XiaoMi-AI文件搜索系统
World File Search System图解
MAtt：用于脑电图解码的流形注意力网络
脑电图 (EEG) 信号的识别严重影响非侵入式脑机接口 (BCI) 的效率。虽然基于深度学习 (DL) 的 EEG 解码器的最新进展提供了改进的性能，但几何学习 (GL) 的发展因其在解码噪声 EEG 数据方面提供出色的鲁棒性而备受关注。然而，缺乏关于深度神经网络 (DNN) 和几何学习在 EEG 解码中的合并使用的研究。我们在此提出了一种流形注意力网络 (mAtt)，这是一种基于几何深度学习 (GDL) 的新型模型，具有流形注意力机制，可在黎曼对称正定 (SPD) 流形上完全表征 EEG 数据的时空表示。在时间同步和异步 EEG 数据集上对所提出的 MAtt 的评估表明，它优于其他领先的 DL 方法用于一般 EEG 解码。此外，模型解释分析揭示了 MAtt 捕捉信息性 EEG 特征和处理大脑动态非平稳性的能力。
从人类脑电图解码个性化运动皮层兴奋状态
图 1. 用于优化每个参与者个性化分类器的分析程序。原始 EEG 数据经过频谱分析。计算 MEP 振幅并通过中值分割分为小 MEP 和大 MEP。之后，通过拟合 100 个不同的 lambda 值和 168 个不同的特征数的 LDA 分类器执行 5 倍交叉验证网格搜索，并按重要性顺序添加特征。然后，选择每个参与者表现最佳的交叉验证分类器，并使用交叉验证期间获得的每个预测类的真实 MEP 振幅计算预测的 MEP 振幅调制。对于每个参与者，在优化和分类循环中训练和测试 16,800 个分类器，这在标准笔记本电脑上需要约 4 分钟。
自省信心可预测自我脑电图解码
图 2 状态之间的振荡差异（分神 - 专注，N = 25）随探测开始（0 秒）时间的变化。（a）时间频率分解在电极位置处取平均值。虚线黑色矩形表示反映显著差异的光谱时间聚类（p < .025，双侧聚类置换检验），灰色矩形表示趋势水平（.025 < p < .05）聚类。（b - d）α（8 - 13 Hz）、θ（4 - 7 Hz）和δ（2 - 3 Hz）光谱功率在聚类的电极位置处取平均值（黑条 = 显著，灰条 = 趋势）。（e）聚类内不同子窗口的聚类拓扑结构（黑色标记表示在每个时间窗口内至少 50% 的样本上存在的电极，白色电极标记趋势水平效应的拓扑结构）
使用消费级耳机记录的错误相关电位进行深度学习在线脑电图解码脑机接口
摘要 目的。脑机接口 (BCI) 允许感觉运动障碍的受试者与环境互动。依赖于事件相关电位 (ERP) 等脑电信号的非侵入式 BCI 已被证实是时空分辨率和患者影响之间的可靠折衷，但由于便携性和多功能性而受到限制，因此无法广泛应用。在这里，我们描述了一种使用消费级便携式耳机脑电图 Emotiv EPOC + 的深度学习增强误差相关电位 (ErrP) 辨别 BCI。方法。我们在视觉反馈任务中记录并辨别了 14 名受试者的在线和在线 ErrP。主要结果：我们实现了高达 81% 的在线辨别准确率，与使用生成对抗网络或训练数据和极简计算资源的内在模式函数增强进行深度学习获得的准确率相当。意义。我们的 BCI 模型有可能将 BCI 的范围扩展到更便携、人工智能增强、更高效的接口，从而加速这些设备在科学实验室受控环境之外的常规部署。
通过深度学习实现开放世界脑电图解码：一项综合调查
脑电图 (EEG) 解码旨在根据非侵入式测量的大脑活动识别神经处理的感知、语义和认知内容。传统的 EEG 解码方法在应用于静态、控制良好的实验室环境中获取的数据时取得了一定的成功。然而，开放世界环境是一个更现实的设定，其中影响 EEG 记录的情况可能会意外出现，从而大大削弱现有方法的稳健性。近年来，深度学习 (DL) 因其卓越的特征提取能力而成为此类问题的潜在解决方案。它克服了定义“手工制作”特征或使用浅层架构提取的特征的局限性，但通常需要大量昂贵的、专家标记的数据——而这些数据并不总是能够获得。将 DL 与领域特定知识相结合，可以开发出即使使用小样本数据也能解码大脑活动的稳健方法。尽管已经提出了各种 DL 方法来应对 EEG 解码中的一些挑战，但目前缺乏系统的教程概述，特别是针对开放世界应用的教程概述。因此，本文对开放世界 EEG 解码的 DL 方法进行了全面概述，并确定了有希望的研究方向，以启发未来在现实世界应用中对 EEG 解码的研究。
具有耗散量子的大规模量子中继器网络模拟的图解技术
