XiaoMi-AI文件搜索系统
World File Search Systemp300
具有降低视野的P300大脑计算机接口
抽象的p300脑计算机界面（BCI）是一种实验性和临床范式，在该范式中，使用刺激触发的视觉诱发电位（VEP）用于将用户的信息传达给外界。在典型的实现中，称为P300 Speller，一个主题着眼于文本字符闪烁并参与其中一个字符的显示。被检测到的角色是最强的VEP的角色。当对目标和非目标刺激的响应足够不同时，这种拼写者的表现很好，相反，当非目标刺激引起相当大的VEP时，需要进行更多的试验。尽管多年来已经提出了许多改进拼写器的策略，但相对简单的人们很少关注：减少视野以减少非目标刺激的贡献。为了解决这个想法，我们在10个主题中进行了一个试点实验，该实验首先操作了传统的P300拼写器，然后戴了一个孔，将其视力限制在中央领域。主题通过查看文本字符选择。佩戴光圈时，所有受试者中对非目标刺激的反应均降低。此外，在四个受试者中，目标刺激性VEP的幅度和/或形状变化。由于孔径减少了非目标的干扰，并在一部分情况下增加了对目标的反应，因此我们建议使用这种方法来改善BCI性能。除了孔径的使用外，我们还认为可以通过算法来删除干扰因素。此外，未来的P300 BCI还利用了中央和周围视野的不同生理特性。我们还讨论了所提出的方法如何提供有关视觉处理机制的见解。
一种用于提高 P300 拼写器分类性能的引导方法
摘要 在本文中，我们提出了一种基于 P300 电位的拼写器分类器训练新方法。该方法基于引导，是一种已知的生成新样本的策略，但在神经科学中很少使用。该研究首先展示了传统方法中分类任务（检测 P300 和非 P300 类别）的性能可能不是最优的。然后，提出了一种从训练数据中抽取新样本的新方法。使用单个 P300 和非 P300 样本的平衡子组重新训练每个分类器。使用 16 个脑电图通道从 14 名健康受试者收集数据。这些数据经过带通滤波和抽取。随后，使用传统方法训练四个线性分类器，然后使用所提出的方法，每个类别有 1000、2000 和 3000 个样本。结果表明，使用所提方法，判别分类器的准确率和判别能力有所提高，同时保持了训练数据和测试数据之间的相同统计特性。相比之下，对于生成分类器，结果没有显著差异。因此，强烈建议使用所提方法训练基于拼写的 P300 电位的判别分类器。
使用深度信念网络对 P300 单次试验进行分类......
摘要 — 脑机接口 (BCI) 旨在让用户能够仅通过思维过程与机器交互。针对轻度和重度运动障碍患者的 BCI 尤其令人感兴趣，因为这种技术将改善他们的生活方式。本文重点研究了使用深度信念网络对脑电图中单次试验的 P300 波形进行分类，以用于 BCI。这种深度学习算法能够自动从受试者的脑电图数据中识别相关特征，使其训练所需的预处理阶段更少。该网络在健康受试者和中风后患者身上进行了测试。健康受试者的最高准确率为 91.6%，中风后患者的准确率为 88.1%。索引术语 — 脑机接口、中风患者、脑电图、深度信念网络
Processem Emboard P300基于红色...
提出了一种低计算成本方法来检测普遍存在的通信和控制应用中的p300波，这称为p300嵌入式处理（PE-P300）。 div>PE-P300的入口是通道的脑电图信号（EEG），该方法的体系结构基于卷积神经元网络。 div>还提出了一种嵌入式脑部插入界面系统PE-P300方法，该系统还使用了四个以盒子形式的视觉刺激来唤起p300波。 div>该界面与用于机械系统的移动或控制的Internet网络具有连接性。 div>对于实验，生成了由8个受试者的EEG信号形成的数据库，根据结果，PE-P300能够识别每个受试者的EEG信号上的p300波，平均性能为96％。 div>此外，PE-P300仅需要一个电极，并且可以实时处理其低复杂性。 div>作为结论，PE-P300是文献中最有竞争力的方法之一，由于其96％的性能，电极数量较低（活性电极），并且将P300波的处理扩展到日常应用中使用的无处不在系统。 div>
通过度量的视觉脑解码的EEG分类...比较p300检测的卷积和复发性神经网络
摘要：p300组件的单审判分类是一项困难的任务，因为信号比率低。但是，其应用于脑部计算机界面开发可以显着提高这些系统的可用性。本文介绍了P300分类的基线线性判别分析（LDA）与复发性（CNN）和经常性神经网络（RNN）的比较。实验是基于大型多学科的学龄儿童数据集。实验研究和讨论了几种超参数选择。提出的CNN略优于RNN和基线LDA分类器（63.2％的准确性比61.3％和62.8％）。差异在精度和回忆中最为明显。讨论了结果和建议对未来工作的含义，例如堆叠的CNN – LSTM。
在 P300 大脑中使用图片作为刺激的不同效果......
