XiaoMi-AI文件搜索系统
World File Search System图中
移动地图中地标可视化对导航过程中大脑活动的影响：一项虚拟现实研究
研究发现，频繁使用 GPS 导航辅助会对空间学习产生负面影响。在提供此类服务中的寻路指示的同时有效显示地标可以促进空间学习，因为地标可作为认知锚点帮助导航者构建和学习环境。然而，简单地在移动地图上添加地标可能会消耗额外的认知资源，从而对移动地图用户在导航过程中的认知负荷产生不利影响。为了解决这个潜在问题，我们通过实验设置了本研究，以调查在逐向指示期间在交叉路口一次显示在移动地图上的地标数量（即 3 个、5 个和 7 个地标）如何影响虚拟城市环境中地图查阅期间的空间学习、认知负荷和视觉空间编码。使用地标识别测试、路线方向测试和相对方向判断 (JRD) 来测量环境的空间学习。通过分析不同频带的功率调制以及事件相关脑电位 (ERP) 的峰值幅度，使用脑电图 (EEG) 评估认知负荷和视觉空间编码。行为结果表明，当移动地图上显示的地标数量从 3 个增加到 5 个时，地标和路线学习会得到改善，但描绘 7 个地标时空间学习并没有进一步受益。EEG 分析表明，与 3 个和 5 个地标条件相比，7 个地标条件下额中央导联的相对 θ 功率和顶枕导联的 P3 幅度增加，这可能表明 7 个地标条件下的认知负荷增加。移动地图上地标数量越多，枕骨导联的 θ ERS 和 alpha ERD 越大，表明视觉空间编码越好。我们得出的结论是，在遵循路线时可视化的地标数量可以支持地图辅助导航过程中的空间学习，但存在潜在界限——只有当显示的可视化地标数量不超过用户的认知能力时，地图上的可视化地标才有利于用户的空间学习。这些结果进一步揭示了地图辅助导航空间学习过程中认知负荷和视觉空间编码背后的神经元相关性。我们的发现也有助于神经自适应地标可视化的设计
具有动态变异轨迹模型的超声心动图中的异常检测
我们提出了一种用于超声心动图视频的新型异常检测方法。引入的方法利用了心脏周期的周期性，学习了各种潜在轨迹模型（TVAE）的三种变体。虽然前两个变体（TVAE-C和TVAE-R）模型严格的心脏周期性动作，但第三个（TVAE-S）更笼统，并且可以在整个视频中进行空间表示。所有模型均经过新型内部数据集的健康样本的培训，该数据集的婴儿超声心动图视频由多个室内视图组成，以了解健康人群的规范性之前。在推断期间，执行基于后验（MAP）的异常检测，以检测我们数据集中的分布样品。所提出的方法可靠地识别出严重的先天性心脏缺陷，例如Ebstein的异常或发光复合物。此外，它在检测肺动脉高压和右心室扩张时，用标准变异自动编码器实现了优于基于地图的异常检测。最后，我们证明了所提出的方法可以通过热图强调与异常心脏结构相对应的区域来解释其输出。
使用卷积神经网络从脑电图中解码与学习无关的走神
1 简介 走神是一种思维过程，其特点是与当前情境中的主要目标没有直接关系 (Smallwood & Schooler, 2015)。走神往往表现为注意力不集中，这往往会导致在任务中出错 (Cheyne et al., 2006)。然而，走神并非在所有情况下都会导致错误。有时，当人们开始享受这些自我分心的时期，将其作为暂时逃避当前情况的方式时，他们可以很好地处理他们的主要任务 (Schooler et al., 2011)。当当前任务的认知负荷较低时，走神产生的这种积极影响尤其常见——换句话说，几乎不需要执行控制就可以自动实现绩效 (Randall et al., 2019)，因此低绩效并不是走神万无一失的指标。另一种用来描述走神的行为指标是增加反应时间变化。多项研究表明，即使没有观察到明显的错误，当参与者的思绪游离时，他们的反应时间也会发生变化（Bastian & Sackur，2013；Seli 等人，2013；Zanesco 等人，2021b；Zheng 等人，2019）。
根据频谱、复杂性和临界性特征确定脑电图中的意识状态
