XiaoMi-AI文件搜索系统
World File Search SystemhBCI
迈向紧凑型混合脑机接口 (BCI)
事实证明，通过结合两种不同的 BCI 模态，可以显著提高典型的单模态脑机接口 (BCI) 的性能。这种所谓的“混合 BCI”技术已经研究了几十年；然而，特别是结合脑电图 (EEG) 和功能性近红外光谱 (fNIRS) 的混合 BCI（以下称为 hBCI）尚未在实际环境中得到广泛应用。hBCI 系统不受欢迎的主要原因之一是它们的硬件通常过于笨重和复杂。因此，为了使 hBCI 更具吸引力，有必要实现一个轻量级、紧凑且性能下降最小的 hBCI 系统。在本研究中，我们调查了实现紧凑型 hBCI 系统的可行性，该系统具有明显较少的 EEG 通道和 fNIRS 源检测器 (SD) 对，但可以实现足够高的分类准确率，可用于实际 BCI 应用。当被试执行三个不同的心理任务时，获取 EEG 和 fNIRS 数据，这三个心理任务包括心算、右手运动想象和空闲状态。我们的分析结果表明，使用仅具有两个 EEG 通道和两个 fNIRS SD 对的 hBCI 系统可以对这三种心理状态进行分类，分类准确率高达 77.6 ± 12.1%。
面向基于 POMDP 的混合脑控制......
摘要 — 脑机接口 (BCI) 为大脑和计算机系统之间提供了独特的通信渠道。经过大量研究和在众多应用领域的实施，为确保可靠和快速的数据处理而面临的众多挑战导致了混合 BCI (hBCI) 范式的产生，该范式由两个 BCI 系统的组合组成。然而，并非所有挑战都得到了妥善解决（例如重新校准、空闲状态建模、自适应阈值等），以允许在实验室外实施 hBCI。在本文中，我们回顾了基于脑电图的 hBCI 研究并指出了潜在的局限性。我们提出了一个基于部分可观马尔可夫决策过程 (POMDP) 的顺序决策框架来设计和控制 hBCI 系统。POMDP 框架是处理上述限制的绝佳候选框架。为了说明我们的观点，我们提供了一个使用基于 POMDP 的 hBCI 控制系统的架构示例，并讨论了未来的发展方向。我们相信，该框架将鼓励研究工作提供相关方法来整合来自 BCI 系统的信息，并将 BCI 推向实验室之外。索引术语 —EEG、混合 BCI、POMDP
使用基于混合EEG-FNIRS的BCI系统对人步态进行分析：评论
人类步态是一种复杂的活动，需要中枢神经系统，肢体和肌肉骨骼系统之间的高配位。需要进行更多的研究，以了解后者协调在为步态疾病设计更好，更有效的康复策略方面的复杂性。脑电图（EEG）和功能性近红外光谱（FNIRS）是由于便携性，非侵入性和与其他人相比相对较低的成本，用于监测大脑活动的最常用技术之一。融合脑电图和FNIRS是一种众所周知的既定方法，被证明是根据分类精度，控制命令的数量和响应时间来增强大脑 - 计算机接口（BCI）性能。尽管有显着的研究探索了涉及不同类型的任务和人类活动的脑电图和FNIRS的混合BCI（HBCI），但人体步态仍然不足。在本文中，我们旨在阐明使用基于混合EEG-FNIRS的BCI系统分析人体步态的最新发展。当前的审查遵循了在数据收集和选择阶段期间对系统评价和荟萃分析（PRISMA）的首选报告项目的指南。在这篇综述中，我们特别关注常用的信号处理和机器学习算法，并调查了步态分析的潜在应用。我们提炼了本调查的一些关键发现。首先，应仔细考虑硬件规格和实验范例，因为它们对步态评估质量的直接影响。第二，由于脑电图和fnirs均对运动伪影，仪器和生理噪声敏感，因此寻求更健壮和复杂的信号处理算法。第三，通过融合EEG和FNIRS并与皮质激活相关的杂种时间和空间特征可以帮助更好地识别脑激活与步态之间的相关性。总而言之，与较高的肢体相比，由于其复杂性，HBCI（EEG + FNIRS）系统尚未对下肢进行太多探索。现有用于步态监控的BCI系统往往只关注一种模式。我们预见到在步态分析中采用HBCI具有巨大的潜力。使用基于Hybrid EEG-FNIRS的BCI来控制辅助设备和