XiaoMi-AI文件搜索系统
World File Search System用脑
走向直接的脑机音乐接口
至少 40 年来，音乐家和作曲家一直使用脑电波作为音乐的生成源，而脑机接口用于直接通信和控制的可能性在 20 世纪 70 年代初首次被认真研究。此后的几年中，许多艺术家和技术专家一直在努力尝试用脑电波和许多其他生物信号来控制音乐系统。尽管可以从人脑中读取丰富的 EEG、fMRI 和其他数据，但到目前为止，将复杂的脑电图数据转化为令人满意的音乐效果的成功率仍然有限。我们目前正在进行一项研究，我们相信这项研究将带来直接脑机接口用于丰富而富有表现力的音乐控制的可能性。本报告将概述我们当前研究和成果的方向。
用于运动控制和康复的 BCI 机器人的新兴趋势
摘要 过去二十年来，神经工程学研究已为利用脑机接口 (BCI) 增强运动障碍患者功能恢复和独立性提供了有希望的证据。通过翻译大脑活动，BCI 绕过受损的神经运动系统来控制计算机/机器。BCI 控制的机器人旨在为瘫痪患者提供运动辅助，并用于康复以增强运动恢复。在本文中，我们回顾了过去五年来 BCI 和脑控机器人在康复和辅助上下肢运动功能方面的进展。本文强调了 BCI 控制机器人的新兴趋势，以扩大其干预能力并解决阻碍其广泛临床应用的现有挑战。
BCI学习在M/ ... div>中诱导核心 - 周期重组
图2：单层和多层提供的信息（a）在MI条件下BCI训练中单层和多重疗法值的演变。对于与单个脑叶相关的给定轴，我们绘制了分别在EEG，MEG和Multiplex（Mux）中分别在受试者和属于叶的ROI中获得的中位裂缝值。第一线对应于α2频带内的演变，第二线对应于β1频带中的演化。（b）相对度（∆ c）在会话中的演变。表示用脑电图层获得的ΔC值，平均在受试者上。在Y轴上显示了用MEG层获得的值。标记的颜色与用多路复用获得的值相关联。每个标记对应于给定的ROI。
基于脑机接口的人形控制
摘要：脑机接口 (BCI) 是一种通信机制，利用脑信号控制外部设备。此类信号的产生有时与神经系统无关，例如被动 BCI。这对患有严重运动障碍的人非常有益。传统的 BCI 系统仅依赖于使用脑电图 (EEG) 记录的脑信号，并使用基于规则的翻译算法来生成控制命令。然而，最近使用多传感器数据融合和基于机器学习的翻译算法提高了此类系统的准确性。本文讨论了各种 BCI 应用，例如远程呈现、物体抓取、导航等，这些应用使用多传感器融合和机器学习来控制人形机器人执行所需的任务。本文还回顾了所讨论应用中使用的方法和系统设计。
精神分裂症患者听觉编码过程中皮层功能可塑性的干预特定模式
精神分裂症是一种神经认知疾病，其特征是早期听觉处理和高阶言语工作记忆中的行为和神经障碍。之前，我们已经证明，与强调视觉处理的计算机游戏 (CG) 控制干预相比，计算机化的、有针对性的听觉处理 (AT) 训练可以改善干预特定的认知表现。为了研究 AT 干预特有的神经活动模式的时空变化，本研究使用脑磁图 (MEG) 成像来推导听觉编码过程中诱发的高伽马波段振荡 (HGO)，在接受 AT 或 CG 干预 50 小时（约 10 周）之前和之后。在刺激编码过程中，AT 干预特有的高伽马活动变化发生在左侧
非典型神经发育的光谱-Jscholar
短手指，有些手指苗条很长，我们其余的人介于两者之间的某个地方。我们手的结构可能会影响我们更适合我们的任务类型。细长的手指可能更适合精确，细节工作，而强大的宽手指可能更适合基于力量的任务。就像有些手指宽而有些一样，所以它与我们的大脑一样，有些大脑由较宽的褶皱组成，有些则具有更狭窄的褶皱，其余的则介于两者之间。这些区别可能会导致某些大脑结构更适合特定的能力和任务。当我们考虑这些结构上的差异时，通过讨论行为水平（直接可观察到的），认知水平（记忆，语言和处理速度），然后再用脑级（神经结构和过程）来使用Morton and Frith（1995）[3]理论方法可能会产生效率。但是，我们将以相反的顺序作为结构探索它们，可能会影响认知，然后认知会影响行为。
匈牙利理工学院论文集 - 第卷18. 发行号1. (2021.)
说话是一个复杂的过程，需要多个大脑区域和发音器官的参与才能发出特定的声音。言语之前，大脑会花上几百毫秒的时间形成口头语言。一项研究 [3] 表明，大脑平均需要 600 毫秒才能产生一个单词。单词和句子包含几种抽象信息，包括词汇、语法、语音和图形信息。这些成分存储在大脑的言语中枢中。在形成单词之前，各个成分会链接在一起，并将有关发音的信息发送到运动中枢，运动中枢控制发音器官的正确运动。由于言语在人脑中表示为由神经细胞通过电脉冲传输的一簇信息，因此我们可以使用脑机接口 [4] 从神经角度研究言语。
生物医学信号处理与控制
脑机接口 (BCI) 被定义为使用脑信号控制设备或在设备和用户之间进行通信的接口 [1]。BCI 更全面的定义是，脑产生的电活动独立于正常的输出通路传输到周围的神经和肌肉的媒介 [2]。BCI 设计可以从从大脑各个区域记录的一个或多个电生理源中受益。在视觉刺激的作用下，大脑枕叶和顶叶中看到的电信号被称为视觉诱发电位。在低于 3.5 Hz 频率的刺激下从视觉皮层获得的 VEP 被称为瞬态 VEP [3,4]，因为刺激无法触发在视觉皮层产生连续的正弦状反应。在 3.5 Hz 至 75 Hz 之间的刺激频率下，由于动作的叠加，形成了准正弦波形
在言语生成过程中利用脑电图进行超声舌像预测
之前已经开展了初步研究，提出了使用脑信号（例如非侵入性EEG和侵入性sEEG / ECoG）的基于语音的BCI，但缺乏综合方法来研究非侵入性大脑，发音和语音信号，并分析大脑中的认知过程，发音运动的运动学和由此产生的语音信号。在本文中，我们描述了我们的多模态（脑电图，超声舌成像和语音）分析和合成实验，作为可行性研究。我们扩展了使用基于超声的发音数据对语音生成过程中记录的脑信号的分析。从用EEG测量的脑信号中，我们使用完全连接的深度神经网络预测舌头的超声图像。结果表明，EEG和超声舌头图像之间存在微弱但明显的关系，即网络可以区分发音语音和中性舌头位置。索引词：超声，EEG，脑机接口
美国学生暑期工程研究实习（SERIUS）
神经记录技术的最新发展使得记录大脑中数百个单个神经元成为可能。这是一项重大进步，它允许使用脑信号来控制具有很大自由度的假肢。它还使研究人员能够研究神经元群体用来表示和处理大脑信息的神经代码。在这个项目中，我们将分析从清醒、行为正常的猴子额叶皮层记录的数据，以了解不同区域的神经元群体在工作记忆任务中如何反应。我们将研究不同的神经代码（贝叶斯概率、信息论、部分定向相干性等），以了解信息是如何从一个区域处理和转换到另一个区域的。学生将学习如何处理大型神经数据集、将神经数据与动物行为关联起来、在 Matlab 中编程以及在高性能计算集群上执行大规模数据分析。