XiaoMi-AI文件搜索系统
World File Search Systemevoked
基于代数拓扑的图像质量感知的神经证据
本文研究了不同质量图像诱发的脑电信号所构成的脑网络的代数拓扑特征，并在此基础上提出了一种神经生理学的图像质量评价方法。该方法通过脑电采集与常规图像评价流程相结合获取质量感知相关的神经信息，通过拓扑数据分析获得不同失真程度图像下的有生理意义的脑部响应。验证实验结果表明，清晰图像与模糊图像诱发的脑电数据代数拓扑特征在多个频带中存在显著差异，尤其是在β频带。此外，JPEG压缩引起的脑网络相变差异更为显著，表明人类对除高斯模糊以外的JPEG压缩更敏感。总的来说，本文研究了扭曲图像诱发的脑电信号的代数拓扑特征，有助于图像质量的神经生理学评估研究。
2023年脑机接口领域发展态势 - 生命科学
国科学技术出版社 , 2019 [2] Farwell LA, Donchin E. Talking off the top of your head: toward a mental prosthesis using event-related brain potentials. Electroencephalogr Clin Neurophysiol, 1988, 70: 510-23 [3] Neuper C, Pfurtscheller G. 134 ERD/ERS based brain computer interface (BCI): effects of motor imagery on senseimotor rhythms. Int J Psychophysiol, 1998, 1: 53-4 [4] McMillan GR, Calhoun G, Middendorf MS, et al. Direct brain interface utilize self-regulation of stable-state visual evoked response (SSVER)[C]. Vancouver: Proc RESNA Ann Conf, 1995 [5] Collinger JL, Wodlinger B, Downey JE, et al. Direct brain interface utilize self-regulation of stable-state visual evoked response (SSVER)[C]. Vancouver: Proc RESNA Ann Conf, 1995 [6] Collinger JL, Wodlinger B, Downey JE, et al.四肢瘫痪患者的高性能神经假体控制。柳叶刀，2013，381:557-64 [6] Ramos-Murguialday A、Broetz D、Rea M 等人。脑机接口在慢性中风康复中的应用：一项对照研究。Ann Neurol，2013，74:100-8 [7] Minev IR、Musienko P、Hirsch A 等人。生物材料。用于长期多模态神经接口的电子硬脑膜。科学，2015，347:159-63 [8] Musk E、Neuralink。一个拥有数千个通道的集成脑机接口平台。J Med Internet Res，2019，21:e16194 [9] Flesher SN、Downey JE、Weiss JM 等人。唤起触觉的脑机接口可改善机械臂控制。Science，2021，372：831-6 [10] Liu D，Xu X，Li D 等。利用局部视觉运动反应进行颅内脑机接口拼写。Neuroimage，2022，258：119363 [11] Willett FR、Avansino DT、Hochberg LR 等。通过手写实现高性能脑机文本通信。Nature，2021，593：249-54 [12] BRAIN 2025：科学愿景[EB/OL]。[2023-12-08]。http://www.braininitiative.nih.gov/pdf/BRAIN2025_508C.pdf [13] 澳大利亚大脑联盟[EB/OL]。[2023-12-06]。 https://ans.org.au/resources/issues/about-the-australian- brain-alliance [14] 解码和控制大脑信息[EB/OL]。