XiaoMi-AI文件搜索系统
World File Search Systemmotor
使用脑电图进行脑机接口手假肢感觉运动控制的运动预测
摘要 在本研究中，我们介绍了一种市售肌电假肢（Myobock ©，奥托博克）的改进版本，旨在为该设备提供基于脑机接口 BMI 的感觉运动控制。新系统使用用户的脑电图 (EEG) 信号以及手镯产生的振动作为输入，手镯包含振动马达，其频率与安装在假指尖的力敏电阻 (FSR) 测量的力成正比。在对七名健全人和四名截肢受试者进行实验期间，三种不同特征提取方法 (CSP、WD、GSO) 的四种组合已用于构建由两种具有不同电极数量的不同记录系统收集的 EEG 信号的特征向量。然后测试了三种机器学习算法（人工神经网络、具有线性和径向基函数核的支持向量机）的分类/预测性能。报告的结果为使用无线 BMI 来控制肌电假肢的主要运动类型提供了概念证明，即使用电极较少的 EEG 系统而不是研究级系统。
涉及感觉运动控制的多任务处理过程中的错误相关电位：脑机接口的 ERP 和离线解码研究
人类通过感知和应对错误来实现高效的行为。错误相关电位 (ErrP) 是在感知错误时发生的电生理反应。有人提出利用 ErrP 来提高脑机接口 (BCI) 的准确性，利用大脑的自然错误检测过程来提高系统性能。然而，外部和环境因素对 ErrP 可检测性的影响仍然不太清楚，特别是在涉及 BCI 操作和感觉运动控制的多任务场景中。在此，我们假设感觉运动控制的困难会导致多任务处理中的神经资源分散，从而导致 ErrP 特征的减少。为了检验这一点，我们进行了一项实验，其中指示参与者将球保持在板上的指定区域内，同时尝试通过运动想象控制显示屏上的光标。BCI 以 30% 的随机概率提供错误反馈。根据感觉运动控制的难度，我们采用了三种场景——无球（单任务）、轻量球（简单任务）和重量球（困难任务）——来描述 ErrP。此外，为了研究多任务对 ErrP-BCI 性能的影响，我们离线分析了单次试验分类准确度。与我们的假设相反，改变感觉运动控制的难度不会导致 ErrP 特征发生显著变化。然而，多任务会显著影响 ErrP 分类准确度。事后分析显示，在单任务 ErrP 上训练的分类器在困难任务场景下准确度降低。据我们所知，这项研究是首次在离线框架内研究在涉及感觉运动控制和 BCI 操作的多任务环境中 ErrP 是如何被调节的。尽管 ErrP 特征保持不变，但观察到的准确度变化表明，在实现基于 ErrP 的实时 BCI 之前，需要设计考虑任务负荷的分类器。
“具身”语言处理：心理运动意象能力可以预测青少年对高意象性词语的定义能力，但不能预测低意象性词语的定义能力
图 2. Frak 等人（2001 年）使用的实验范例说明。上图为显性动作，参与者被要求用拇指和食指抓住一个装满水的圆柱形容器，将水倒入容器中。下图为隐性动作。左图：计算机显示器上容器（即圆盘）的示意图。圆盘上的两条小线表示在想象动作期间食指和拇指应放置的位置。右图：操纵对立轴从 -22° 到 +56°。
包含用户个人资料信息的大型脑电图数据库，用于运动想象脑机接口研究
我们展示并分享了一个大型数据库，其中包含来自 87 名人类参与者的脑电信号，这些信号是在一天的脑机接口 (BCI) 实验中收集的，分为 3 个数据集 (A、B 和 C)，所有数据集均使用相同的协议记录：右手和左手运动想象 (MI)。每个会话包含 240 次试验（每个类别 120 次），代表超过 20,800 次试验，或大约 70 小时的记录时间。它包括相关 BCI 用户的表现、有关人口统计、个性特征以及一些认知特征的详细信息以及实验说明和代码（在开源平台 OpenViBE 中执行）。这样的数据库可用于各种研究，包括但不限于：(1) 研究 BCI 用户的个人资料与其 BCI 表现之间的关系，(2) 研究 EEG 信号属性如何因不同用户的个人资料和 MI 任务而变化，(3) 使用大量参与者设计跨用户 BCI 机器学习算法或 (4) 将用户的个人资料信息纳入 EEG 信号分类算法的设计中。