本研究基于当代的提议，即不同的意识状态可以通过神经复杂性和临界动力学来量化。为了检验这一假设，研究旨在使用复杂性和临界性框架中的非线性技术以及功率谱密度来比较三种冥想条件的电生理相关性。30 名冥想熟练的参与者在一个会话中接受了 64 通道脑电图 (EEG) 测量，该会话包括无任务基线休息（闭眼和睁眼）、阅读条件和三种冥想条件（无思绪空虚、存在监测和集中注意力）。使用临界理论（去趋势波动分析、神经元雪崩分析）、复杂性度量（多尺度熵、Higuchi 分形维数）和功率谱密度的分析工具对数据进行了分析。对比了任务条件，并比较了效果大小。应用偏最小二乘回归和受试者操作特性分析来确定每个测量的判别准确度。与闭眼休息相比，冥想类别空虚和集中注意力显示出更高的熵值和分形维数。在所有冥想条件下，长程时间相关性均下降。集中注意力和阅读的临界指数值最低。伽马波段（0.83-0.98）、全局功率谱密度（0.78-0.96）和样本熵（0.86-0.90）的判别准确率最高。确定了不同冥想状态的电生理相关性，并确定了非线性复杂性、关键大脑动力学和光谱特征之间的关系。冥想状态可以用非线性测量来区分，并通过神经元复杂程度、长程时间相关性和神经元雪崩中的幂律分布来量化。
脑电图中的深度学习：过去十年关键时期的进展
摘要 — 深度学习在众多领域都取得了出色的表现，尤其是在语音识别和计算机视觉领域。对于脑电图 (EEG) 的研究相对较少，但在过去十年中仍取得了重大进展。由于缺乏对 EEG 深度学习的全面且主题广泛的调查，我们尝试总结最近的进展以提供概述以及未来发展的前景。我们首先简要提到了 EEG 信号的伪影消除，然后介绍了已用于 EEG 处理和分类的深度学习模型。随后，我们将深度学习在 EEG 中的应用分为脑机接口、疾病检测和情绪识别等几类，并进行了回顾。随后进行讨论，其中介绍了深度学习的优缺点，并提出了 EEG 深度学习的未来方向和挑战。我们希望本文能够成为脑电图深度学习研究的一个总结，也希望能够成为基于深度学习的脑电图研究进一步发展和取得成果的开端。
TSception：从脑电图中捕捉时间动态和空间不对称以实现情绪识别
摘要 — 高时间分辨率和不对称空间激活是脑电图 (EEG) 的基本属性，是大脑情绪过程的基础。为了学习 EEG 的时间动态和空间不对称性以实现准确和广义的情绪识别，我们提出了 TSception，这是一种可以从 EEG 中对情绪进行分类的多尺度卷积神经网络。TSception 由动态时间、不对称空间和高级融合层组成，它们同时学习时间和通道维度中的判别表示。动态时间层由多尺度 1D 卷积核组成，其长度与 EEG 的采样率有关，它学习 EEG 的动态时间和频率表示。不对称空间层利用情绪的不对称 EEG 模式，学习判别性全局和半球表示。学习到的空间表示将由高级融合层融合。使用更通用的交叉验证设置，在两个公开可用的数据集 DEAP 和 MAHNOB-HCI 上评估所提出的方法。将所提出的网络的性能与 SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet 和 EEGNet 等先前报告的方法进行了比较。在大多数实验中，TSception 的分类准确率和 F1 分数高于其他方法。代码可在以下位置获得：https://github.com/yi-ding-cs/TSception
使用带有元启发式优化非局部均值滤波器的小波变换自动识别和去除单通道脑电图中的肌肉伪影
摘要：脑电图 (EEG) 信号很容易受到肌肉伪影的污染，这可能导致脑机接口 (BCI) 系统以及各种医疗诊断的错误解读。本文的主要目标是在不扭曲 EEG 所含信息的情况下去除肌肉伪影。首次提出了一种新的多阶段 EEG 去噪方法，其中小波包分解 (WPD) 与改进的非局部均值 (NLM) 算法相结合。首先，通过预训练的分类器识别伪影 EEG 信号。接下来，将识别出的 EEG 信号分解为小波系数，并通过改进的 NLM 滤波器进行校正。最后，通过逆 WPD 从校正后的小波系数重建无伪影的 EEG。为了优化滤波器参数，本文首次使用了两种元启发式算法。所提出的系统首先在模拟脑电图数据上进行验证，然后在真实脑电图数据上进行测试。所提出的方法在真实脑电图数据上实现了 2.9684 ± 0.7045 的平均互信息 (MI)。结果表明，所提出的系统优于最近开发的具有更高平均 MI 的去噪技术，这表明所提出的方法在重建质量方面更佳并且是全自动的。
在沉浸式虚拟现实体验中，从脑电图中解码主观情绪唤醒
