XiaoMi-AI文件搜索系统
World File Search System电位的
事件相关电位的分类准确率……
a 蓝色字体显示不确定的分类。b 红色字体显示假阳性分类。缩写：BFP，脑指纹；IP，存在真实信息；IP C ，脑指纹分类为存在信息；IA，不存在真实信息；IA C ，脑指纹分类为不存在信息；IND，脑指纹分类为不确定。
使用...改进错误相关电位的分类
我是一名成熟的自费学生，从 1994 年起返回谢菲尔德大学 ACSE。我要感谢我的父母 Cynthia 和 Everald Ashley，让我有机会在完成目前自费的 MPhil 课程后，继续攻读更多未来资格，例如自费攻读博士学位。我还要感谢行政人员 Matthew Ham、Renata Ashton 和 ACSE 的技术支持 Darren Fox。我要感谢 Eric Lacey 博士提供实验数据和参与者。谢菲尔德大学数学和统计支持 (MASH) 人员为我提供了出色的支持，Dan Wilson、Mustabsar Awais。我要感谢 Maths and Stats Help (MASH) 的数学和统计学导师 Basile Marquier 博士和 Ellen Marshall 在使用 SPSS 软件方面提供的支持和指导，特别是 ANOVA 配对 T 检验分析 [1] 建议，这使我能够证明称为相对峰值特征 (RPF) 的新颖特征选择方法的统计优势。我参加了培训，并要感谢 Python 编程讲师 Norbert Gyenge。来自 MathWorks Ltd 的高级培训工程师 Ken Deeley 博士，他提供了使用 MATLAB® 进行并行计算的培训。
从噪声中提取诱发电位的统计方法
诱发电位 (EP) 是嵌入自发性脑电图活动 (EEG) 中的离散信号。从噪声中提取它们需要重复记录。视觉或听觉刺激触发采集系统，然后收集“诱发电位”。诱发电位不同于自发性神经活动 (EEG)，因为它与触发“事件”同步。实际上，触发事件的信号用于采集诱发电位信号。诱发电位 (PE) 被定义为大脑有限区域相对于另一个电中性区域的电势的瞬态变化。EP 由放置在活动结构发出的电场中的电极捕获，并与所谓的“参考”电极检测到的电位进行比较。当参考电极捕获脑神经活动时，传感器系统称为双极。另一方面，当参考电极位于没有大脑活动的区域（例如耳垂）时，传感器系统称为单极。在最好的情况下，我们刚才看到的感兴趣的诱发电位 (PE) 是在离源很远的地方捕获的，其幅度非常小，不超过十微伏。此外，它嵌入在电极捕获的连续大脑活动（EEG 高于 100 微伏）中。PE 有时低于放大器的背景。因此，在检查其特性之前，有必要从背景噪声中提取 PE。40 年来使用的经典方法是平均法。该方法由同步连续响应的平均值组成。诱发电位是一种根据受试者的注意力而发展的大脑活动，因此平均值不足以令人满意地研究它。
50选择性稳态视觉诱发电位的基础研究
摘要：脑机接口（BCI）的关键参数是输入速度、准确性、易用性和输入数量。稳态视觉诱发电位（SSVEP）–BCI在前三个类别中表现优异，但在输入数量方面存在问题。我们设计了一个50选择性SSVEP–BCI，以增加输入数量，以便将来实现日语和PC键盘输入。为了增加输入数量，我们提高了频率分辨率。通过将刺激的分辨率从0.2Hz更改为0.1Hz，可以将输入数量翻倍。这是因为可以将输入数量翻倍。我们对受试者的原始和伪信号数据进行了典型相关分析。噪声非常大，而输出典型相关向量最大值的传统分析方法的正响应率很低。因此，我们进行了频带限制，通过频率阈值区分SSVEP成分。我们还引入了多数表决算法来消除不可分类的数据。结果表明:脑机接口的平均正确率为55.11%,最高为79.53%;平均信息传输速率为28.05bits/min,最高为45.16bits/min。因此,实验结果表明,频率分辨率的提高可以增加输入的数量。关键词:脑机接口,稳态视觉诱发电位,典型相关分析,多选择1.引言
皮质表面电位的柱状定位和层状起源
简述：Baratham 等人研究了感觉诱发的 ECoG 反应的定位和起源。他们通过实验发现，ECoG 反应各向异性地定位在 £ ±200 μm 范围内，即单个皮质柱。生物物理详细模拟表明，与通常的想法相反，V 层和 VI 层的神经元是诱发的 ECoG 反应的主要来源。
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
驾驶员困倦对注视相关脑电位的影响
本期刊文章的自存档后印本版本可在林雪平大学机构知识库 (DiVA) 上找到：http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-162944 注意：引用本作品时，请引用原始出版物。Ahlström, C., Solis-Marcos, I., Nilsson, E., Akerstedt, T., (2020), The impact of driver sleepiness on fixation-related brain potentials, Journal of Sleep Research , 29(5), e12962. https://doi.org/10.1111/jsr.12962
视觉刺激背景亮度对引发稳态视觉诱发电位的影响
归因于脑电图（EEG）信号的信噪比差（SNR）[3]。可以通过增加信号水平和/或降低噪声水平来改善SSVEP信号的SNR。研究人员在改善SSVEP的SNR并提高BCI性能方面取得了长足的进步。首先，研究人员通过应用高级信号处理方法改善了SNR。例如，在当前的BCI系统中广泛使用试验平均，以改善脑电图分析中的SNR [3]。空间过滤已用于将多通道脑电图数据投射到低维空间空间中，以消除任务 - 无关的组件并改善与任务相关的EEG信号的SNR [4]。对于SSVEP，规范相关分析（CCA）方法可以最大程度地提高SSVEP的检测频率[5，6]。独立的组件分析是另一种空间滤波方法，通过将与任务相关的脑电图组件与任务 - iRrelevant eeg和人为成分分开，从而增强了脑电图信号的SNR [7，8]。第二，研究人员设计了实验以获得增强的与任务相关的脑电图信号并改善SNR。例如，在有效的基于SSVEP的BCI中，与使用Checkerboard刺激获得的刺激相比，使用情感人脸的视觉刺激大大提高了SSVEP信号的振幅[9]。第三，一些研究人员调整了视觉刺激亮度的参数，以调节SSVEP响应的幅度，从而改善了SSVEP的SNR [10-12]。例如，相关研究表明，亮度对比信息对于形式，运动和深度的感知至关重要[13，14]。亮度对比或“调制深度”定义为最大亮度的比率减去最小亮度与最大亮度以及