XiaoMi-AI文件搜索系统
World File Search System电位
附近闪烁频率下的稳态视觉诱发电位之间的局部相互作用
稳态视觉诱发电位 (SSVEP) 被广泛用于指示人类脑电图 (EEG) 研究中自上而下的认知处理。通常，会呈现两个以不同时间频率 (TF) 闪烁的刺激，每个刺激都会在其闪烁频率下在 EEG 中产生不同的反应。然而，在存在竞争性闪烁刺激的情况下，EEG 中的 SSVEP 反应如何仅由于感觉相互作用而受到调节尚不清楚。我们之前已经在从清醒猴子记录的局部场电位 (LFP) 中表明，当两个重叠的全屏光栅以不同的 TF 反相时，存在不对称的 SSVEP 反应抑制，较低 TF 的抑制更大，这进一步取决于光栅的相对方向（平行光栅的抑制和不对称性比正交光栅更强）。在这里，我们首先在男性和女性人类 EEG 记录中证实了这些影响。然后，我们在比之前研究更广的范围内绘制了一个刺激（目标）对竞争刺激（掩码）的反应抑制。令人惊讶的是，我们发现抑制在低频下通常并不强，而是根据目标 TF 系统地变化，表明两个竞争刺激之间存在局部相互作用。这些结果在人类 EEG 和猴子 LFP 和皮层电图 (ECoG) 数据中都得到了证实。我们的结果表明，多个 SSVEP 之间的感官相互作用比以前显示的更复杂，并且受到局部和全局因素的影响，强调需要谨慎解释涉及 SSVEP 范式的研究结果。
皮质表面电位的柱状定位和层状起源
1 劳伦斯伯克利国家实验室生物系统与工程部，加利福尼亚州伯克利 94720，2 加利福尼亚大学伯克利分校物理系，加利福尼亚州伯克利 94720，3 艾伦脑科学研究所，华盛顿州西雅图 98109，4 加利福尼亚大学伯克利分校/旧金山分校神经工程与假肢中心，加利福尼亚州伯克利 94720-3370，5 加利福尼亚大学伯克利分校电气工程与计算机科学系，加利福尼亚州伯克利 94720，6 加利福尼亚大学伯克利分校海伦威尔斯神经科学研究所和雷德伍德理论神经科学中心，加利福尼亚州伯克利 94720，7 劳伦斯伯克利国家实验室科学数据部，加利福尼亚州伯克利 94720，以及 8 劳伦斯伯克利国家实验室生物系统与工程部，加利福尼亚州伯克利 94720
人类皮层脑电场电位记录的聆听区域
摘要 颅内脑电图 (icEEG) 记录因其无与伦比的时空分辨率而为人类神经动力学提供了宝贵的见解。然而，这种记录反映了多个底层发生器的综合活动，影响了分辨空间上不同神经源的能力。为了实证量化 icEEG 记录的聆听区，我们计算了 71 名患者（33 名女性）植入硬膜下电极 (SDE)、立体脑电图电极 (sEEG) 或高密度 sEEG 电极的 8752 个记录点之间信号与距离 (半峰全宽；FWHM) 的函数之间的相关性。正如预期的那样，对于 SDE 和 sEEG，与低频信号相比，高频信号表现出更急剧的下降。对于宽带高 g (BHG) 活动，SDE (6.6 6 2.5 mm) 和灰质中的 sEEG (7.14 6 1.7 mm) 的平均 FWHM 没有显著差异；然而，sEEG 记录的低频 FWHM 比 SDE 小 2.45 mm。白质 sEEG 在 17 – 200 Hz (q, 0.01) 频率下的功率低得多，衰减比灰质电极 (7.14 6 1.7 mm) 更宽 (11.3 6 3.2 mm)。与白质参考或公共平均参考 (CAR) 相比，使用双极参考方案可显著降低 sEEG 的 FWHM。这些结果概述了阵列设计、光谱带和参考方案对人类 icEEG 记录中局部场电位记录和源定位的影响。我们得出的指标与认知和癫痫数据的分析和解释直接相关。
在帕金森病的运动解码方面，皮层脑电图优于丘脑底局部场电位
未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者（此版本于 2022 年 4 月 19 日发布。；https://doi.org/10.1101/2021.04.24.441207 doi：bioRxiv preprint
人类皮层脑电场电位记录的聆听区域
版权所有 © 2022 McCarty 等人。这是一篇开放获取的文章，根据知识共享署名 4.0 国际许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，前提是对原始作品进行适当的署名。
一种稳态视觉诱发电位脑电信号的个性化压缩方法
摘要：稳态视觉诱发电位（SSVEP）作为一种信息丰富的脑电信号，在无线可穿戴设备中脱颖而出。然而，其数据通常非常庞大，占用过多的带宽源，并且在以原始数据形式传输时需要巨大的功耗，因此需要对其进行压缩。本文提出了一种针对SSVEP应用的个性化脑电信号压缩与重构算法。在该算法中，为了实现个性化，首先使用面向BCI应用的开放基准数据库（BETA）对初级人工神经网络（ANN）模型进行预训练。然后，通过增量学习为每个受试者生成自适应ANN模型来压缩他们的个人数据。此外，提出了一种个性化的非均匀量化方法来减少压缩引起的误差。在BETA上进行测试，当压缩率为12.7倍时，识别准确率仅下降3.79％。与不使用ANN、不使用均匀量化的情况相比，所提算法在准确度测试中可使信号损失从50.43%减少到81.08%。
使用规则化时空 LCMV 波束形成对事件相关电位进行分类
摘要：基于事件相关电位 (ERP) 的 EEG 视觉脑机接口 (BCI) 的可用性得益于减少 BCI 操作前的校准时间。线性解码模型（例如时空波束形成器模型）可实现最先进的精度。尽管该模型的训练时间通常很短，但它可能需要大量的训练数据才能达到功能性能。因此，BCI 校准会话应该足够长以提供足够的训练数据。这项工作为波束形成器权重引入了两个正则化估计器。第一个估计器使用交叉验证的 L2 正则化。第二个估计器通过假设 Kronecker-Toeplitz 结构协方差来利用有关 EEG 结构的先验信息。使用包含 21 名受试者的 P300 范式记录的 BCI 数据集验证了这些估计器的性能，并将其与原始时空波束形成器和基于黎曼几何的解码器进行了比较。我们的结果表明，引入的估计器在训练数据有限的情况下条件良好，并提高了对未见数据的 ERP 分类准确性。此外，我们表明结构化正则化可以减少训练时间和内存使用量，并提高分类模型的可解释性。
蝴蝶效应：虚拟现实中稳态视觉诱发电位刺激的新机遇
在虚拟现实 (VR) 中，稳态视觉诱发电位 (SSVEP) 可用于通过脑信号与虚拟环境进行交互。然而，SSVEP 诱发刺激的设计通常与虚拟环境不匹配，因此会破坏虚拟体验。在本文中，我们研究了不同适应性刺激设计，以融入虚拟环境。因此，我们创造了不同形状的虚拟蝴蝶。形状从矩形翅膀到圆形翅膀，再到真实蝴蝶的翅膀形状。这些蝴蝶通过不同的动画（闪烁或拍打翅膀）引发 SSVEP 反应。为了评估我们的刺激，我们首先从文献中提取了适合 SSVEP 反应的频率。在第一项研究中，我们确定了在 VR 中产生最佳检测精度的三个频率。我们在第二项研究中使用这些频率来分析使用我们的刺激设计的检测精度和外观评级。我们的工作为融入虚拟环境并仍能引发 SSVEP 反应的 SSVEP 刺激的设计提供了见解。