XiaoMi-AI文件搜索系统
World File Search System意象
基于运动意象的脑迁移学习...
迁移学习 (TL) 已广泛应用于基于运动想象 (MI) 的脑机接口 (BCI)，以减少新受试者的校准工作量，并表现出良好的性能。虽然基于闭环 MI 的 BCI 系统在脑电图 (EEG) 信号采集和时间滤波之后，在向外部设备发送控制信号之前包括空间滤波、特征工程和分类模块，但之前的方法仅考虑其中一两个组件中的 TL。本文提出可以在基于 MI 的 BCI 的所有三个组件（空间滤波、特征工程和分类）中考虑 TL。此外，在空间滤波之前特别添加数据对齐组件也非常重要，以使来自不同受试者的数据更加一致，从而促进后续的 TL。在两个 MI 数据集上的离线校准实验验证了我们的建议。特别是，整合数据对齐和复杂的 TL 方法可以显著提高分类性能，从而大大减少校准工作量。
运动意象和双手协调的简要回顾
运动意象疗法在临床环境中的应用越来越广泛，例如神经康复和脑机接口 (BCI)。中风后，患者会失去上肢功能，必须重新学习日常生活活动所必需的双手协调技能。物理治疗师将运动意象疗法与物理康复相结合，以加速康复。在 BCI 中，用户通常被要求想象一个动作，通常带有稀疏的指令。与此认知任务相吻合的 EEG 模式被捕获，然后用于执行外部命令，例如操作神经假体装置。因此，BCI 依赖于对运动意象的有效和可靠的解释。虽然运动意象疗法可以改善患者的治疗效果并为 BCI 研究提供信息，但其背后的认知和神经生理机制尚不清楚。某些类型的运动意象疗法比其他类型的更有效。例如，关注运动提示和采用第一人称视角比关注视觉提示和采用第三人称视角更有效。随着运动想象在神经康复和 BCI 中变得越来越占主导地位，阐明这些技术有效的原因非常重要。本综述的目的是研究迄今为止专注于运动想象和双手协调的研究。对这两个主题的当前研究的评估可以作为科学家和临床医生寻求使用运动想象来帮助改善双手协调的有用平台，无论是通过增强物理治疗还是开发更有效的 BCI。
EEG-ITNet：一种用于运动意象分类的可解释初始时间卷积网络
摘要 近年来，神经网络，尤其是深度架构在脑机接口 (BCI) 领域的脑电信号分析中受到了广泛关注。在这个正在进行的研究领域，端到端模型比需要信号转换预分类的传统方法更受青睐。它们可以消除对专家的先验信息和手工特征提取的需求。然而，尽管文献中已经提出了几种深度学习算法，在对运动或心理任务进行分类方面取得了很高的准确率，但它们往往缺乏可解释性，因此不太受神经科学界的青睐。其背后的原因可能是参数数量众多，以及深度神经网络对捕捉微小但不相关的判别特征的敏感性。我们提出了一种称为 EEG-ITNet 的端到端深度学习架构，以及一种更易于理解的方法来可视化网络学习的模式。使用初始模块和带扩张的因果卷积，我们的模型可以从多通道脑电信号中提取丰富的光谱、空间和时间信息，并且复杂度（就可训练参数的数量而言）低于其他现有的端到端架构（例如 EEG-Inception 和 EEG-TCNet）。通过对 BCI 竞赛 IV 中的数据集 2a 和 OpenBMI 运动想象数据集进行详尽评估，EEG-ITNet 在不同场景中的分类准确率比其竞争对手高出 5.9%，具有统计学意义。我们还从神经科学的角度全面解释和支持网络图示的有效性。我们还在 https://github.com/AbbasSalami/EEG-ITNet 上免费提供我们的代码。
惯用手影响运动意象和执行的神经关联：一项 FMRI 研究