摘要 先前关于控制基于 P300 的 BCI 拼写器的提案表明，在行列范式 (RCP) 下，使用替代图像代替字母作为目标刺激可以取得进步。然而，RCP 不适合那些缺乏凝视控制的患者。为了解决这个问题，先前的研究提出了快速序列视觉呈现 (RSVP) 范式。本研究的目的是评估一组可以提高 RCP 表现的替代图片是否也可以提高 RSVP 的表现。16 名参与者在校准和在线任务中控制了四种条件：RCP 中的字母、RCP 中的图片、RSVP 中的字母和 RSVP 中的图片。无论是在性能分析还是事件相关电位分析中，RCP 下图片带来的效果都大于 RSVP 下。事实上，与字母相比，RSVP 下的图片并没有显示出任何改进。此外，大多数用户 (68.75%) 表示 RCP 下的图片条件是最喜欢的，而 RSVP 下的图片条件却没有被任何参与者选为最喜欢的。因此，这项研究表明，在 RCP 下使用图片作为替代闪光刺激所带来的改善可能无法转移到 RSVP。
一种引导方法，用于改善p300拼写中的分类性能
摘要在本文中，我们提出了一种基于P300电位的拼写器中训练分类器的新方法。基于自举的方法是生成新样本的已知策略，但很少在神经科学中使用。该研究首先证明了分类任务的性能（检测P300和非P300类）如何在传统方法中是最佳的。然后，提出了一种从培训数据中获取新样本的新方法。使用单个P300和非P300样品的平衡子组对每个分类器进行重新训练。使用16个脑电图通道从14个健康受试者中收集数据。将这些被过滤在带通中并破坏。随后，使用传统方法随后训练了四个线性分类器，其拟议中的一个分类器，每班有1000、2000和3000个样本。结果表明，使用建议的方法对判别性分类器的准确性和歧视能力有所提高，并在培训数据和测试数据之间保持相同的统计属性。相比之下，对于生成分类器，结果没有显着差异。因此，强烈建议使用拟议的方法来训练基于法术的P300电位中的判别分类器。
比较不同电极子集对 P300 拼写器性能的影响
摘要 —P300 拼写器是脑机接口研究中广泛使用的应用。事实证明，P300 拼写器可以作为神经反馈训练工具，通过逐渐增加拼写任务的难度来增强注意力。这种自适应方法使用户更难正确拼写单词，鼓励他们提高注意力以抵消日益增加的难度。因此，自适应 P300 拼写器有可能成为患有 ADHD 的儿童、患有痴呆症的老年患者的治疗选择，并成为健康成年人的认知增强工具。但是，训练长度（包括设置时间）需要很快，以确保用户接受。本研究调查了使用和不使用 xDAWN 空间滤波器时不同电极子集对 P300 拼写器性能的影响。结果表明，xDAWN 空间滤波器可以提高许多电极的性能，但会降低少于八个电极的结果。对于近乎完美的性能至关重要且有许多电极可用的场景，建议使用一组带有 xDAWN 空间滤波器的 16 个电极。对于需要考虑成本和设置时间，且可以接受较低性能的情况，使用不带空间滤波器的六个电极就足够了。
听觉诱发了正常听力的耳鸣患者的潜在P300
Full history taking including personal, medical and otological history, otological examination to exclude external or middle ear disease, basic audio logical evaluation including pure tone audiometry including air conduction for octave frequencies 250Hz through 8000Hz and bone conduction for octave frequencies 500Hz through 4000Hz, speech audiometry including speech recognition threshold (SRT) test using Arabic Bisyllabic Words (Qasim et al., 2021) ,word discrimination score (WD) test using Arabic monosyllabic Phonetically Balanced Words (Najem and Marie, 2021) , immittancemetry including tympanometry at varying pressure ranging from +200 to - 400 mmH2O to evaluate the middle ear pressure and its compliance , and acoustic reflex thresholds determination ipsilaterally and contraletrally using pure tones of 500、1000、2000和4000Hz。
使用黎曼概率的贝叶斯积累的端到端 P300 BCI
摘要 — 在脑机接口 (BCI) 中，大多数基于事件相关电位 (ERP) 的方法都侧重于 P300 的检测，旨在对拼写任务进行单次试验分类。虽然这是一个重要的目标，但现有的 P300 BCI 仍然需要多次重复才能达到正确的分类准确率。P300 BCI 中的信号处理和机器学习进步主要围绕 P300 检测部分，而字符分类不在范围之内。为了在保持良好字符分类的同时减少重复次数，解决完整的分类问题至关重要。我们引入了一个端到端流程，从特征提取开始，由使用概率黎曼 MDM 的 ERP 级分类组成，该分类使用跨试验的贝叶斯置信度积累提供字符级分类。现有方法仅在字符闪现时增加其置信度，而我们新的管道，称为黎曼概率贝叶斯累积 (ASAP)，在每次闪现后更新每个字符的置信度。我们提供了此贝叶斯方法的正确推导和理论重新表述，以便无缝处理从信号到 BCI 字符的信息。我们证明我们的方法在公共 P300 数据集上的表现明显优于标准方法。