XiaoMi-AI文件搜索系统
World File Search System信号的
基于 EEG-EMG 信号的用于在有毒环境中进行操作的假肢
摘要。具有潜在毒性大气的工业环境（例如研究实验室或测试中心）对人类操作员的健康风险增加，特别是因为他们需要在很短的时间内采取行动以防止工作场所发生致命事件。在本文中，我们提出了一种基于人体手臂建模和仿真的工业适用性解决方案，该解决方案能够取代人类操作员直接干预操纵可能产生影响空气质量的有毒蒸汽或含有高流行病学风险物质的物质，或其他在操作不当的情况下可能产生爆炸性情况的物质。基于EEG-EMG解决方案，人类操作员仅通过使用大脑和神经元网络产生的自身电信号即可从安全位置远程控制人体假肢。
MBrain：一种用于脑信号的多通道自监督学习框架
脑信号是理解人脑生理活动和疾病的重要定量数据。同时，快速发展的深度学习方法为更好地建模脑信号提供了广泛的机会，近年来吸引了大量研究投入。现有研究大多关注监督学习方法，但该方法需要高成本的临床标签。此外，侵入性（如SEEG）和非侵入性（如EEG）方法测得的脑信号的临床模式差异巨大，导致缺乏统一的方法。为了处理上述问题，本文提出研究脑信号的自监督学习（SSL）框架，可应用于预训练SEEG或EEG数据。直观地看，脑信号是由神经元放电产生的，会在人脑不同的连接结构之间传输。受此启发，我们提出MBrain来学习不同通道（即电极触点，对应不同的脑区）之间隐含的空间和时间相关性，作为统一建模不同类型脑信号的基石。具体来说，我们用一个图结构来表示空间相关性，该图结构是基于提出的多通道 CPC 构建的。我们从理论上证明优化多通道 CPC 的目标可以得到更好的预测表示，并在此基础上应用瞬时时间移位预测任务。然后，我们通过设计延迟时间移位预测任务来捕捉时间相关性。最后，提出替代判别学习任务来保留每个通道的特征。在 EEG 和 SEEG 大规模真实数据集上进行的大量癫痫检测实验表明，我们的模型优于几种最先进的时间序列 SSL 和无监督模型，并且有能力部署到临床实践中。
使用人类皮层脑电信号的脑机接口∗
摘要 脑机接口 (BCI) 使用户能够通过头皮的脑电图 (EEG) 活动或大脑内的单神经元活动来控制设备。这两种方法都有缺点：EEG 分辨率有限且需要大量训练，而单神经元记录具有很大的临床风险并且稳定性有限。我们在此首次证明从大脑表面记录的皮层脑电图 (ECoG) 活动可以使用户快速准确地控制一维计算机光标。我们首先确定了与不同类型的运动和语音意象相关的 ECoG 信号。在 3-24 分钟的短暂训练期内，四名患者随后使用这些信号掌握闭环控制并在一维二元任务中实现 74-100% 的成功率。在额外的开环实验中，我们发现频率高达 180 Hz 的 ECoG 信号编码了有关二维操纵杆运动方向的大量信息。我们的结果表明，基于 ECoG 的 BCI 可以为严重运动障碍患者提供一种非肌肉通信和控制选项，这种选项比基于 EEG 的 BCI 更强大，并且比使用穿透大脑的电极的 BCI 更稳定、创伤更小。
脉冲脑电信号的图形去噪及其图形表示的效果
随着脑监测领域的快速发展，对处理相关信号的创新方法的需求日益增加。最近，图信号处理成为逐个信号分析的有力替代方案，它能够处理信号集合。对于自然接受图形表示的脑电图 (EEG) 信号尤其如此，每个电极对应一个图节点。这些信号经常被以重尾统计数据为特征的脉冲噪声破坏，从而导致传统去噪技术失败。为了解决这个问题，我们提出了一种基于分数低阶矩的有效正则化图滤波方法，该方法可以更好地适应重尾统计数据。对真实 EEG 测量结果（包括公开的 P300 数据集和癫痫信号）的实验评估表明，与成熟的 EEG 信号去噪方法相比，我们的方法具有更优异的去噪性能。
在 0.18 中订购用于生物电信号的 delta‐sigma 调制器...
