XiaoMi-AI文件搜索系统
World File Search Systemstimuli
通过多主体FMRI数据的张量分析发现隐藏的大脑网络对自然主义刺激的反应
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。该版本的版权持有人于2021年1月17日发布。 https://doi.org/10.1101/2021.01.14.426756 doi：biorxiv Preprint
一种自然主义的神经影像学数据库，用于使用生态刺激
神经影像学通过还原主义刺激来提高我们对人类心理学的理解，这些刺激通常与大脑自然遇到的信息不像信息。，它主要通过分析“静止状态”数据的分析来提高我们对大脑网络组织的理解，而网络功能无法确定标记。我们公开使用“自然主义神经影像学数据库”（NNDB V1.0），以便在更完整的生态条件下对大脑进行更完整的了解，在此期间可以标记网络。86名参与者接受了行为测试，并观看了10部全长电影之一，同时获得了功能性磁共振成像。结果显示的数据显示为高质量，具有良好的信号噪声比，几乎没有异常值和低运动。数据驱动的功能分析提供了进一步的数据质量证据。他们还展示了准确的时间表/电影对齐方式以及如何使用电影注释来标记网络。NNDB可用于用标准的神经影像学方法来回答以前未解决的问题，从而提高了我们对大脑在现实世界中的工作方式的了解。
超现实神经解码：通过 GAN 潜在空间对 fMRI 测量结果中的面部刺激进行线性重建
我们引入了一个新框架，用于从脑记录中超现实地重建感知到的自然刺激。为此，我们在神经解码流程的最早阶段采用了生成对抗网络 (GAN)，通过获取功能性磁共振成像数据作为受试者感知的由 GAN 的生成器网络创建的面部图像。随后，我们使用线性解码方法从脑数据中预测 GAN 的潜在状态。因此，获得了刺激 (重新) 生成所需的潜在表示，从而实现了突破性的图像重建。总之，我们开发了一种非常有前途的方法来解码现实世界数据的神经表征，这可能为系统地分析功能性大脑中的神经信息处理铺平道路。
基于边缘响应叠加的 cVEP BCI 刺激设计新方法
摘要 本研究的目的是基于关于视觉系统对二进制编码视觉刺激的实际 EEG 响应的行为和特性的实验结果，开发一种设计利用代码调制视觉诱发电位 (cVEP BCIs) 的脑机接口刺激序列的新方法，从而减少训练时间并增加可能的目标数量。以 2000 sps 的速度记录来自 8 个枕骨部位的 EEG，以响应刷新率为 60 Hz 的计算机显示器上呈现的视觉刺激。记录视觉系统对显示器上目标区域黑到白和白到黑转换的 EEG 响应，持续 500 毫秒，进行 160 次试验，并取信号平均以分别获得起始（正边）和偏移（负边）响应。发现两个边缘响应都延迟了 50 毫秒，并在 350 毫秒内完全减弱。然后利用叠加原理使用这些边缘响应生成（预测）对任意二进制刺激序列的 EEG 响应。研究发现，对某些（16）个简单短序列（16.67 – 350 毫秒）所生成的和测量的 EEG 响应高度相关。然后将这些“最佳短模式”随机组合以设计长（120 位，2 秒）“叠加优化脉冲（SOP）”序列，并通过叠加边缘响应获得它们的 EEG 响应模板。与将叠加原理应用于传统 m 序列和随机生成的序列相比，基于 SOP 序列的 Visual Speller BCI 应用程序获得了更高的准确率（95.9%）和信息传输速率（ITR）（57.2 bpm）。BCI 应用程序的训练仅涉及边缘响应的获取，耗时不到 4 分钟。这是第一项通过叠加边缘响应来获取 cVEP BCI 序列的 EEG 模板的研究。
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/）。