XiaoMi-AI文件搜索系统
World File Search System意象
数字舞蹈对大脑意象、认知和健康的功效：随机对照试验
背景：多领域干预对促进健康老龄化具有明显的好处，但维持长期收益的自我赋权策略仍然难以捉摸。目的：本研究评估了参与数字体感舞蹈游戏对大脑意象变化的影响，作为主要结果，以及其他身心健康指标作为与健康老龄化相关的次要结果。方法：2020 年 8 月 31 日至 2021 年 6 月 27 日期间，这项随机对照试验招募了 60 名年龄超过 55 岁且近期未参与数字舞蹈游戏的合格参与者。使用计算机生成的随机化序列将参与者按 1:1 分配到接受数字体感舞蹈游戏训练的干预组 (n=30) 或对照组 (n=30)，不进行分层。匿名代码向研究人员隐瞒了干预分配情况，分配干预的个人不参与研究数据的分析。干预包括每周两次 30 分钟的舞蹈游戏，持续 6 个月，对照组接受健康老龄化教育。主要结果是大脑意象的变化。所有变量均在基线和 6 个月的随访中测量，并使用意向治疗分析的 t 检验来估计干预效果。结果：与对照组相比，干预参与者在左侧壳核灰质体积 (GMV)（估计 0.016，95% CI 0.008 至 0.024；P <.001）、左侧苍白球 GMV（估计 0.02，95% CI 0.006 至 0.034；P =.004）和左侧苍白球低频波动的分数振幅（估计 0.262，95% CI 0.084 至 0.439；P =.004）的大脑意象方面有显著差异。此外，干预组小脑 VI GMV 的想象也有所不同（估计值为 0.011，95% CI 0.003 至 0.02；P =.01）。干预组蒙特利尔认知评估总分（估计值为 1.2，95% CI 0.27 至 −2.13；P <.01）、生活质量（估计值为 7.08，95% CI 2.35 至 11.82；P =.004）和工作日坐着的时间（估计值为 −1.96，95% CI −3.33 至 −0.60；P =.005）也有所改善。此外，舞蹈表演与认知表现（P =.003）、健康状况（P =.14）、适应力（P =.007）和士气低落（P <.001）显着相关。
基于脑电图感知的视觉和振动触觉引导的运动意象分类
摘要：运动想象 (MI) 是一种无需实际使用肌肉即可想象运动任务执行的技术。当用于由脑电图 (EEG) 传感器支持的脑机接口 (BCI) 时，它可以用作人机交互的成功方法。本文使用 EEG MI 数据集评估了六种不同分类器的性能，即线性判别分析 (LDA)、支持向量机 (SVM)、随机森林 (RF) 和来自卷积神经网络 (CNN) 系列的三种分类器。该研究调查了这些分类器在静态视觉提示、动态视觉引导以及动态视觉和振动触觉 (体感) 引导的组合指导下对 MI 的有效性。还研究了数据预处理过程中滤波通带的影响。结果表明，在检测不同方向的 MI 时，基于 ResNet 的 CNN 在振动触觉和视觉引导数据上的表现都明显优于竞争分类器。事实证明，使用低频信号特征对数据进行预处理是实现更高分类准确度的更好解决方案。研究还表明，振动触觉引导对分类准确度有显著影响，而相关改进对于结构更简单的分类器尤其明显。这些发现对于基于 EEG 的 BCI 的开发具有重要意义，因为它们提供了有关不同分类器在不同使用环境中的适用性的宝贵见解。
触觉意象影响指尖振动触觉刺激的皮质反应
尽管与其他类型的心理意象相比，触觉意象的研究并不深入，但它对于脑机接口 (BCI) 来说可能非常有用，因为它可以产生 BCI 操作所需的神经调节。在这里，我们通过比较触觉意象 (TI) 对皮质反应的影响与指尖实际振动触觉刺激的影响，评估了与触觉意象 (TI) 相关的神经调节。我们发现 TI 和振动刺激都会引起与事件相关的脑电图 (EEG) 活动频率变化。此外，TI 会影响由短脉冲振动引起的体感诱发电位 (SEP)。收集了 29 名接受过触觉意象任务训练的参与者的 EEG 数据。在有和没有 TI 的情况下测量了对振动脉冲的反应。