请参阅 https://pbloom.shinyapps.io/amygdala_mpfc_multiverse/ 了解交互式可视化
uthvation pugl prellation_sumb_202-rdppicoxb），nddd> ugion）妈妈
AP Action potential BOLD Blood level-dependent EEG Electroencephalography EM Electrical stimulation of the median nerve ERF Event-related field ERP Event-related potential ET Electrical stimulation of the tibial nerve fMRI Functional magnetic resonance imaging fT Femtotesla Fig Figure GMFP Global mean field power ICA Independent component analysis MEG Magnetoencephalography mm Millimeter ms Millisecond MSR Magnetically shield room PM Pneumatic stimulation of the median nerve PSP Post-synaptic potential PT Pneumatic stimulation of the tibial nerve SD Standard deviation SEF Somatosensory evoked field SEP Somatosensory evoked potential SI Primary somatosensory cortex SII Secondary somatosensory cortex SQUID Superconducting quantum interference devices T Tesla
使用诱发干扰深部脑刺激 (eiDBS) 实时控制帕金森病患者的苍白球振荡：该领域的概念验证
需要实时控制基底神经节神经活动的方法来阐明 8-35 Hz（“β 波段”）振荡动力学在帕金森病 (PD) 运动体征表现中的因果作用。在这里，我们表明，由具有精确幅度和时间的电脉冲引起的共振 β 振荡可用于可预测地抑制或放大人类苍白球内节 (GPi) 中的自发 β 波段活动。使用这种称为闭环诱发干扰深部脑刺激 (eiDBS) 的方法，我们可以抑制或放大 PD 患者的频率特定 (16-22 Hz) 神经活动。我们的结果强调了 eiDBS 在表征振荡动力学在 PD 和其他脑部疾病中的作用以及开发个性化神经调节系统方面的实用性。
新型混合视觉刺激将周期性运动融入传统闪烁或模式反转视觉刺激中，用于基于稳态视觉诱发电位的脑机接口
在本研究中，我们提出了一种用于基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的新型混合视觉刺激，该刺激将各种周期性运动融入传统的闪烁刺激 (FS) 或模式反转刺激 (PRS)。此外，我们研究了每种 FS 和 PRS 的最佳周期运动，以增强基于 SSVEP 的 BCI 的性能。通过根据四个不同的时间函数（用无、平方、三角和正弦表示）改变刺激的大小来实现周期性运动，总共产生八种混合视觉刺激。此外，我们开发了滤波器组典型相关分析 (FBCCA) 的扩展版本，这是一种用于基于 SSVEP 的 BCI 的最先进的无需训练分类算法，可提高基于 PRS 的混合视觉刺激的分类准确性。 20 名健康个体参加了基于 SSVEP 的 BCI 实验，以区分四种不同频率的视觉刺激。评估了平均分类准确率和信息传输率 (ITR)，以比较基于 SSVEP 的 BCI 对不同混合视觉刺激的性能。此外，还评估了用户对每种混合视觉刺激的视觉疲劳程度。结果，对于 FS，当除 3 秒外的所有窗口大小都加入正弦波形的周期运动时，报告的性能最高。对于 PRS，方波的周期运动在所有测试窗口大小中显示出最高的分类准确率。两种最佳刺激之间的性能没有观察到显著的统计差异。据报道，正弦波周期运动的 FS 和方波周期运动的 PRS 的平均疲劳分数分别为 5.3 ± 2.05 和 4.05 ± 1.28。因此，我们的结果表明，与传统的 FS 和 PRS 相比，具有正弦波周期运动的 FS 和具有方波周期运动的 PRS 可以有效提高 BCI 性能。
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。
Understanding Consumer Preferences for Movie Trailers from EEG using Machine Learning
Abstract —Neuromarketing aims to understand consumer be- havior using neuroscience. Brain imaging tools such as EEG have been used to better understand consumer behavior that goes beyond self-report measures which can be a more accurate measure to understand how and why consumers prefer choosing one product over another. Previous studies have shown that consumer preferences can be effectively predicted by under- standing changes in evoked responses as captured by EEG. However, understanding ordered preference of choices was not studied earlier. In this study, we try to decipher the evoked responses using EEG while participants were presented with naturalistic stimuli i.e. movie trailers. Using Machine Learning techniques to mine the patterns in EEG signals, we predicted the movie rating with more than above-chance, 72% accuracy. Our research shows that neural correlates can be an effective predictor of consumer choices and can significantly enhance our understanding of consumer behavior. Index Terms —Neuromarketing, EEG, Machine Learning, Dis- crete Wavelet Decomposition
Zhang, Y., Valsecchi, M., Gegenfurtner, KR, Chen, J. (2023)。拉普拉斯参考是稳态视觉诱发电位的最佳选择。JOURNAL OF N
Zhang, Y., Valsecchi, M., Gegenfurtner, KR, Chen, J. (2023)。拉普拉斯参考是稳态视觉诱发电位的最佳选择。JOURNAL OF NEUROPHYSIOLOGY，130(3)，557-568 [10.1152/jn.00469.2022]。