XiaoMi-AI文件搜索系统
World File Search Systemp300
基于集中式多人数据融合CNN
大脑计算机界面是人类计算机交互的一种新方法，它提供了大脑与计算机或其他外部设备之间的直接通信联系（McFarland和Wolpaw，2011年）。事件相关电位（ERP）是代表皮质加工的独特相位的大脑表面的电活动的时间固定量度（Patel和Azzam，2005），它是与某人对某些刺激或特定事件的反应有关的内源性电位。ERP的典型示例是N200和P300。P300（Sutton等人，1967年）是一个正面峰值事件后约300毫秒显示的正峰波形，是ERP研究最多，使用最广泛，最突出的成分之一（David etal。，2020年； Kirasirova等。，2020）。P300分类检测是P300-BCI研究的重点，快速准确的识别对于改善p300-BCI的性能至关重要（Huang等人。，2022）。P300通常表现出低信噪比（SNR）（Zhang等人，2022）。为了突出其时间锁定的组件并最大程度地减少背景噪声，P300-BCI要求从多个试验中收集，汇总和平均数据以获得可靠的输出（Liu等人。，2018年），这是耗时且有效的。因此，在单审判中正确对p300进行分类是一个巨大的挑战。到目前为止，单个试验P300分类算法的准确性记录如下：Krusienski使用逐步线性判别分析（SWLDA）的平均分类精度约为35％。使用贝叶斯线性判别分析（BLDA）的平均分类准确性（BLDA）约为60％。Blankertz应用了收缩线性判别分析（SKLDA），并达到平均分类精度约为70％。张张通过时空判别分析（STDA），并达到平均分类准确性约为61％。Kaper开发的支持向量机（SVM）算法的平均分类精度达到64.56％。以及XIAO提出的判别规范模式匹配（DCPM）的价值为71.23％，表明DCPM在单验P300分类中的其他传统方法显着超过了其他较小的训练样本中的其他传统方法（Xu等人。，2018，2021; Xiao等。，2019a，b，2021; Wang等。，2020）。ma等。（2021）提出了一个基于胶囊网络的模型，该模型提高了单审P300的检测准确性，但是，由于大小的增加，计算变得复杂。Zhang等。 （2022）用Xdawn填写数据，以提高脑电图信号的信噪比，但是空间过滤方法需要在特征提取后手动选择显着特征，然后对其进行分类。 这是特定因素的高度特殊性；但是，该算法通常很复杂，其精度受特征选择的影响（Zhang等人 ，2022）。 深度学习是端到端的学习，具有简单的结构，可以移植到具有高分类精度的各种任务，但对示例数据的要求很高。 ，2020年），脑电图数据融合（Panwar等人Zhang等。（2022）用Xdawn填写数据，以提高脑电图信号的信噪比，但是空间过滤方法需要在特征提取后手动选择显着特征，然后对其进行分类。这是特定因素的高度特殊性；但是，该算法通常很复杂，其精度受特征选择的影响（Zhang等人，2022）。深度学习是端到端的学习，具有简单的结构，可以移植到具有高分类精度的各种任务，但对示例数据的要求很高。，2020年），脑电图数据融合（Panwar等人如今，深度学习方法在基于脑电图的目标检测技术方面取得了巨大进展（Li等人，2021），基于此，一些学者提出了其他用于P300分类的方法，例如转移学习（Wei等人。，2020），incep a-eegnet（Xu等人，2022），组合分类器（Yu等人。，2021），主成分分析（PCA）（Li等人，2020）等目前，Daniela使用了CNN（Cecotti和
基于孟格曲率和LDA理论的P300脑机接口特征选择方法
脑机接口 (BCI) 系统解码脑电信号，建立人脑与外界直接交互的通道，无需肌肉或神经控制。P300 拼写器是最广泛使用的 BCI 应用之一，它向用户呈现字符选择，并通过从 EEG 中识别 P300 事件相关电位来执行字符识别。这种基于 P300 的 BCI 系统可以达到良好的准确度，但由于冗余和噪声信号，在日常生活中难以使用。应该考虑改进的空间。我们为基于 P300 的 BCI 系统提出了一种新的混合特征选择方法，以解决特征冗余问题，该方法结合了孟格曲率和线性判别分析。首先，将选定的策略分别应用于给定的数据集，以估计应用于每个特征的增益。然后，按降序对每个生成的值集进行排序，并根据预定义的标准判断其是否适合分类模型。然后评估两种方法的交集以确定最佳特征子集。使用三个公共数据集（即 BCI 竞赛 III 数据集 II、BNCI Horizon 数据集和 EPFL 数据集）对所提出的方法进行了评估。实验结果表明，与其他典型的特征选择和分类方法相比，我们提出的方法具有更好或相当的性能。此外，我们提出的方法可以在三个数据集上在所有 epoch 之后实现最佳分类准确率。总之，我们提出的方法为提高基于 P300 的 BCI 拼写器的性能提供了一种新方法。
