XiaoMi-AI文件搜索系统
World File Search System电子摄影
EEG-IMAGENET
探索大脑活动如何转化为视觉感知，为生物视觉系统的世界代表提供了宝贵的视觉感。最近使用功能性磁共振成像（fMRI）或磁脑摄影（MEG）获得的大脑信号实现了有效的图像分类和高质量的重构。但是，这些技术的成本和批量妨碍了它们的实际应用。相比之下，电子摄影（EEG）提出了诸如易用性，可负担性，高时间分辨率和非侵入性操作等优点，但由于缺乏全面的数据集，在相关研究中仍未充分利用。为了填补这一空白，我们介绍了EEG-IMAGENET，这是一个新颖的EEG数据集，其中包含来自16名参与者的录音，这些录音是暴露于Imagenet数据集中的4000张图像。与现有基准相比，此数据集提供的五倍对脑电图对数的数量是五倍。eeg-imagenet包括带有不同水平的粒度标记的图像刺激，包含40张带有粗标签的图像和40个带有精美标签的图像。我们基于此数据集建立了对象分类和图像重建的基准。使用几种常用模型的实验表明，表现最佳的模型可以通过约60％的准确性实现对象分类，并具有三向识别的图像重建约为64％。这些发现突出了数据集增强基于EEG的Vi-Sual Brain-Computer界面的潜力，加深了我们对生物系统中视觉感知的理解，并提出了有望改善机器视觉模型的有希望的应用。
基于EEG的眼动运动使用大脑–
摘要：对眼动和视觉状态的歧视是研究的一流领域，迫切需要非手动的基于EEG的轮椅控制和导航系统。本文提出了一种新型系统，该系统利用脑部计算机界面（BCI）来捕获人类受试者的电子摄影（EEG）信号，而眼睛运动并随后通过应用随机森林（RF）分类算法将其分为六个类别。rf是一种合奏学习方法，它构建了一系列决策树，每棵树都会在其中进行类预测，而类别预测数量最多的类成为模型的预测。根据受试者眼睛的位置定义了拟议的随机森林脑 - 计算机界面（RF-BCI）的类别：开放，闭合，左，左，右，向上和向下定义。RF-BCI的目的应用作基于EEG的控制系统，用于驱动机电轮椅（康复设备）。已使用包含来自10名不同患者的219个记录的数据集对所提出的方法进行了测试。BCI实施了EPOC Flex头盖系统，其中包括32个盐毡传感器，用于捕获受试者的EEG信号。每个传感器每秒捕获了四个不同的脑波（Delta，Theta，Alpha和Beta）。然后，将这些信号分为4秒的窗户，每条记录512个样品，并为每个EEG节奏提取频带能量。实验结果表明，与获得6级分类的其他方法相比，RF算法的表现优于其他方法和高度准确性（85.39％）。将所提出的系统与幼稚的贝叶斯，贝叶斯网络，K-Nearest邻居（K-NN），多层感知器（MLP），支持向量机（SVM），J48-C4.5决策树和袋装分类算法进行了比较。此方法利用了从Epoc Epoc Flex可穿戴式录制设备中获得的高空间信息，并成功检查了该设备用于BCI轮椅技术的潜力。