这些 SEP 由三个主要部分组成：中央顶叶区域的 P100 反应、额叶区域的 P200 反应和中央区域的 P300 反应。 TI 持续导致同侧 P100、同侧和对侧 P300 以及额叶 P200 增加。此外，TI 还增强了额叶区域因振动而发生的 θ 波段 ERS。这些发现表明，TI 不仅会调节 EEG 模式，还会影响皮质对物理体感刺激的处理。这种对真实和想象的躯体感觉的联合处理可用于 BCI，特别是在临床相关的 BCI 中，这些 BCI 致力于通过结合中枢诱导和外周活动来恢复体感处理。
增强基于运动意象的脑机接口用于中风康复
在全球范围内，中风幸存者的残疾率超过 80%，其中上肢运动障碍影响了 85% 以上的个人。为了应对这一挑战，基于运动想象 (MI) 的脑机接口 (BCI) 已成为一种有前途的方法，可将个人想象的运动意图转化为外部设备的控制信号。脑电图 (EEG) 信号因其非侵入性、便携性、高时间分辨率和价格实惠而常用于 MI-BCI。本研究利用了公开可用的脑电图运动/图像数据集 (EEGMMIDB)，包括来自 109 名参与者的 64 通道 EEG 记录，采样率为 160 Hz。目的是直接使用长短期记忆 (LSTM) 网络在清理后的 EEG 信号上对手掌和脚的张开/闭合进行分类，从而绕过计算密集且耗时的传统特征提取方法。通过调整与时期和段长度相关的超参数，我们实现了 71.2% 的平均分类准确率。这项研究强调了深度学习方法在生成稳健的控制信号以使用 EEG 信号预测运动意图方面的有效性，从而无需使用费力的特征提取方法。通过利用深度学习模型，MI-BCI 设备可以促进神经康复，尤其是中风患者的神经康复，通过提供运动辅助，使患者能够仅通过想象力来执行动作。
无需校准的在线测试时间自适应脑电图运动意象解码
摘要 — 脑机接口 (BCI) 为连接人脑和外部设备提供了一条有前途的途径，其解码能力取得了显著进步，这主要得益于日益复杂的技术，尤其是深度学习。然而，由于会话和受试者之间的分布变化，在现实场景中实现高精度仍然是一个挑战。在本文中，我们将探讨在线测试时间自适应 (OTTA) 的概念，以在推理时间内以无监督的方式持续调整模型。我们的方法通过消除在自适应过程中访问源数据的要求来保证隐私的保护。此外，OTTA 通过不需要任何会话或受试者特定的数据来实现无校准操作。我们将使用轻量级架构以及不同的 OTTA 技术（如对齐、自适应批量归一化和熵最小化）来研究脑电图 (EEG) 运动意象解码任务。我们检查了两个数据集和三个不同的数据设置以进行全面分析。我们的适应方法产生了最先进的结果，有可能促使 BCI 解码的迁移学习转向在线适应。索引术语 —BCI、深度学习、跨学科、迁移学习、运动意象、EEG、测试时间适应
增强基于运动意象的脑机接口用于中风康复
在全球范围内，中风幸存者的残疾率超过 80%，其中上肢运动障碍影响了 85% 以上的个人。为了应对这一挑战，基于运动想象 (MI) 的脑机接口 (BCI) 已成为一种有前途的方法，可将个人想象的运动意图转化为外部设备的控制信号。脑电图 (EEG) 信号因其非侵入性、便携性、高时间分辨率和价格实惠而常用于 MI-BCI。本研究利用了公开可用的脑电图运动/图像数据集 (EEGMMIDB)，包括来自 109 名参与者的 64 通道 EEG 记录，采样率为 160 Hz。目的是直接使用长短期记忆 (LSTM) 网络在清理后的 EEG 信号上对手掌和脚的张开/闭合进行分类，从而绕过计算密集且耗时的传统特征提取方法。通过调整与时期和段长度相关的超参数，我们实现了 71.2% 的平均分类准确率。这项研究强调了深度学习方法在生成稳健的控制信号以使用 EEG 信号预测运动意图方面的有效性，从而无需使用费力的特征提取方法。通过利用深度学习模型，MI-BCI 设备可以促进神经康复，尤其是中风患者的神经康复，通过提供运动辅助，使患者能够仅通过想象力来执行动作。
使用长度训练进行语音图像分类...
