XiaoMi-AI文件搜索系统
World File Search System动脑
Frédéric Dehais 和 Imad Rida 和 Raphaëlle N. Roy 和 John Iversen 和 Tim Mullen 和 Daniel E. Callan 的 pBCI，用于在实际飞行条件下发生注意力错误之前进行预测。（2019 年）在：IEEE 系统、人与控制论国际会议 - IEEE SMC BMI，2019 年 10 月 6 日 - 2019 年 10 月 9 日（意大利巴里）。
摘要 — 事故分析表明，飞行员可能无法处理诸如警报之类的听觉刺激，这种现象称为注意力不集中性失聪。这项研究的动机是开发一种被动脑机接口，可以预测在真实飞行条件下这种关键现象的发生。十名配备干脑电图系统的志愿者必须飞行一个具有挑战性的飞行场景，同时通过按下按钮来响应听觉警报。行为结果显示，飞行员错过了 36% 的听觉警报。ERP 分析证实，由于潜在的注意力瓶颈机制，这种现象会影响早期（N100）和晚期（P300）阶段的听觉处理。使用稀疏表示分类 (SRC)、稀疏和密集表示 (SDR) 以及更传统的方法（例如线性判别分析 (LDA)、收缩 LDA 和最近邻 (1-NN)），对警报开始前三秒提取的频率特征进行受试者间分类。在最佳情况下，SRC 和 SDR 分别给出了 66.9% 和 65.4% 的正确平均分类率来预测注意力不集中性耳聋的发生，优于 LDA (60.6%)、sLDA (60%) 和 1- NN (59.6%)。这些结果为神经自适应自动化的实施开辟了光明的前景，最终目标是增强警报刺激传递，以便人们感知和采取行动。
pBCI 可在真实飞行条件下预测注意力错误
摘要 — 事故分析表明，飞行员可能无法处理诸如警报之类的听觉刺激，这种现象称为注意力缺失性失聪。这项研究的目的是开发一种被动脑机接口，可以预测在真实飞行条件下这种关键现象的发生。十名配备干脑电图系统的志愿者必须飞行一个具有挑战性的飞行场景，同时通过按下按钮来响应听觉警报。行为结果显示，飞行员错过了 36% 的听觉警报。ERP 分析证实，由于潜在的注意力瓶颈机制，这种现象会影响早期（N100）和晚期（P300）阶段的听觉处理。使用稀疏表示分类 (SRC)、稀疏和密集表示 (SDR) 以及更传统的方法（例如线性判别分析 (LDA)、收缩 LDA 和最近邻 (1-NN)）对警报响起前三秒提取的频率特征进行受试者间分类。在最佳情况下，SRC 和 SDR 分别给出了 66.9% 和 65.4% 的正确平均分类率来预测注意力不集中性耳聋的发生，优于 LDA (60.6%)、sLDA (60%) 和 1-NN (59.6%)。这些结果为神经自适应自动化的实施开辟了光明的前景，最终目标是增强警报刺激传递，使其被感知和采取行动。
ME/CFS研究路线图工作组的报告：2024年5月15日
肌动脑脊髓炎，也称为慢性疲劳综合征（ME/CFS），是一种多方面的，异质性的慢性疾病，表现出广泛的残疾症状，受到劳累加剧的症状。目前尚无对该疾病的FDA批准，预后很差，极大地限制了全球数百万个人的生活。为了解决这个问题，由美国国家神经系统疾病和中风研究所（NINDS）领导的美国国家卫生研究院（NIH）开发了ME/CFS的研究路线图，以确定研究研究的最高优先级，重点是研究临床治疗试验。参与者包括拥有ME/CFS经验的个人，非营利性倡导和研究组织，研究人员和临床医生的代表。在2023年和2024年，八个与一个工作组合作的椅子召集了八个网络研讨会，探讨了与ME/CFS相关的以下子主题：慢性感染，免疫系统，神经系统，神经系统，循环，代谢，生理学，较少研究的病理学和基因组学/遗传学。每个网络研讨会组都确定了研究目标诊断和有效治疗的关键优先级。本文档为促进科学理解，改善诊断策略并为受这种挑战性疾病影响的个人开发个性化治疗的基础为基础。
DR-NTU - 南洋理工大学
