XiaoMi-AI文件搜索系统
World File Search System机界面
通过数据平衡技术控制家庭电器控制的基于p300的大脑 - 计算机界面
摘要：基于P300的大脑 - 计算机界面（BCIS）中使用的奇数范式本质上构成了目标刺激和非目标刺激之间的数据不平衡问题。数据不平衡会导致过度解决问题，从而导致分类性能差。本研究的目的是通过通过抽样技术解决此数据不平衡问题来提高BCI性能。将采样技术应用于控制门锁的15个受试者的BCI数据，15个受试者是电灯，14名受试者是蓝牙扬声器。我们探索了两类采样技术：过采样和不足采样。过采样技术，包括随机过度采样，合成少数族裔过采样技术（SMOTE），边界效果，支持矢量机（SVM）SMOTE和自适应合成抽样，用于增加目标刺激类别的样品数量。不足的采样技术，包括随机不足采样，邻里清洁规则，Tomek的链接和加权式采样袋，用于降低非目标刺激的班级大小。通过SVM分类器对过度或不足的数据进行了分类。总体而言，某些过采样技术改善了BCI性能，而不足采样技术通常会降低性能。尤其是，使用边界效果产生了所有三种电器的最高精度（87.27％）和信息传输率（8.82 bpm）。此外，边缘效果会提高性能，尤其是对于表现不佳的人。进一步的分析表明，边界效果通过在目标类别中产生更多的支持向量并扩大边缘来改善SVM。然而，边界效果与应用SVM加权正规化参数的方法之间的准确性没有差异。我们的结果表明，尽管过采样提高了基于P300的BCI的性能，但它不仅是过采样技术的效果，而且是解决数据不平衡问题的效果。
西班牙康复专业人员中关于大脑 - 计算机界面（BCI）技术的态度
摘要评估 - 从定性的角度来看 - 西班牙康复专业人员的看法和态度（例如，reha-bilitation医生，言语治疗师，物理治疗师）。通过访谈和分析文本内容分析，类别混合构和分割为主题的频率，进行了定性，探索性和描述性研究。我们介绍了三次深入访谈的结果，这些访谈与以前曾完成调查的西班牙语人士进行了大型，三个国家/语言的一部分，该调查是对BCI看法的调查。11个西班牙受访者（调查）中有11个强烈或某种程度地接受BCI在康复疗法中的使用。但是，我们的三次深入访谈的结果表明，由于对BCI技术的态度和看法的强烈惯性，大多数专业人员都不愿意在日常实践中使用BCI技术（访谈）。
在脑部计算机界面任务期间皮质树突中的矢量化指导性信号
。cc-by-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2023年11月5日。 https://doi.org/10.1101/2023.11.03.565534 doi：Biorxiv Preprint
基于P300的自适应脑计算机界面用于注意训练：随机对照试验的协议
背景：认知缺陷和疾病的人数，例如中风，痴呆或注意力缺陷/多动障碍，由于老龄化或注意力缺陷/多动症障碍而增加。使用脑部计算机界面的神经反馈训练正在成为一种易于使用和无创的认知训练和康复的手段。使用基于p300的脑部计算机界面的神经反馈训练的新型应用，以前已经显示出可以提高健康成年人注意力的潜力。目的：本研究旨在使用迭代学习控制加速注意力训练，以优化自适应P300拼写任务中的任务难度。此外，我们希望使用P300拼写器进行注意训练的先前研究的结果，作为基准比较。此外，将培训期间任务难度个性化的有效性与非个人化任务难度进行比较。
基于点击的电视学脑计算机界面启用长期高性能开关扫描
特征向量2，导致1x128显着矢量。由于RNN-FC网络中权重的随机初始化，因此不能保证对同一组折叠功能进行训练的模型会收敛到一组最终权重。因此，我们重新训练了20次交叉验证的模型的集合，并类似地重新计算了每个样品的显着矢量。最终显着图是通过平均所有重复样本的归因图并在0到1之间的标准化来计算的。我们使用除一个（通道112）以外的所有通道的HG特征重复了此过程