基于 CoolGaN™ 晶体管的 FOC 电机驱动评估板
英飞凌科技提供的评估板和参考板的设计考虑了环境条件。英飞凌科技仅按照本文档所述对评估板和参考板的设计进行了测试。该设计在整个工作温度范围或使用寿命内的安全要求、制造和操作方面均不合格。英飞凌科技提供的评估板和参考板仅在典型负载条件下进行功能测试。评估板和参考板不受与常规产品相同的退货材料分析 (RMA)、工艺变更通知 (PCN) 和产品停产 (PD) 程序的约束。评估板和参考板不是商业化产品，仅用于评估和测试目的。特别是，它们不得用于可靠性测试或生产。因此，评估板和参考板可能不符合 CE 或类似标准（包括但不限于 EMC 指令 2004/EC/108 和 EMC 法案），并且可能不符合客户所在国家/地区的其他要求。客户应确保所有评估板和参考板的处理方式均符合其所在国家的相关要求和标准。评估板和参考板以及本文件中提供的信息仅供合格且熟练的技术人员用于实验室使用，并应根据本文件和相应评估板或参考板随附的其他相关文档中规定的条款和条件使用和管理。客户的技术部门有责任评估评估板和参考板是否适合预期应用，并评估本文件中提供的与此类应用相关的信息的完整性和正确性。客户有义务确保评估板和参考板的使用不会对人身或第三方财产造成任何损害。评估板和参考板以及本文档中的任何信息均按“原样”提供，英飞凌科技不提供任何明示或暗示的保证，包括但不限于不侵犯第三方权利的保证和适用于任何目的或适销性的暗示保证。英飞凌科技对因使用评估板和参考板和/或本文档中提供的任何信息而造成的任何损害概不负责。客户有义务辩护，赔偿并保护英飞凌科技免受因使用本文档而产生或导致的任何索赔或损害。英飞凌科技保留随时修改本文档和/或本文提供的任何信息的权利，恕不另行通知。
AMEEGNet：基于注意力机制的多尺度 EEGNet，用于有效运动想象 EEG 解码
近年来，基于运动想象 (MI) 的脑电图 (EEG) 在脑机接口 (BCI) 技术中得到了显著的关注，特别用于瘫痪患者的康复。但 MI EEG 的低信噪比使其难以有效解码，阻碍了 BCI 的发展。本文提出了一种基于注意的多尺度 EEGNet (AMEEGNet) 方法来提高 MI-EEG 的解码性能。首先，采用三个并行的融合传输方法的 EEGNets 从多个尺度提取 EEG 数据的高质量时空特征。然后，高效通道注意 (ECA) 模块通过一种加权关键通道的轻量级方法增强了对更具辨别性的空间特征的获取。实验结果表明，所提出的模型在 BCI-2a、2b 和 HGD 数据集上的解码准确率分别为 81.17%、89.83% 和 95.49%。结果表明，所提出的 AMEEGNet 有效地解码了时空特征，为 MI-EEG 解码提供了新的视角，并推动了未来的 BCI 应用。
大规模研究性别对运动想象脑机接口中 μ 节律抑制的影响
摘要 运动想象脑机接口 (MI-BCI) 的最大问题是 BCI 性能不佳，即“BCI 效率低下”。尽管过去的研究试图通过调查影响用户 MI-BCI 性能的因素来寻找解决方案，但问题仍然存在。与 MI-BCI 性能相关的研究因素之一是性别。关于性别对用户控制 MI-BCI 能力的影响的研究仍无定论，主要是因为过去的研究样本量小且性别分布不均衡。为了解决这些问题并获得可靠的结果，本研究将四个 MI-BCI 数据集合并为一个包含 248 个主题且性别分布均等的大型数据集。数据集包括来自两性健康受试者的 EEG 信号，这些受试者按照 Graz 协议执行了右手和左手运动想象任务。分析包括从 C3 和 C4 电极中提取 Mu 抑制指数，并比较女性和男性参与者之间的值。与之前的一些研究结果不同，这些研究报告了女性 BCI 用户在调节 mu 节律活动方面的优势，我们的结果并未显示两组的 Mu 抑制指数之间存在任何显着差异，这表明性别可能不是 BCI 性能的预测因素。