摘要：本文介绍了一种基于二阶 delta-sigma 调制器的紧凑型低功耗 CMOS 生物电信号读出电路。该转换器使用电压控制的基于振荡器的量化器，通过单个无运算放大器的积分器和最少的模拟电路实现二阶噪声整形。已经使用 0.18 µ m CMOS 技术实现了原型，其中包括相同调制器拓扑的两种不同变体。主调制器已针对 300 Hz–6 kHz 频段的低噪声神经动作电位检测进行了优化，输入参考噪声为 5.0 µ V rms ，占地面积为 0.0045 mm 2 。另一种配置具有更大的输入级以降低低频噪声，在 1 Hz–10 kHz 频段实现 8.7 µ V rms ，占地面积为 0.006 mm 2 。调制器电压为 1.8 V，预计功耗为 3.5 µ W。
二维和三维脑电信号的 CNN 图像分类研究
摘要。目的：本研究的创新之处在于探索了多种脑电波信号数据预处理的新方法，其中提取统计特征，然后根据降维算法选择它们的顺序将其格式化为视觉图像。然后，这些数据被处理为 2D 和 3D CNN 的视觉输入，然后进一步提取“特征的特征”。方法：从三个脑电图数据集得出的统计特征在视觉空间中呈现，并分别在 2D 和 3D 空间中处理为像素和体素。对三个数据集进行了基准测试，即来自四个 TP9、AF7、AF8 和 TP10 10-20 电极的心理注意力状态和情绪价以及来自 64 个电极的眼睛状态数据。通过三种选择方法选择了 729 个特征，以便从相同的数据集中形成 27x27 图像和 9x9x9 立方体。为 2D 和 3D 预处理表示而设计的 CNN 学习从数据中卷积有用的图形特征。主要结果：70/30 分割方法表明，在 2D 中，特征选择分类准确度最高的方法是注意力状态的单一规则和情绪状态的相对熵。在眼部状态数据集中，3D 空间最佳，由对称不确定性选择。最后，使用 10 倍交叉验证来训练最佳拓扑。最终最佳 10 倍结果是注意力状态（2D CNN）97.03%，情绪状态（3D CNN）98.4%，眼部状态（3D CNN）97.96%。意义：本研究提出的框架的结果表明，CNN 可以成功地从一组预先计算的原始 EEG 波的统计时间特征中卷积出有用的特征。 K 折验证算法的高性能表明，除了预先计算的特征之外，CNN 学习到的特征还包含对分类有用的知识。
基于脑电信号的情绪识别中时间窗长度的研究
摘要 本研究旨在利用机器学习技术和便携式无线传感设备 EPOC+，对情绪识别中使用不同长度的时间窗口 (TW) 进行比较分析。本研究以个体在情绪刺激过程中提取的脑电信号数据集为基础，以熵为特征，评估不同分类器模型在不同 TW 长度下的性能。进行了两种类型的分析：被试间和被试内。在五种监督分类器模型中比较了准确率、曲线下面积和 Cohen's Kappa 系数等性能指标：K最近邻 (KNN)、支持向量机 (SVM)、逻辑回归 (LR)、随机森林 (RF) 和决策树 (DT)。结果表明，在两种分析中，所有五种模型在 2 至 15 秒的 TW 中均表现出较高的性能，其中 10 秒 TW 在被试间分析中尤为突出，5 秒 TW 在被试内分析中尤为突出；此外，不建议使用超过20秒的TW。这些结果为研究情绪时EEG信号分析中选择TW提供了有价值的指导。
基于脑功能网络和样本熵的脑电信号特征提取
(1) 维数 一般取值 1 或 2 ，当 时，要求数据量 在数千点以上，但 过大不能保证序列具有相同 的性质； 一定时，若 ，需要较大才能取得 较好的效果，但是太大会丢失序列的许多细节信 息。 Pincus [ 14 ] 研究认为 比 效果好，可使 序列的联合概率进行动态重构时提供更详细的信 息。 (2) 用来衡量时间序列相似性的大小。如果 选得太小，估计出的统计概率会不理想；若选得 太大，会丢失时间序列中很多细节，达不到预期的 效果。 Pincus [ 14 ] 通过对确定性和随机过程的理论分 析及其对计算和临床应用的研究，总结出取值为 ( 为原始序列的标准差 ) 能得出有效 的统计特征。 (3) 表示输入数据点，一般取值为 100 ～ 5000 。因此根据上述原则，本文取 , 。根据实验研究发现当 时，不同 状态的脑电信号的样本熵并无太大差异；当 时，不同状态的脑电信号的熵值有明显差异。 因此 取值为 100 。即用长度为 100 点，间隔为 4 点 的滑动窗计算 EEG 在运动想象期 (2 ～ 6 s) 的样本 熵序列，然后求该序列的均值作为该 EEG 的样本 熵。 ERS/ERD 现象主要出现在 C3 和 C4 电极对应的 感觉运动区上，例如，右手运动想象时可观测到 C3 电极对应的感觉运动区 ERD 现象，左手运动想 象时可观测到 C4 电极对应的感觉运动区 ERD 现
基于EEG脑电信号的双深度Q网络解码器...
摘要：脑机接口（BCI）利用神经活动作为控制信号，实现人脑与外部设备之间的直接通信，通过脑电图（EEG）捕捉大脑产生的电信号，将其转化为反映用户行为的神经意图，正确解码神经意图才能实现对外部设备的控制。基于强化学习的BCI增强解码器仅基于环境的反馈信号（奖励）完成任务，构建了从神经意图到适应变化环境的动作的动态映射通用框架。但使用传统的强化学习方法存在维数灾难、泛化能力差等挑战。因此，本文利用深度强化学习构建解码器以正确解码EEG信号，通过实验证明其可行性，并在具有高动态特性的运动成像（MI）EEG数据信号上展示其更强的泛化能力。
用于采集脑外伤监测的脉动光信号的头部模型
摘要：（1）背景：组织模型可以提供一种严格、可重复且方便的方法来评估光学传感器的性能。本研究描述了血管头部/脑模型的开发、特性和评估。（2）方法：该方法包括开发大脑和颅骨的模铸和 3D 打印解剖模型以及用于模拟大脑血液动力学变化的定制体外血液循环系统。将开发的模型的光学特性与文献值进行了比较。还加入了人工脑脊液来引起颅内压的变化。（3）结果：成功开发了一种新型头部模型，以模拟大脑和颅骨的解剖结构及其在近红外范围（660-900 nm）内的光学特性。所开发的循环系统模拟正常动脉血压值，平均收缩压为 118 ± 8.5 mmHg，舒张压为 70 ± 8.5 mmHg。同样，脑脊液循环允许颅内压在 5 至 30 mmHg 之间进行受控变化。成功获取了来自模型脑动脉的多波长脉动光信号（光电容积图 (PPG)）。结论：这种独特的头部模型技术为研究脑脉动光信号与颅内压和脑血流动力学变化之间的关系奠定了基础。