摘要 —脑机接口利用脑信号来控制外部设备，而无需实际控制行为。最近，语音意象已被研究用于使用语言进行直接交流。语音意象使用用户想象语音时产生的脑信号。与运动意象不同，语音意象仍然具有未知的特征。此外，脑电图具有复杂和非平稳特性，导致解码性能不足。此外，语音意象难以利用空间特征。在本研究中，我们设计了长度训练，使模型能够对一系列少量单词进行分类。此外，我们提出了分层卷积神经网络结构和损失函数以最大化训练策略。所提出的方法在语音意象分类中表现出竞争力。因此，我们证明了单词的长度是提高分类性能的线索。关键词-脑机接口；脑电图；语音意象；卷积神经网络
凝视镜子时的皮质脊髓兴奋性与运动想象能力的关系
摘要：镜像疗法 (MT) 可帮助中风幸存者恢复运动功能。先前的研究报告称，个体的运动意象能力与运动意象期间的大脑活动区域以及运动意象训练的有效性有关。然而，镜像疗法与运动意象能力之间的关系以及镜像凝视期间皮质脊髓束兴奋性（MT 的重要组成部分）与运动意象能力之间的关系尚不清楚。本研究确定凝视镜子时的运动诱发电位 (MEP) 幅度是否与参与者的运动意象能力有关。招募了 24 名健康的右利手成年人（7 名男性）。在凝视镜子时进行经颅磁刺激，并测量右手第一背侧骨间肌的 MEP。使用运动和视觉意象问卷 (KVIQ) 测量运动意象能力，该问卷评估运动意象能力的生动性。此外，还使用心理计时 (MC) 任务来评估时间方面。结果显示，与静息条件下相比，凝视镜子时 MEP 振幅值的变化与 KVIQ 评估分数之间存在显著的中等相关性。这项研究表明，因镜子凝视而引起的皮质脊髓兴奋性可能与运动想象能力的生动性有关。
解码想象中的言语揭示言语规划和产生机制
摘要 言语意象（产生内部准感知言语体验的能力）是一种与认知功能相关的基本能力，例如内在言语、语音工作记忆和预测处理。言语意象也被认为是检验外在言语理论的理想工具。言语意象的研究具有挑战性，主要是因为缺乏外在的行为输出，以及难以在试验和个体之间在时间上对齐意象事件。我们使用脑磁图 (MEG) 结合基于时间泛化的神经解码和简单的行为协议来确定言语意象背后的处理阶段。我们使用肌电图监测参与者在音节产生心理意象期间嘴唇和下巴的微运动。解码参与者想象的音节揭示了一系列任务引发的表征。重要的是，参与者的微运动并没有区分音节。解码后的神经元模式序列很好地映射到当前显性语音运动控制计算模型的预测上，并为语音规划和生成的假设内部和外部反馈回路提供了证据。此外，结果揭示了规划过程中表征的压缩性质，这与内部生成的自然速率形成对比。我们推测，相同的序列是基于运动的感官预测生成的基础，这些预测调节语音感知以及假设的语音工作记忆的发音回路。这些结果强调了基于新实验方法和分析方法的语音意象的潜力，并为成功的非侵入性脑机接口铺平了道路。
虚拟现实中的动作观察与运动意象相结合对皮质活动的影响
简介：过去，人们使用各种技术来改善运动想象 (MI)，例如沉浸式虚拟现实 (VR) 和动觉排练。虽然脑电图 (EEG) 已用于研究基于 VR 的动作观察和动觉运动想象 (KMI) 之间的大脑活动差异，但尚未研究它们的综合效果。先前的研究表明，基于 VR 的动作观察可以通过提供视觉信息和体现来增强 MI，即对自己作为被观察实体的一部分的感知。此外，已经发现 KMI 产生的大脑活动与实际执行任务相似。因此，我们假设，利用 VR 为动作观察提供沉浸式视觉场景，同时参与者进行动觉运动想象，将显著改善与 MI 相关的皮质活动。