我们详细介绍了最近在 [VV Kuzmin et. al. , npj Quantum Information 5, 115 (2019)] 中设计的用于半解析描述大规模量子中继器网络的图解技术。该技术考虑了所有基本的实验缺陷，包括网络量子存储器的连续耗散刘维尔动力学和经典通信延迟。使用半解析方法获得的结果与精确的蒙特卡洛模拟相符，而所需的计算资源仅与网络规模成线性关系，因此可以对受到相关现实缺陷影响的大规模量子网络进行精确的比较和优化。我们通过针对一系列网络规模和存储器相干时间优化 1D 和 2D 量子网络中的密钥速率来说明该方法的潜力。所提出的方法为未来量子网络的开发和有效优化开辟了新的可能性。
用于运动想象脑电图解码的跨主体深度迁移学习
摘要 — 卷积神经网络 (CNN) 已成为解码 EEG 的强大技术，并已成为运动想象 EEG 脑机接口 (BCI) 解码的基准。然而，在不降低个体表现的情况下在多个受试者的 EEG 上训练 CNN 仍然具有挑战性。这被称为负迁移问题，即从不同的分布中学习会导致 CNN 错误地表示每个受试者的 EEG，而不是学习更丰富的表示。因此，CNN 不能直接使用多个受试者的 EEG 来直接提高模型性能。为了解决这个问题，我们将深度迁移学习技术扩展到 EEG 多受试者训练案例。我们提出了一个多分支深度传输网络，即分离-公共-分离网络 (SCSN)，该网络基于为各个受试者拆分网络的特征提取器。我们还探讨了将最大均值差异 (MMD) 应用于 SCSN (SCSN-MMD) 的可能性，以更好地对齐来自各个特征提取器的特征分布。在 BCI 竞赛 IV 2a 数据集 (BCICIV2a 数据集) 和我们的在线记录数据集上对所提出的网络进行了评估。结果表明，所提出的 SCSN (81.8%，53.2%) 和 SCSN-MMD (81.8%，54.8%) 在使用多个受试者的两个数据集上均优于基准 CNN (73.4%，48.8%)。我们提出的网络显示出利用更大的多受试者数据集来训练 EEG 解码器的潜力，而不会受到负迁移的影响。索引术语 — 脑机接口、EEG、多受试者、深度学习、迁移学习、在线解码 I. 介绍
利用表面肌电图解读中风患者的踝关节运动
摘要：中风是一种脑血管疾病 (CVD)，会导致偏瘫、瘫痪或死亡。传统上，中风患者需要长时间接受物理治疗师的治疗才能恢复运动功能。各种家用康复设备也可用于上肢，几乎不需要物理治疗师的帮助。然而，目前还没有经过临床验证的用于下肢功能恢复的设备。在本研究中，我们探索了表面肌电图 (sEMG) 作为控制机制在开发中风患者家用下肢康复设备方面的潜在用途。在本实验中，我们使用三个通道的 sEMG 记录了 11 名中风患者进行踝关节运动时的数据。然后从 sEMG 数据中解码运动，并研究它们与运动损伤程度的相关性。使用 Fugl-Meyer 评估 (FMA) 量表量化损伤程度。在分析过程中，提取了 Hudgins 时域特征，并使用线性判别分析 (LDA) 和人工神经网络 (ANN) 进行分类。平均而言，在离线分析中，LDA 和 ANN 分别准确分类了 63.86% ± 4.3% 和 67.1% ± 7.9% 的动作。我们发现，在两个分类器中，某些动作的表现都优于其他动作（LDA p < 0.001，ANN p = 0.014）。计算了 FMA 分数和分类准确度之间的 Spearman 相关性 (ρ)。结果表明，两者之间存在中等正相关性（LDA ρ = 0.75，ANN ρ = 0.55）。本研究结果表明，可以开发家庭 EMG 系统来提供定制治疗，以改善中风患者的功能性下肢运动。
使用常见空间模式对听觉注意的方向焦点进行快速基于脑电图解码
摘要 — 目标：当存在多个声源时，当前听力假体中的降噪算法缺乏有关用户关注的声源的信息。为了解决这个问题，可以将它们与听觉注意力解码 (AAD) 算法相结合，该算法使用脑电图 (EEG) 传感器直接从大脑解码注意力。最先进的 AAD 算法采用刺激重建方法，其中关注源的包络从 EEG 重建并与各个源的包络相关联。然而，这种方法在短信号段上表现不佳，而较长的片段在用户切换注意力时会产生不切实际的长检测延迟。方法：我们提出使用滤波器组通用空间模式滤波器 (FB-CSP) 解码注意力的方向焦点作为替代 AAD 范式，它不需要访问干净的源包络。结果：提出的 FB-CSP 方法在同一任务上优于传统刺激重建方法以及卷积神经网络方法。我们实现了高精度（1 秒窗口为 80%，准瞬时决策为 70%），足以实现低于 4 秒的最小预期切换持续时间。我们还证明该方法可用于未见受试者的未标记数据，并且仅使用位于耳朵周围的部分 EEG 通道来模拟可穿戴 EEG 设置。结论：提出的 FB-CSP 方法可以快速准确地解码听觉注意力的方向焦点。意义：在非常短的数据段上实现高精度是朝着实用神经引导听力假体迈出的重要一步。