XiaoMi-AI文件搜索系统
World File Search System电信号
利用脑电信号检测左/右脑优势的注意力水平
摘要：利用左右脑优势理论可以确定左脑和右脑人群的一些特征。它可以帮助制定大脑平衡教育主题的培训大纲。在执行任何动作时，人的注意力或专注力至关重要。本文将使用脑电图 (EEG) 数据检查左脑和右脑优势患者的注意力水平。可以使用 EEG 波跟踪和记录大脑活动。人脑的思考和注意力会导致脑电波在不同频带中改变。可以使用基线校正方法清理基于频率的 EEG 信号并提取特征。结果，创建了 EEG 拓扑功率谱密度值。本文的主要目的是比较不同大脑优势的人的注意力水平。相反，EEG 信号可用于预测一个人是左脑还是右脑优势。
通过卷积神经网络引导改进脑电信号手动注释
开发经过验证的自动处理伪影算法对于可靠、快速地处理 EEG 信号至关重要。最近，在设计机器学习算法以改善经过培训的专业人员的伪影检测方面取得了方法上的进展，这些专业人员通常会一丝不苟地检查和手动注释 EEG 信号。然而，由于数据大多是私密的，数据注释既耗时又容易出错，这些方法的验证因缺乏黄金标准而受到阻碍。为了规避这些问题，我们提出了一个迭代学习模型来加速和减少手动注释 EEG 的错误。我们使用卷积神经网络 (CNN) 对专家注释的睁眼和闭眼静息态 EEG 数据进行训练，这些数据来自正常发育儿童 (n = 30) 和患有神经发育障碍的儿童 (n = 141)。为了克服旨在开发新算法和进行基准测试的循环推理，我们提出了一种迭代学习模型来加速和减少手动注释 EEG 的错误。
网上展览中的心理距离与用户参与：基于脑电信号的莫尔条纹可视化
COVID-19 疫情严重影响了博物馆和美术馆的艺术品展览。许多博物馆和美术馆将藏品展示在网上。在这种背景下，体验线上展览对于参观者欣赏和了解艺术品至关重要。与线下展览相比，线上展览的参观者往往无法与其他参观者交流他们的体验。因此，在本研究中，我们通过 Zoom 电话会议促进沟通，建立了一个允许两人通过 Google Arts and Culture (GA&C) 网站一起参观博物馆的系统。为了减少线上参观者之间的心理距离并帮助提高用户参与度，我们设计并开发了一种基于脑电图 (EEG) 信号莫尔条纹可视化的媒体设备。参与者被分成两组参观线上博物馆，通过 Zoom 进行远程交流。本研究的目的是测试实时脑电图信号可视化设备是否有助于拉近参与者之间的心理距离，以及它是否可以增加用户对线上展览的参与度。参与者被随机分配到正常线上展览体验 (NOEE) 组或脑电图信号可视化设备 (ESVD) 组。 NOEE组被试共同体验了四项在线展览（Task1、Task2、Task3和Task4）（每个测试单元两名被试）。ESVD组被试的条件保持不变，只是增加了一个媒体设备让他们能够可视化脑电信号。共有40名大学生参加了本研究。独立样本t检验显示，ESVD组被试感知到自己与对面被试之间的心理距离显著小于NOEE组（t=-2.699；p=0.008<0.05）。单因素方差分析显示，被试在Task3中的心理距离评估显著小于Task1（p=0.002<0.05）、Task2（p=0.000<0.05）和Task4（p=0.001<0.05）。重复方差分析显示，ESVD组参与者的整体用户参与度高于NOEE组参与者，但显著性较低（p=0.056<0.1）。因此，本研究表明EEG可视化媒体设备可以降低心理
基于概率特征的脑电信号在线教育平台困惑学生检测
摘要：在 COVID-19 大流行期间，在线教育已成为一种重要的教育媒介。尽管在线教育具有诸多优势，但它缺乏面对面的设置，这使得分析学生的互动、理解和困惑程度变得非常困难。本研究利用脑电图 (EEG) 数据为大规模开放在线课程 (MOOC) 平台检测学生的困惑程度。现有的困惑检测方法主要侧重于模型优化，而特征工程研究得不够深入。本研究提出了一种新颖的工程方法，该方法使用基于概率的特征 (PBF) 来提高机器学习模型的效率。PBF 方法利用随机森林 (RF) 和梯度提升机 (GBM) 的概率输出作为特征向量来训练机器学习模型。通过几个带有 EEG 数据的机器学习模型，使用原始特征和 PBF 方法进行了广泛的实验。实验结果表明，通过在 EEG 数据上使用 PBF 方法，可以 100% 准确率地检测困惑的学生。 K 折交叉验证和与现有方法的性能比较进一步证实了结果。
基于共同空间模式和支持向量机的脑电信号驾驶疲劳检测
本文提出了一种机器学习方法，利用 14 个通道收集的脑电图数据来检测驾驶疲劳。为了获得更好的信号质量，使用独立成分分析去除信号中的噪声。使用 CSP 作为特征提取方法，使用 SVM 作为分类器。本文的其余部分组织如下：第 2 节介绍本研究的材料和方法。第 3 节介绍实验结果。第 4 节是研究的讨论和结论。这项工作的一些主要贡献如下：
癫痫发作过程中的脑电信号识别算法...