随机神经网络 (RNN) 在许多不同领域都表现出色。训练参数较少和闭式解的优势使其在小数据集分析中广受欢迎。然而，在基于 EEG 的被动脑机接口 (pBCI) 分类任务中，使用 RNN 自动解码原始脑电图 (EEG) 数据仍然具有挑战性。具有高维 EEG 输入的模型可能会出现过度拟合，非平稳、高水平噪声和受试者变异性的固有特性可能会限制隐藏层中独特特征的生成。为了解决基于 EEG 的 pBCI 任务中的这些问题，本文提出了一种频谱集合深度随机向量功能链接 (SedRVFL) 网络，该网络专注于频域中的特征学习。具体而言，提出了一种无监督特征细化 (FR) 块来提高 RNN 中的低特征学习能力。此外，还执行动态直接链接 (DDL) 以进一步补充频率信息。所提出的模型已在自收集数据集和公共驾驶数据集上进行了评估。获得的跨受试者分类结果证明了其有效性。这项工作为EEG解码提供了一种新的解决方案，即使用优化的RNN来解码复杂的原始EEG数据并提高基于EEG的pBCI任务的分类性能。
开放档案图卢兹开放档案馆（OATAO）
摘要 —人们对在自然环境中实施监测认知表现的工具的兴趣日益浓厚。最近的技术进步使得新一代脑成像系统（如干电极脑电图 (EEG) 和功能性近红外光谱 (fNIRS)）的开发成为可能，以研究实验室外各种人类任务中的皮质活动。这些高度便携的脑成像设备为实现被动脑机接口 (pBCI) 和神经自适应技术提供了有趣的前景。我们开发了一种基于 fNIRS-EEG 的 pBCI，使用参与相关特征（EEG 参与率和基于小波相干性 fNIRS 的指标）来监测认知疲劳。众所周知，这种心理状态会损害认知表现并危及飞行安全。在这项初步研究中，四名参与者被要求在飞行模拟器和实际轻型飞机中执行四种相同的交通模式以及次要听觉任务。前两种交通模式被视为低认知疲劳类别，而后两种交通模式被视为高认知疲劳类别。正如预期的那样，飞行员在实验的第二部分中错过的听觉目标比第一部分中更多。当结合两种模式时，飞行模拟器条件下的分类准确率达到 87.2%，实际飞行条件下的分类准确率达到 87.6%。本研究表明，fNIRS 和基于 EEG 的 pBCI c
音乐即兴演奏时的脑对脑交流
摘要 在生态环境中理解和预测他人的行为是社会神经科学的一个重要研究目标。在这里，我们部署了一种移动脑体成像 (MoBI) 方法来分析现场爵士乐表演期间专业音乐家之间的脑间交流。具体来说，在一场分为三部分的 45 分钟的爵士乐表演中，我们进行了双谱分析以评估来自三位专业音乐家的头皮脑电图 (EEG) 信号的同步性，在此期间，每五分钟就会有一位新音乐家加入。我们估算了所有音乐家二元组、电极组合和五个频带的双谱。结果显示，当更多音乐家一起表演以及他们同步演奏乐句时，β 和伽马频带 (13-50 Hz) 中的双谱更高。在确定的同步表演事件前约三秒发现了正双谱幅度变化，表明准备性皮质活动可预测协同行为动作。此外，随着音乐家的表演越来越多，电极区域之间的同步脑电图活动也越来越多，其中颞叶、顶叶和枕叶区域之间的脑内同步最为频繁。音乐家大脑活动同步性的提高反映了音乐即兴演奏任务中共享的多感官处理和动作意图。
粒度事项：病理图形驱动的脑CT报告生成的跨模式比对
自动脑CT报告生成可以提高诊断颅疾病的效率和准确性。但是，当前方法受1）粗粒监督的限制：图像文本格式中的训练数据缺乏识别微妙的异常性的监督，以及2）耦合的交叉模式对齐：视觉文本一致性可能不可避免地以粗糙的方式进行，从而导致鲜明的特征代表性地汇总，以报道的代表。在本文中，我们提出了一种新型的病态图形驱动的跨模式比对（PGCA）模型，以进行准确且健壮的脑CT报告生成。我们的方法可以通过对病理图进行构建以学习精细的视觉提示并与文本单词对齐，从而有效地解开了跨模式的对准。该图包含代表基本病理性贡献的异质淋巴结（即，组织和病变）通过与先前的知识相关的内部和属间边缘。通过精心设计的图形嵌入和更新模块，我们的模型完善了微妙的tiss和病变的视觉特征，并使用对比度学习使它们与文本单词对齐。广泛的实验结果证实了我们方法的生存能力。我们认为，我们的PGCA模型有可能大大增强脑CT报告的自动产生，并最终有助于改善颅骨疾病诊断。
