XiaoMi-AI文件搜索系统
World File Search System电位的
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
用于虚拟现实应用的新型混合脑机接口，采用基于稳态视觉诱发电位的脑机接口和基于眼电图的眼动追踪来提高信息传输速率
基于脑电图 (EEG) 的脑机接口 (BCI) 近来在虚拟现实 (VR) 应用中引起越来越多的关注，成为一种有前途的工具，可以“免提”方式控制虚拟物体或生成命令。视频眼动图 (VOG) 经常被用作一种工具，通过识别屏幕上的注视位置来提高 BCI 性能，然而，当前的 VOG 设备通常过于昂贵，无法嵌入到实用的低成本 VR 头戴式显示器 (HMD) 系统中。在本研究中，我们提出了一种新颖的免校准混合 BCI 系统，该系统结合了基于稳态视觉诱发电位 (SSVEP) 的 BCI 和基于眼电图 (EOG) 的眼动追踪，以提高 VR 环境中九目标基于 SSVEP 的 BCI 的信息传输速率 (ITR)。在以 3×3 矩阵排列的三种不同频率配置的模式反转棋盘格刺激上重复实验。当用户注视九种视觉刺激中的一种时，首先根据用户的水平眼球运动方向（左、中或右）识别包含目标刺激的列，并使用从一对电极记录的水平 EOG 进行分类，该电极可以很容易地与任何现有的 VR-HMD 系统结合使用。请注意，与 VOG 系统不同，可以使用与记录 SSVEP 相同的放大器来记录 EOG。然后，使用多元同步指数 (EMSI) 算法的扩展（广泛使用的 SSVEP 检测算法之一）在选定列中垂直排列的三个视觉刺激中识别目标视觉刺激。在我们对 20 名佩戴商用 VR-HMD 系统的参与者进行的实验中，结果表明，与 VR 环境中基于传统 SSVEP 的 BCI 相比，所提出的混合 BCI 的准确度和 ITR 均显着提高。
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
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。
利用局部场电位的功能连接解码人类认知控制
摘要 — 许多患有以认知控制受损为特征的精神疾病的患者无法从金标准临床治疗中得到缓解，因此迫切需要新的替代疗法。本文开发了一种神经解码器，用于检测十名人类受试者在基于冲突的行为任务（称为多源干扰任务 (MSIT)）中的任务参与度。任务参与度在这里特别令人感兴趣，因为在这些状态下的闭环大脑刺激可以增强决策能力。提取电极的功能连接模式。对这些模式进行主成分分析，并将排序的主成分用作输入来训练特定于受试者的线性支持向量机分类器。在本文中，我们表明，任务参与度可以与背景大脑活动区分开来，中位准确率为 89.7%。这是通过从任务执行期间记录的局部场电位构建分布式功能网络来实现的。另一个挑战是，目标导向的努力发生在更高的时间分辨率上。因此，必须以类似的速率检测任务参与度以进行主动干预。我们表明，我们的算法可以在不到 2 秒的时间内从神经记录中检测任务参与度；这可以使用特定于应用的设备进一步改进。
基于丘脑局部场电位的基本震颤的闭环深脑刺激
摘要：背景：高频丘脑刺激是对必需震颤的有效疗法，主要影响自愿运动和/或持续的姿势。然而，由于震颤的间歇性质，连续刺激可能会给大脑带来不必要的电流。目的：我们建议通过使用植入刺激的同一电极记录的局部场电位来检测发动机的运动状态来关闭丘脑刺激的循环，以便仅在必要时提供刺激。方法：八名基本震颤患者参加了这项研究。患者特定的支持向量机分类器是第一次使用记录的数据进行训练，而患者进行了发动机震动的运动。然后，实时应用训练有素的模型来检测这些运动并触发刺激的传递。结果：使用所提出的方法，当存在震动运动时，刺激的时间为80.37±7.06％。相比，
探索全脑水平的稳态视觉诱发电位的动态机制：来自计算研究的证据
预印本（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。此版本的版权所有者于 2021 年 2 月 8 日发布。；https://doi.org/10.1101/2021.02.05.429877 doi：bioRxiv 预印本
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。
检测精神分裂症：一种基于事件相关电位的机器学习算法，用于潜在的早期检测和预防
我们表明，与事件相关的电位可用于以高度的精度检测精神分裂症。使用我们的机器学习算法，我们达到了平衡的精度为96.4％，这超过了所有结果。为此，除了公共中央传感器外，我们还使用左右半球的其他传感器。记录数据时的实验设计考虑了精神分裂效率副本的功能障碍。由于其严重的后果，精神分裂症是一个社会问题，早期发现和预防起着核心作用。将来，机器学习可用于支持早期干预措施。当第一个症状出现时，可以测试潜在的患者的精神分裂症功能障碍。通过这种方式，可以在精神病发作之前对风险组和潜在患者进行充分治疗。
引用：Vera A Grin-Yatsenko (2020) 超低频神经反馈调节脑电位的超慢振荡：一项对照研究。
本研究对超低频神经反馈与主动控制条件心率变异性训练进行了正式比较。研究涉及 17 名年龄在 21-50 岁之间、没有神经或精神疾病史但报告了一些生理或心理不适的参与者。在 20 节训练课之前和之后的测试中，通过视觉 Go/NoGo 测试表现和慢 EEG 振荡的频谱功率来监测参与者的进展。在健康状况和视觉 Go/NoGo 测试结果方面，结果显示超低频神经反馈训练优于心率变异性训练。仅在神经反馈队列中观察到超低频范围内振幅的显著升高。关键词：神经反馈；脑电图；超慢 EEG 振荡；心率变异性；超低频训练