人类运动单位放电模式揭示了跨收缩水平向运动神经元的神经调节和抑制驱动的差异
所有电动机命令都会收敛到电动机单元（MUS），这些电动机将信号转移到肌肉纤维的机械作用中。由于离子（兴奋性/抑制性）和代谢性（神经调节）输入的组合，此过程是高度非线性的。神经调节输入有助于树突持续的内向电流，这引入了MU放电模式中的非线性，并为运动命令的结构提供了见解。在这里，我们研究了神经调节的相对贡献和抑制模式，以最大70％的收缩力调节人MU排出模式。利用从三种人体肌肉（胫骨前 - TA，ta和巨大的外侧和内膜）鉴定出的MU排出模式，我们表明，随着收缩力增加，发作偏移率滞后率（ΔF）增加了升级的MU放电模式，而s升则增加了线性，并较低。在后续实验中，我们证明了增加δF的观察结果和更线性的上升MU放电模式，即使在收缩持续时间和力率增加时，也可以保持更大的收缩力。然后，我们使用在硅运动神经池中高度逼真的逆转ta Mu放电模式来证实人类记录中推断出的生理机制。我们证明了一个严格的限制性解决方案空间，通过这种空间，只有通过增加的神经调节和更相互的互惠来重新创建收缩力引起的实验获得的MU放电模式的变化（即推扣）抑制模式。总而言之，我们的实验和计算数据表明，神经调节和抑制模式的形状是独特的，以产生放电模式，这些模式支持力在大部分运动池募集范围内增加。
EEG基于过度完整的理性扩张小波转换和自动回归的运动图像分类
基于运动图像（MI）的大脑计算机界面（BCI）应用旨在分析大脑如何与脑电图（EEG）信号与外部环境相互作用。尽管当前的模型取得了令人鼓舞的结果，但从EEG信号中开发了MI的准确分类仍然是一个重大挑战。在本文中，我们设计了一个名为（ORDWT_AR）的MI分类模型，该模型利用过度完整的理性扩张小波变换（ORDWT）以及自动回归（AR）模型。首先，使用滑动窗口方法将脑电图分割为间隔。然后，每个脑电图通过ORDWT传递以分析EEG信号。因此，从每个段获得了一系列停止频段。然后，将AR与ORDWT集成，以从每个EEG间隔中提取代表性特征。选定的功能被发送到多种分类模型中，包括加权K-Nearest邻居（WKNN），决策树（DTREE）和Boosted树（BST）。使用四个基准EEG数据库评估所提出的模型，其中三个是从脑部计算机界面（BCI）竞争III中收集的，一个是从CHB-MIT中收集的。结果表明，提出的模型ORDWT_AR与WKNN分类器相结合的三个BCI竞赛III数据集的平均分类精度为99.8％，CHB-MIT数据集的平均分类精度为99.7％。获得的结果表明，所提出的方案是对脑电图信号进行分类并具有出色结果的有前途的工具。提议的模型可以支持专家帮助残疾人与环境互动并提高生活质量。
beta功率的GABA能调节增强了额颞叶变性的运动适应
注意：对于临床，认知和行为测试，括号中显示了最佳分数。贝叶斯方差分析用于检查群体差异，其中有证据表明组之间有差异（> 3）事后结果显示BVFTD与PSP。贝叶斯因素的常规阈值代表了有利于假设的证据（> 3），强（> 10）和非常强的（> 30）。bf <1被认为是无效假设的证据。缩写：ACE-R，修订了Addenbrooke的认知检查； BVFTD，行为变化的额颞痴呆； CBI-R，修订后的剑桥行为清单； F，女；晶圆厂，额叶评估电池； M，男性； MMSE，小型国会考试； PSP，进行性核上麻痹； TGB，甲状腺素结合球蛋白； WM，工作记忆。