[2023-12-06]。https://www.jst.go.jp/presto/bmi/research_ area_E.html [15] IKEGAYA 脑-AI 混合[EB/OL]。[2023-12-06]。https://www.jst.go.jp/erato/en/research_area/ongoing/jpmjer1801.html [16] Jeong SJ, Lee IY, Jun BO, et al. Korea Brain Initiative: emerging issues and Institutionalization of neuroethics.神经元, 2019, 101: 390-3 [17]科技部关于发布科技创新2030——“脑科学与类脑研究”重大项目2021年度项目申报指南的通知[EB/OL]. (2021-09-16)[2023-04-26]。 https://service.most.gov.cn/kjjh_tztg_all/20210916/4583.html [18]北京市人民政府办公厅关于印发《北京市促进未来产业创新发展实施方案》的通知[EB/OL]。 （2023-09-08）。 [2023-12-08]。 https://www.beijing.gov.cn/zhengce/ zhengcefagui/202309/t20230908_3255227.html [19] Brückerhoff-Plückelmann F，Bente I，Becker M，等。
大脑通讯 AIN 通讯
心脑整合动力学对于内感受（即感知身体信号）至关重要。在这项前所未有的纵向研究中，我们评估了接受原位心脏移植的患者和匹配的健康对照者的内感受的神经认知标记。对患者在术前（T1）、数月后（T2）和一年后（T3）进行了纵向评估。我们评估了内感受的行为（心跳检测）和电生理（心跳诱发电位）标记。心跳检测任务显示，患者和对照组在术前（T1）的内感受相似。然而，心脏移植后（T2），患者的表现优于对照组，但在随访分析（T3）中没有观察到这种差异。从神经生理学上讲，虽然心跳诱发电位分析显示手术前（T1）各组之间没有差异，但在移植后两个阶段（T2、T3）发现患者的这种事件相关电位的幅度降低。所有这些显著的影响在与不同的心脏病学测量方法共变后仍然存在。总之，这项研究为脑心通路的适应性特性带来了新的见解。
大脑通信
心 - 脑 - 整合动力学对于互认为至关重要（即身体信号的传感）。在这项前所未有的纵向研究中，我们评估了接受原位心脏移植和匹配健康对照的患者的神经认知标记。在手术前纵向评估患者（T1），几个月后（T2）和（T3）后一年。我们评估了行为的行为（心跳检测）和互感的电生理（心跳诱发潜力）标记。心跳检测任务表明，在患者和对照组之间进行手术前（T1）的间断相似。然而，心脏移植后的对照表现出色（T2），但在后续分析中未观察到这种差异（T3）。从神经生理上讲，尽管心跳引起的潜在分析显示手术前组之间没有差异（T1），但在两个移植后阶段的患者中发现了该事件相关潜力的幅度降低（T2，T3）。与不同心脏病学措施协调后，所有这些显着效应都持续存在。总的来说，这项研究为大脑 - 心途径的适应性带来了新的见解。
相关的大脑反应，但产生价值分离
摘要 最近的数据显示，在基于价值的学习过程中，涉及高阶知识和联想学习的系统之间的相互作用会驱动反应。然而，尚不清楚这些系统如何影响主观反应，例如疼痛。我们测试了指令和逆向学习如何影响疼痛和疼痛引起的大脑激活。健康志愿者（n=40）要么被指导线索和厌恶结果之间的偶然性，要么通过经验在偶然性逆转三次的范式中学习。我们使用功能性磁共振成像测量了预测线索对疼痛和热诱发大脑反应的影响。无论参与者是否收到了偶然性指令，预测线索都会随着偶然性的变化而动态调节疼痛感知。随着偶然性的变化，岛叶、前扣带回和其他区域的热诱发反应会更新，前额叶皮质的反应会介导对疼痛的动态线索效应，而脑干的延髓前腹侧 (RVM) 中的反应则在整个任务过程中受到初始偶然性的塑造。定量建模表明，在指导组中，预期值完全由指令形成，而在未指导组中，预期值则根据基于错误的学习而动态更新。这些差异伴随着前扣带回、丘脑和后岛叶等区域中基于价值的学习的神经关联分离。这些结果显示了预测如何动态影响主观疼痛。此外，成像数据描绘了三种类型的网络，这些网络涉及疼痛的产生和基于价值的学习：对初始偶然事件作出反应的网络、在反馈驱动的学习过程中随着偶然事件的变化而动态更新的网络以及对指令敏感的网络。总之，这些发现为影响疼痛的疗法设计提供了多个切入点。