图 1 实验时间线。试验以 3.47 分钟的 T1 结构 MRI 开始，然后是运动想象 (MI) 任务（约 20 分钟）。然后获取 DTI 数据（5 分钟），然后是运动执行 (ME) 任务（约 10 分钟）。这里显示了运动想象任务的详细时间。只有在 MI 任务开始时，屏幕上才会出现“Imagery”一词。每次试验都以注视十字（3 秒）开始，然后是一张显示右手、左手或双手的图片，指示必须执行哪种条件（7 秒）。试验之间有 5 到 9 秒的静止时间（注视十字）抖动间隔。每种条件（左手/右手/双手）的试验在参与者中随机分配。同样的程序也适用于 ME 任务，唯一的区别是在开始时显示“Execution”一词
研究论文基于经验模态分解和自回归模型的脑电图视觉意象识别
脑机接口 (BCI) 的传统想象任务包括运动想象 (MI)，即指示受试者想象移动身体的某些部位。这种想象任务对受试者来说很难。在本研究中，我们使用了一种研究较少但更容易执行的心理想象类型——视觉想象 (VI)，即指示受试者在大脑中可视化一幅图片以实现 BCI。在本研究中，招募了 18 名受试者并指示他们观察两张视觉提示图片中的一张（一张是静态的，另一张是移动的），然后在每次试验中想象提示的图片。同时，收集脑电图 (EEG) 信号。希尔伯特-黄变换 (HHT)、自回归 (AR) 模型以及经验模态分解 (EMD) 与 AR 的组合分别用于提取特征。支持向量机 (SVM) 用于对两类 VI 任务进行分类。 HHT 的平均、最高和最低分类准确率分别为 68.14 ± 3.06%、78.33% 和 53.3%。AR 模型的 Te 值分别为 56.29 ± 2.73%、71.67% 和 30%。EMD 和 AR 模型组合获得的 Te 值分别为 78.40 ± 2.07%、87% 和 48.33%。结果表明，基于 EEG 可分离多个 VI 任务，并且用于 VI 特征提取的 EMD 和 AR 模型的组合优于单独的 HHT 或 AR 模型。我们的工作可以为构建新的在线 VI-BCI 提供思路。
使用基于注意力机制的双流卷积神经网络解码视觉意象脑电图的三维表征
摘要 —深度神经网络已成功应用于基于脑电图 (EEG) 的脑机接口。然而，在大多数研究中，EEG 通道之间的相关性和区域间关系并未得到很好的利用，导致空间特征提取不够优化。在本研究中，我们提出了一种基于注意机制的双流 3D 卷积神经网络，该网络可以通过强调基于点积的通道注意机制和 3D 卷积之间的关系来增强空间特征提取。与比较模型相比，所提出的方法在 4 类视觉意象 (VI) EEG 分类中实现了 0.58 的准确率，表现出了更好的性能。通过统计和神经生理学分析，视觉运动意象在视觉皮层上显示出比静态 VI 更高的 α -功率谱密度 (PSD)。此外，群体分散的 VI 在前额叶皮质上显示出比群体聚集的 VI 更高的 β -PSD。关键词 —脑机接口、卷积神经网络、脑电图、视觉意象
SaS-BCI：一种预测图像记忆性并使用心理意象作为基于大脑的生物特征认证的新策略
摘要 安全认证是信息安全最重要的层面之一。如今，人体生物特征识别技术是用于认证目的的最安全方法，它涵盖了密码和 PIN 等旧式认证方式存在的问题。最近的生物特征识别技术在安全性方面有很多优势；然而，它们仍然存在一些缺点。技术的进步使得一些特定的设备成为可能，因为它们都是可见和可触摸的，因此可以复制和制作假的人体生物特征识别。因此，需要一种新的生物特征识别技术来解决其他类型的问题。脑电波是人体数据，它将其用作一种新型的安全认证方式，吸引了许多研究人员的关注。有一些研究和实验正在调查和测试脑电图信号以发现人类脑电波的独特性。一些研究人员通过应用不同的信号采集技术、使用脑机接口 (BCI) 进行特征提取和分类，在这一领域取得了很高的准确率。任何 BCI 过程的一个重要部分是获取和记录脑电波的方式。本文针对脑信号的授权和认证过程提出了一种新的信号采集策略。这是通过预测用户大脑中的图像记忆能力，将心理意象用作安全认证的可视化模式。因此，用户可以通过在脑海中可视化特定图片来验证自己的身份。总之，我们可以看到脑电波会根据心理任务而有所不同，这使得将它们用于认证过程变得更加困难。基于大脑的认证有许多信号采集策略和信号处理，通过使用正确的方法，可以实现更高的准确率，适合将脑信号用作另一种生物特征安全认证。