重度和轻度粘多糖贮积症 I 型的定量脑 MRI 形态学
115 名患有 MPS I 的研究参与者被纳入溶酶体疾病网络 (脑结构和功能纵向研究) 的纵向方案 NCT01870375，其纳入标准如下：确诊为 MPS I、身体状况能够接受 1 小时非镇静扫描、听力和视力足以进行神经心理学测试。在 115 名 MPS I 参与者中，98 名按照 MRI 研究方案进行了扫描。符合条件的参与者年龄在 4 至 24 岁之间，没有脑室分流术。接受脑室分流术的参与者未被纳入，因为分流术会影响大脑和脑室容量。本研究未纳入任何四岁以下的参与者，因为不镇静扫描的挑战以及这个年龄段的 GM/WM 对比度有限，这会妨碍精确的自动脑分割。98 名 MPS I 参与者中有 61 名符合本报告的纳入标准。尽管在镇静状态下接受扫描，仍有 13 名参与者被纳入研究。38 名参与者患有重度 MPS I、Hurler 综合征 (MPS IH)，23 名参与者患有轻度 MPS I、Hurler-Scheie 和 Scheie 综合征 (MPS IA)。HC 组的测量数据来自三项独立研究，采用相同的纳入标准，共 98 名参与者。
2021 年诊所展示手册
亨利·M·罗文工程学院的一大特色是工程诊所项目。工程诊所是一个为期八个学期的课程，贯穿每个学生的学习课程，强调“动手、动脑”的方法，培养学生开发工程解决方案的创业精神。一年级和二年级的诊所体验通过跨学科方法强调设计的艺术和科学，强调将工程基础知识融入解决问题，以及评估和展示结果。通过三年级和四年级的体验，学生在教师和外部赞助商的指导下，以小组形式工作，将从课程中学到的经验融入当今世界存在的开放式工程问题的解决方案中。本出版物介绍了 139 个诊所项目的工作成果，涉及 600 多名学生。虽然这些结果代表了今年的具体诊所项目，但从更广泛的角度来看，它们代表了我们的学生、教师、导师和合作伙伴的成就。此外，这些项目还展示了我们学生非凡的韧性、创造力和奉献精神，他们克服了与 COVID-19 疫情相关的非凡挑战。我们的学生在追求严谨的学术研究的同时，努力满足社区的需求。这些项目反映了学生的素质和毅力、我们工程教育和研究项目的质量以及毕业生的素质。我们希望您喜欢了解我们的学生及其项目，就像我们喜欢与您分享它们一样。如需更多信息或成为诊所计划的一部分，请联系外部事务副院长 Sean Fischer，fischers@rowan.edu 或 856-256-5354。
现代机器学习算法根据脑电信号对认知和情感状态进行分类
从脑信号中估计认知或情感状态是创建被动脑机接口 (BCI) 应用程序的关键但具有挑战性的一步。到目前为止，从 EEG 信号中估计心理工作量或情绪仅在中等分类准确度下可行，因此导致不可靠的神经自适应应用。然而，最近的机器学习算法，特别是基于黎曼几何的分类器 (RGC) 和卷积神经网络 (CNN)，已显示出对其他 BCI 系统（例如运动想象-BCI）的前景。然而，它们尚未在认知或情感状态分类方面进行正式研究和比较。因此，本文探讨了此类机器学习算法，提出了它们的新变体，并与经典方法对它们进行了基准测试，以从 EEG 信号中估计心理工作量和情感状态（效价/唤醒）。我们研究了这些方法，同时进行了受试者特定和受试者独立的校准，以走向无校准系统。我们的结果表明，在心理负荷研究的两种条件下，CNN 的平均准确率最高，尽管差异并不显著，其次是 RGC。然而，对于情绪数据集（一个训练数据较少的数据集），同一个 CNN 在两种条件下的表现都不佳。相反，事实证明，使用我们在本文中介绍的滤波器组切线空间分类器 (FBTSC)，RGC 具有最高的平均准确率。因此，我们的结果有助于提高从 EEG 进行认知和情感状态分类的可靠性。它们还提供了有关何时使用哪种机器学习算法的指导。