盲人受试者的体感事件相关电位差异导致触觉 P300 BCI 表现更佳
在本研究中，我们创建了一个具有两种刺激类型的 8 命令 P300 触觉 BCI，在经过少量改动的消费者盲文显示器上运行，并在 10 名盲人和 10 名视力正常者身上进行了测试。盲人受试者的准确率中位数比视力正常者高 27%（p < 0.05），证明盲人受试者不仅能够使用触觉 BCI，而且还能取得优于视力正常者的效果。具有最佳刺激类型的盲人组的准确率中位数达到了 95%。组间事件相关电位的差异位于刺激后 300 毫秒之前的额中部位点，与早期认知 ERP 成分相对应。盲人的 ERP 幅度更高、延迟更短。这个结果在不同触觉刺激的实验条件下都是一致的。盲人的分类表现与盲文阅读速度相关。这使得我们能够讨论视力丧失后感觉补偿过程中的可塑性变化机制及其对个人感知经验的依赖性。
自发静息状态振荡的临界动力学与 Go/Nogo 任务中与注意相关的 P300 ERP 相关
持续注意力是指即使在有干扰的情况下也能持续集中注意力于与任务相关的信息的能力。了解这种能力背后的神经机制对于理解注意力过程以及以注意力缺陷为特征的神经精神疾病（如注意力缺陷多动障碍 (ADHD)）至关重要。在这项研究中，我们旨在调查静息期间特征样临界振荡与 P300 诱发电位（一种常用于评估注意力缺陷的生物标志物）之间的关系。我们测量了静息状态 EEG 振荡中的长距离时间相关性 (LRTC) 作为信号临界性的指标。此外，在遵循古怪范式的连续执行任务中，受试者的注意力表现被评估为反应时间变异性 (RTV)。在此任务期间从 EEG 记录中获得 P300 幅度和延迟。我们发现，在控制任务表现的个体差异后，LRTC 与 P300 幅度呈正相关，但与延迟无关。与先前的研究结果一致，持续注意力任务中的良好表现与更高的 P300 振幅和更早的峰值延迟有关。出乎意料的是，我们观察到静息期间持续振荡的 LRTC 与 RTV 之间存在正相关关系，这表明静息期间大脑振荡的临界性越高，任务表现越差。总之，我们的结果表明，在临界状态附近运作的静息状态神经元活动与更高 P300 振幅的产生有关。接近临界状态的大脑动态可能会促进计算优势状态，从而促进产生更高事件相关电位 (ERP) 振幅的能力。
FAST 功能连接表明 P300 连接与阿尔茨海默病的工作记忆缺陷有关
测量瞬时功能连接是脑电图 (EEG) 研究中的一个重要挑战。在这里，高时间分辨率所提供的关于大脑活动的深刻、有辨别力的信息的丰富潜力，被介质的固有噪声和在短时间窗口内计算出的相关性的虚假性质所掩盖。我们提出了一种克服这些问题的方法，称为滤波平均短期 (FAST) 功能连接。首先，对于给定的一对视觉短期记忆 (VSTM) 任务，对整个研究队列的长期、稳定的功能连接进行平均。得到的平均连接矩阵包含有关任务最强一般连接的信息，用作过滤器来分析各个受试者的瞬时高时间分辨率功能连接。在模拟中，我们表明，这种方法可以准确区分两种条件下嘈杂事件相关电位 (ERP) 的差异，而标准连接和其他类似方法则无法做到这一点。然后，我们将其应用于分析与家族性和散发性阿尔茨海默病 (AD) 相关轻度认知障碍 (MCI) 的两组人群中视觉短期记忆绑定缺陷相关的活动。在 P300 ERP 范围内，绑定任务中发现了可重复的显著差异，而在形状任务中没有显著差异。这允许对瞬时功能连接进行新的敏感测量，可以实施以获得具有临床意义的结果。
CPVL 通过与 BTK/p300 轴相互作用，抑制 STAT1 通路，促进神经胶质瘤进展
简介 胶质瘤是成人中最常见的原发性脑肿瘤之一，也是最具侵袭性和致命性的人类癌症类型之一（1-3）。世界卫生组织（WHO）将胶质瘤分为 4 级：I-IV（4）。尽管早期检测取得了进展，但大多数患者在诊断时为 IV 级胶质母细胞瘤（GBM）；因此，这些患者的预后仍然不佳（5，6）。GBM 的中位生存期仅为诊断后的 12-15 个月（7）。GBM 的治疗方案仍存在未满足的需求（8）。尽管人们付出了巨大努力来识别对胶质瘤细胞侵袭和增殖至关重要的分子，但迄今为止，对它们的表征却非常少（9-11）。越来越多的证据表明，抑制胶质瘤细胞凋亡是导致致瘤性增加的早期事件（12，13）。因此，鉴定潜在的早期诱导凋亡生物标志物对提高胶质瘤的诊断和预后评估具有重要的临床价值（14）。基因芯片和微阵列表达谱技术在过去十年中得到了广泛的应用，可以快速比较不同样本中大量基因的表达水平，使其适用于基因筛选（15）。在本研究中，通过微阵列表达谱筛选出了CPVL（羧肽酶，卵黄生成样）。CPVL是一种丝氨酸羧肽酶，首次在人类巨噬细胞中被鉴定（16）。CPVL是在利用差异显示PCR寻找人类巨噬细胞限制基因的过程中首次克隆和鉴定的（16）。CPVL在脾脏、胎盘、心脏和肾脏等各种组织中均有明显表达（17，18）。然而，CPVL在包括胶质瘤在内的各种肿瘤中的作用至今仍不清楚。