在儿科神经外科中使用侵入性脑部计算机界面：技术和道德考虑
抽象的侵入性脑部计算机界面有望减轻神经系统损伤患者的残疾，并且预计在接下来的十年中，完全可植入的脑部计算机界面系统预计将到达诊所。患有严重神经系统不稳定的儿童，例如四肢瘫痪的脑瘫或颈椎创伤，可能会受益于这项技术。但是，迄今为止，它们已被排除在心脏内脑机构界面的临床试验之外。在本手稿中，我们讨论了与使用严重神经障碍儿童中使用侵入性脑部计算机界面有关的道德考虑。我们首先审查了在儿童中应用内部脑部计算机界面的技术硬件和软件注意事项。然后，我们讨论与运动神经外科运动中与运动脑部计算机界面使用有关的道德问题。最后，基于与脑部计算机界面（功能性和恢复性神经外科手术，儿科神经外科手术，数学和人工智能研究，神经开始，神经启动性，儿科伦理和特殊性的临床构建）有关的跨学科专家小组的输入（功能性和恢复性神经外科，数学和人工智能研究儿童的界面。
基于转移学习的脑机界面，用于检测外骨骼辅助步行期间障碍物的出现
结果和讨论：使用两个连续网络的方法与仅在交叉验证伪在线分析中的第一个方法时，结果是优越的。每分钟（FP/min）的假阳性从31.8降低至3.9 fp/min，重复数量没有误报和真正的阳性（TP）从34.9％提高到60.3％的NOFP/TP。在用外骨骼的闭环实验中测试了这种方法，其中脑机接口（BMI）检测到障碍物，并将命令发送到外骨骼以停止。使用三个健康受试者测试了这种方法，在线结果为3.8 fp/min，NOFP/TP进行了49.3％。使该模型适用于具有缩短且可管理的时间范围的不可能的身体患者，在先前的测试中应用和验证了转移学习技术，然后将其应用于患者。两名不完全的脊髓损伤（ISCI）患者的结果为37.9％NOFP/TP和7.7 fp/min。
大脑 - 计算机界面基于稳态视觉诱发电势，使用轮椅控制的快速响应代码模式
摘要：大脑 - 计算机界面（BCIS）广泛用于严重身体残疾患者的控制应用中。一些研究人员的目的是开发实用的脑控制轮椅。基于稳态的视觉诱发电势（SSVEP）的现有脑电图（EEG）基于BCI是为了控制设备控制的。这项研究利用了可靠的现有系统的快速响应（QR）代码视觉刺激模式。使用提出的带有四个可振动频率的视觉刺激模式生成四个命令。此外，我们采用了SSVEP特征提取的相对功率谱密度（PSD）方法，并将其与绝对PSD方法进行了比较。我们设计了实验来验证所提出系统的效率。结果表明，所提出的SSVEP方法和算法在实时处理中产生的平均分类精度约为92％。对于通过基于独立的控制模拟的轮椅，提议的BCI控制需要比键盘控制的时间大约五倍以进行实时控制。使用QR码模式的建议的SSVEP方法可用于基于BCI的轮椅控制。然而，由于长期连续控制，它因视觉疲劳而受到影响。我们将在严重的身体残障人士中验证和增强拟议的轮椅控制系统。
半监督的生成和歧视性对抗性学习，用于基于运动图像的大脑 - 计算机界面
卷积神经网络（CNN）可以识别具有不同体系结构的数据中的结构/配置模式，以进行特征提取。然而，关于在BCIS中利用先进的深度学习方法的挑战。我们专注于小型培训样本的问题以及学习参数的可解释性，并利用半监督的生成和歧视性学习框架有效地利用具有真实样本的合成样本来发现类歧视性特征。我们的框架了解使用生成模型在嵌入空间中EEG信号的分布特性。通过使用人工生成和真实的脑电图信号，我们的框架会发现类别歧视时空特征表示，这些表示有助于正确区分输入EEG信号。值得注意的是，该框架有助于对真实的，未标记的样本的开发，以更好地发现用户的EEG信号中固有的基本模式。为了验证我们的框架，我们通过利用三个现有CNN架构的变体作为生成器网络进行了比较我们的方法与常规线性模型进行比较的实验，并在三个公共数据集上测量了性能。我们的框架在统计学上对竞争方法表现出显着的改进。我们通过激活模式图研究了学习的网络，并可视化的产生的人工样本以经验证明我们模型的稳定性和神经生理学合理性是合理的。