研究论文 3D 输入卷积神经网络在患者用户脑机接口设计中的 SSVEP 分类
本研究旨在展示三维输入卷积神经网络在基于无线EEG的脑机接口系统中进行稳态视觉诱发电位分类的性能。脑机接口系统的整体性能取决于信息传输速率。信号分类准确率、信号刺激器结构和用户任务完成时间等参数都会影响信息传输速率。在本研究中，我们使用了三种信号分类方法，即一维、二维和三维输入卷积神经网络。根据使用三维输入卷积神经网络的在线实验，我们分别达到了93.75%的平均分类准确率和平均信息传输率58.35 bit/min。这两个结果都明显高于我们在实验中使用的其他方法。此外，使用三维输入卷积神经网络还可以缩短用户任务完成时间。我们提出的方法是一种新颖且最先进的稳态视觉诱发电位分类模型。
一种用于 P300 脑波检测的新型处理模型
事件相关电位 (ERP) 是一种由大脑的敏感性和认知引起的独特大脑活动模式，而 P300 则会引起认知功能的电位变化。由于 P300 波是跨多个大脑通道的认知反应，与特定时期内测量的脑电图 (EEG) 和异常刺激相关，因此需要合适的信号处理应用程序进行解释。此外，神经科学标准下的多步数据处理使得 P300 反射难以通过常用方法进行分析。因此，本研究提出了基于多脑通道 P300 峰值信号检测的脑波应用处理模型。本研究将 64 个通道 ERP 数据集应用于快速傅里叶变换 (FFT) 中的带通滤波器，具有特定的信号处理范围，同时应用 ERP 平均作为特征提取方法。此外，实验元数据通过机器学习方法决策树与滤波后的 P300 峰值信号一起应用于通道分类。实验结果表明，P300诱发电位在不同脑区具有准确的心理反映。
使用 EMOTIV EEG 耳机为 BCI 平台 DIY 混合 SSVEP-P300 LED 刺激
本文讨论了一种完全可定制的板载芯片 (COB) LED 设计，可同时诱发两种大脑反应（稳态视觉诱发电位 (SSVEP) 和瞬态诱发电位 P300）。考虑到脑机接口 (BCI) 中可能的不同模式，SSVEP 被广泛接受，因为它需要的脑电图 (EEG) 电极数量较少且训练时间最短。这项工作的目的是制作一个混合 BCI 硬件平台，以精确诱发 SSVEP 和 P300，同时减少疲劳并提高分类性能。该系统包括四个独立的径向绿色视觉刺激，由 32 位微控制器平台单独控制以诱发 SSVEP，以及四个以随机间隔闪烁以生成 P300 事件的红色 LED。该系统还可以记录可用于分类的 P300 事件时间戳，以提高准确性和可靠性。通过控制乐高机器人向四个方向移动，测试了混合刺激的实时分类准确性。2020 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可证开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
核心训练的最低建议要求
每周。• 获得神经外科服务。• 提供脑电图、肌电图和诱发电位的神经生理学服务。• 每周一次门诊护理，直接负责患者护理。• 获得重症监护病房设施。• 获得神经病理学服务，每月至少进行一次复查。• 获得神经康复服务。• 获得适当的图书馆和教育设施。• 获得相关的国家培训计划
基于SSVEP的BCI中的多频率刺激方法
摘要 — 稳态视觉诱发电位 (SSVEP) 因其众多优点而成为脑机接口 (BCI) 中最广泛使用的模式之一。然而，由于 SSVEP 中谐波的存在和响应频率范围有限，因此很难在不牺牲接口其他方面或对系统施加额外限制的情况下进一步扩大目标数量。本文介绍了一种用于 SSVEP 的新型多频刺激方法，并研究了其有效增加呈现目标数量的潜力。所提出的刺激方法是通过叠加不同频率的刺激信号获得的，具有尺寸效率高、允许单步目标识别、对可用频率范围没有严格限制、适用于自定步调的 BCI，并且不需要特定的光源。除了刺激频率及其谐波之外，诱发的 SSVEP 波形还包括刺激频率的整数线性组合的频率。使用仅以频率和谐波为参考的典型相关分析 (CCA) 解码从九名受试者收集的 SSVEP 的结果也证明了在基于 SSVEP 的 BCI 中使用这种刺激范式的潜力。