用于 P300 解码的轻量级多尺度卷积神经网络：训练策略分析与网络决策揭示
卷积神经网络 (CNN) 可以自动从原始数据中学习特征以近似函数，这种网络越来越多地应用于脑电图 (EEG) 信号的端到端分析，尤其是用于解码脑机接口 (BCI) 中的大脑状态。尽管如此，CNN 引入了大量可训练参数，可能需要较长的训练时间，并且缺乏学习到的特征的可解释性。本研究的目的是提出一种用于 P300 解码的 CNN 设计，重点在于其在保证高性能的同时的轻量级设计、不同训练策略的影响以及使用事后技术来解释网络决策。所提出的设计名为 MS-EEGNet，以高效和优化（就可训练参数而言）的方式学习了两个不同时间尺度（即多尺度，MS）中的时间特征，并在三个 P300 数据集上进行了验证。使用不同的策略（参与者内和会话内、参与者内和跨会话、留一法、迁移学习）训练 CNN，并与几种最先进的 (SOA) 算法进行了比较。此外，分析了基线 MS-EEGNet 的变体，以评估不同超参数对性能的影响。最后，使用显着图来推导驱动 CNN 决策的相关时空特征的表示。尽管 MS-EEGNet 具有多个时间尺度，但它与测试的 SOA CNN 相比是最轻的 CNN，并且明显优于 SOA 算法。事后超参数分析证实了 MS-EEGNet 创新方面的优势。此外，MS-EEGNet 确实受益于迁移学习，尤其是使用少量训练示例，这表明所提出的方法可用于 BCI 中以准确解码 P300 事件，同时减少校准时间。从显著性图得出的表示与 P300 时空分布相匹配，进一步验证了所提出的解码方法。本研究通过专门解决轻量级设计、迁移学习和可解释性方面的问题，有助于推动基于 P300 的 BCI 深度学习算法的开发。
结合基于 P300 的大脑的混合系统的可用性...
脑机接口 (BCI) 可以为运动障碍人士提供一种替代渠道，以访问辅助技术 (AT) 软件，进行交流和环境互动。多发性硬化症 (MS) 是一种慢性中枢神经系统疾病，大多在青年期开始发病，并常常导致长期残疾，疲劳可能会加剧病情。MS 患者很少被视为潜在的 BCI 最终用户。在这项初步研究中，我们评估了一种混合 BCI (h-BCI) 系统的可用性，该系统使基于 P300 的 BCI 和传统输入设备（即肌肉依赖）能够通过广泛使用的 AT 通信软件“Grid 3”访问主流应用程序。评估是根据以用户为中心的设计 (UCD) 的原则进行的，旨在为 MS 患者提供一种可能对疲劳不太敏感的替代控制通道（即 BCI）。共招募了 13 名 MS 患者。在第一节课中，向参与者展示了一个经过广泛验证的基于 P300 的 BCI（P3 拼写器）；在第二阶段中，他们必须使用 (1) AT 常规输入设备和 (2) h-BCI 操作网格 3 来访问三个主流应用程序。八名患者完成了该方案。八名 MS 患者中有五名能够通过 BCI 成功访问网格 3，平均在线准确率为 83.3% (± 14.6)。在控制网格 3 方面，常规 AT 输入和 BCI 通道的有效性 (在线准确率)、满意度和工作量相当。正如预期的那样，BCI 的效率 (正确选择时间) 明显低于 AT 常规通道 (Z = 0.2, p < 0.05)。尽管由于样本量有限而谨慎行事，但这些初步研究结果表明，与常规 AT 通道相比，BCI 控制通道对操作
静态姿势对P300在线表现的影响-......
摘要：要实现一个实用的日常脑机接口 (BCI)，在设计 BCI 时必须考虑执行日常任务时姿势的持续变化。为了检验 BCI 的性能是否取决于姿势，我们比较了基于 P300 的 BCI 的在线性能，这些 BCI 旨在选择电视频道，受试者在使用 BCI 时分别采取坐姿、斜躺、仰卧和右侧卧姿。受试者自我报告了每种姿势下 BCI 控制后的干扰、舒适度和熟悉度。我们发现四种姿势之间的 BCI 性能以及 P300 和 N200 的幅度和延迟没有显著差异。然而，当我们比较两种情况下个体内标准化的 BCI 准确度结果时，受试者对在特定姿势下使用 BCI 的报告相对更积极或更消极，我们发现个体受试者报告更积极的姿势的 BCI 准确度更高。因此，虽然姿势的变化不会影响基于 P300 的 BCI 的整体性能，但 BCI 性能会根据个体受试者感受到的姿势舒适度而有所不同。我们的结果表明，在家中使用基于 P300 的 BCI 时，应考虑个体 BCI 用户感受到的姿势舒适度。