抽象的沉浸式虚拟现实（VR）实现了自然主义的神经科学研究，同时进行了实验控制，但动态和互动刺激构成了方法论挑战。我们在这里探索了情绪唤醒，情感经验的基本特性和自然主义刺激下的枕骨 - 枕α功率之间的联系：37名年轻健康的成年人完成了沉浸式的VR体验，其中包括越过的越野车，并记录了他们的EEG，而他们的EEG被记录。然后，他们在观看经验重播的同时，不断地评估自己的主观情感唤醒。通过（1）分解连续的脑电图信号，同时通过（1）分解α功率和唤醒等级之间的启动，并通过（2）解码高唤醒和低唤醒时期的高唤醒时期，通过（1）分解连续的EEG信号，通过（1）分解连续的EEG信号，通过（1）分解连续的EEG信号，通过（1）分解连续的EEG信号，通过（1）分解连续的EEG信号，以高和低唤醒的方式通过（2）使用区分的常见的短暂的空间记忆和长期的长期恢复性的Neural Neural re recrillent neural recor re recor remanter，对情绪唤醒和parieto-cipipital Alpha功率之间的关联进行了测试和确认。我们成功地结合了脑电图和自然主义的身临其境的VR经验，以扩展有关情绪唤醒神经生理学的先前发现，对现实世界的神经科学。
在陈述性干扰和睡眠的背景下，与脑电图中的运动图像中的事件相关的对同步
运动图像（MI）与Neurofeatback（NF）结合使用，是一种有希望的补充剂，可促进脑损伤后运动能力的获取和恢复受损的运动能力。但是，控制MI NF的能力受到广泛的个体间变异性的影响。大量用户在取得良好的结果方面遇到了困难，这损害了他们在学习或康复环境中从Mi NF中受益的机会。已经提出，上下文因素（即实际运动任务之外的因素）可以解释运动技能的个体差异。回顾性声明性干扰和睡眠已经被确定为运动执行（ME）和基于MI的实践的关键因素。在这里，我们研究了这些发现是否概括为练习mi nf。三个组在随后的两天进行了三个用NF练习MI的三个块。在两个组中，MI NF块之后是立即或延迟的声明内存任务。对照组仅执行MI NF，没有特定的干扰任务。在实验的第一天，第二天的第三天运行了两个mi nf块。在mu和beta频率事件事件相关的对同步（ERD）中，在块NF中有显着的内部收益，其中所有组都很明显。但是，数据并未提供有关立即或延迟对Mi nf ERD的宣告性干扰的影响的证据。另外，在睡觉过夜后，Mi nf Erd保持不变。我们没有观察到有关声明性干扰和睡眠的预期结果模式。这是在可变实验任务设计，个体间差异和绩效指标的背景下讨论的。
探究机器学习和深度学习方法从人类睡眠脑电图中检测轻度创伤性脑损伤
摘要 — 创伤性脑损伤 (TBI) 是一种非常普遍且严重的公共卫生问题。大多数 TBI 病例性质较轻，但有些人可能会发展为持续性残疾。那些具有持续性脑震荡后症状的人的病理生理原因很可能是多因素的，其潜在机制尚不清楚，但很明显，睡眠障碍在患有持续性残疾的人中占主导地位。睡眠脑电图 (EEG) 提供了一个直接观察神经活动的机会，而这种行为状态原本是高度刻板的，并且是一种很有前途的 TBI 诊断和预后的定量测量方法。随着机器学习、深度卷积神经网络领域的不断发展以及更好架构的发展，这些方法有望解决个性化医疗在推荐系统和/或健康监测系统中长期存在的一些挑战。具体来说，先进的脑电图分析可以识别神经系统疾病的假定脑电图生物标志物，这可能与轻度 TBI 的预测高度相关，轻度 TBI 是一种异质性疾病，受影响的表型和残疾程度范围广泛。在这项工作中，我们研究了各种机器学习技术和深度神经网络架构在一群人类受试者中的使用情况，这些受试者通过夜间实验室诊断性多导睡眠图 (PSG) 记录睡眠脑电图。探索了一种对 TBI 与非 TBI 对照受试者进行分类的最佳方案。当使用适当参数使用少量受试者（10 名 mTBI 受试者和 9 名年龄和性别匹配的对照）时，结果很有希望，在随机抽样安排中的准确率约为 95%，在独立验证安排中的准确率约为 70%。因此，我们相信，通过更多的数据和进一步的研究，我们将能够建立一个通用模型，不仅通过有人值守的实验室内 PSG 记录来准确检测 TBI，而且还可以在实际场景中，例如从日常生活中的简单可穿戴设备获取的 EEG 数据。