癫痫是一种脑部疾病，其突发性不可预测性是导致残疾甚至死亡的主要原因，因此快速准确地识别癫痫发作时的脑电图（EEG）具有重要意义。随着云计算和边缘计算的兴起，建立了本地检测与云端识别的接口，推动了便携式脑电检测与诊断的发展。为此，我们构建了基于云边缘计算的癫痫发作脑电信号识别框架。在本地实时获取脑电信号，在边缘建立水平可视模型，增强信号内部相关性。建立Takagi-Sugeno-Kang（TSK）模糊系统对癫痫信号进行分析。在云端，建立临床特征与信号特征的融合，建立深度学习框架。通过本地信号采集、边缘信号处理和云端信号识别，实现癫痫的诊断，为癫痫发作时脑电信号的实时诊断与反馈提供新思路。
肌电信号的电触觉反馈的空间和频率编码相结合
摘要 电触觉刺激已广泛用于人机界面，为用户提供反馈，从而闭合控制回路并提高性能。编码方法是电触觉界面的重要组成部分，它定义了反馈信息到刺激曲线的映射。理想情况下，编码将提供反馈变量的高保真表示，同时易于被受试者感知和解释。在本研究中，我们进行了一个闭环实验，其中离散和连续编码方案相结合，以利用这两种技术的优势。受试者执行肌肉激活匹配任务，仅依靠代表产生的肌电信号 (EMG) 的电触觉反馈。具体而言，我们研究了两种不同编码方案（空间和空间与频率相结合）在两种反馈分辨率（低：3 和高：5 个间隔）下的性能。在这两种方案中，刺激电极都围绕上臂放置。标准化 EMG 的幅度被分为间隔，每个电极与一个间隔相关联。当生成的 EMG 进入其中一个间隔时，相关电极开始刺激。在组合编码中，活动电极的额外频率调制还指示间隔内信号的瞬时幅度。结果表明，当分辨率较低时，组合编码会降低下冲率、变异性和绝对偏差，但当分辨率较高时则不会，反而会使性能变差。这表明组合编码可以提高 EMG 反馈的有效性，但这种效果受到肌电控制固有变异性的限制。因此，我们的研究结果提供了重要的见解，并阐明了在使用电触觉刺激传递具有高变异性的反馈信号（EMG 生物反馈）时信息编码方法的局限性。
基于时频域特征提取的脑电信号视障人士压力检测
压力是指身体对任何环境变化做出的生理、情绪和心理反应，需要进行调整，对人类心理产生重大影响。视障人士 (VIP) 的压力尤其难以控制，因为他们在未知情况下很容易感到压力。脑电图 (EEG) 信号可用于检测压力，因为它基本上代表了人类大脑中持续的电信号变化。文献表明，压力检测技术大多基于时域或频域分析。然而，使用时域或频域分析可能不足以提供适当的压力检测结果。因此，本文提出了一种使用经验模态分解 (EMD) 和短期傅里叶变换 (STFT) 从 EEG 信号中提取考虑时空信息的特征的方法。在 EMD 中，信号首先被分解为表示有限数量信号同时保持时域的固有模态函数 (IMF)，然后使用 STFT 将时域转换为时频域。采用支持向量机 (SVM) 对陌生室内环境中 VIP 的压力进行分类。将所提方法的性能与最先进的压力检测技术进行了比较。实验结果证明了所提技术优于现有技术
脑电信号复杂性与同步性分析用于神经发育障碍的早期预测
2 背景和文献综述 11 2.1 神经信号 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.3.4.1 EMD 算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3.4.5 挑战和知识差距 . ...