研究论文通过基于脑电图的大脑网络解码涉及下肢的运动协调意象
相较于传统物理治疗的疗效，一种利用运动想象疗法治疗脑卒中偏瘫患者的新疗法可诱导大脑可塑性并可使患者部分恢复运动能力。本文提出了一种利用下肢运动协调想象（正常步态想象和中风后偏瘫步态想象）的更新范式，并通过基于脑电图的脑网络对此类想象进行解码。招募30名受试者在下肢运动协调想象期间采集脑电图。采用时域分析、功率谱分析、时频分析、脑网络分析和统计学分析探讨下肢运动协调想象的神经机制。提取10个基于脑电图的脑网络特征，并使用支持向量机进行解码。结果显示，两种运动协调想象主要激活感觉运动区域，频带功率主要集中在θ和α带，脑功能连接主要发生在右前额。基于脑电信号的脑网络的网络属性与邻接矩阵的空间特征的组合对两种步态表象具有良好的可分离性（p < 0.05），组合特征的平均分类准确率为 92.96% ± 7.54%。综合来看，我们的研究结果表明脑网络特征可用于识别中风后的正常步态表象和偏瘫步态表象。
脑机接口中用于脑电图运动意象解码的模型无关元学习
摘要 — 我们在此介绍了用于训练 EEG BCI 解码器的元学习理念。元学习是一种训练机器学习系统使其学会学习的方法。我们将元学习应用于简单的深度学习 BCI 架构，并将其与同一架构上的迁移学习进行比较。我们的元学习策略通过寻找 BCI 解码器的最佳参数来运行，以便它可以在不同用户和记录会话之间快速推广 - 从而也可以快速推广到新用户或新会话。我们在 Physionet EEG 运动意象数据集上测试了我们的算法。我们的方法将运动意象分类准确率提高了 60% 到 80%，在小数据条件下优于其他算法。我们相信，建立元学习或学习学习方法将有助于神经工程和人机交互应对快速设置神经信号解码器的挑战，使其更适合日常生活。
研究论文基于 fNIRS 使用稀疏表示解码步行意象和空闲状态
目的.基于功能性近红外光谱（fNIRS）的脑机接口（BCI）有望为严重影响其生活质量的步行功能障碍患者提供一种可选的主动康复训练方法。利用稀疏表示分类（SRC）氧合血红蛋白（HbO）浓度对步行表象和空闲状态进行解码，构建基于步行表象的 fNIRS-BCI。方法.招募15名受试者，采集步行表象和空闲状态下的 fNIRS 信号。首先对 HbO 信号进行带通滤波和基线漂移校正，提取 HbO 的均值、峰值、均方根（RMS）及其组合作为分类特征；利用 SRC 对提取的特征进行识别，并将 SRC 的结果与支持向量机（SVM）、K 最近邻（KNN）、线性判别分析（LDA）和逻辑回归（LR）的结果进行比较。结果.实验结果表明，三种特征组合的SRC对于步行想象和静止状态的平均分类准确率为91.55±3.30%，显著高于SVM、KNN、LDA和LR的86.37±4.42%、85.65±5.01%、86.43±4.41%和76.14±5.32%，且其他组合特征的分类准确率均高于单一特征的分类准确率。结论研究表明，在fNIRS-BCI中引入SRC能有效识别步行想象和静止状态。同时特征提取的不同时间窗口对分类结果有影响，2～8 s的时间窗口取得了比其他时间窗口更好的分类准确率（94.33±2.60%）。显著性意义。该研究旨在为步行功能障碍患者提供一种新的、可选的主动康复训练方法，此外该实验也是一项罕见的基于fNIRS-BCI利用SRC解码步行意象和静止状态的研究。