XiaoMi-AI文件搜索系统
World File Search System眼电图
用于评估决策信心的元学习 BCI
摘要 目的。我们研究了最近引入的基于元学习的迁移学习技术是否可以提高脑机接口 (BCI) 在决策信心预测方面的性能，而传统机器学习方法则无法实现。方法。我们将偏向正则化算法的元学习应用于基于视频馈送的困难目标识别任务中，根据脑电图 (EEG) 和眼电图 (EOG) 数据逐个决策地预测决策信心的问题。该方法利用以前参与者的数据来生成预测算法，然后快速调整该算法以适应新参与者。我们将该方法与 BCI 中几乎普遍采用的传统单受试者训练、一种称为领域对抗神经网络的最先进的迁移学习技术、我们最近用于类似任务的零训练方法的迁移学习改编以及简单的基线算法进行了比较。主要结果。在大多数情况下，元学习方法明显优于其他方法，在只有来自新参与者的有限数据可用于训练/调整的情况下，效果要好得多。通过有偏正则化的元学习，我们的 BCI 能够无缝集成来自过去参与者的信息与来自特定用户的数据，以产生高性能预测器。它在小型训练集存在下的稳健性是 BCI 应用中的真正优势，因为新用户需要在更短的时间内训练 BCI。意义。由于 EEG/EOG 数据的多变性和噪声，BCI 通常需要使用来自特定参与者的数据进行训练。这项工作表明，使用我们的有偏正则化元学习版本可以获得更好的性能。
利用呼吸调节光电容积描记法开发低假阳性率的脑机接口拨动开关
摘要：基于脑电图 (EEG) 的异步脑机接口 (BCI) 通常在分类准确度和假阳性率 (FPR) 方面表现不佳。因此，开发了基于眼电图 (EOG) 信号的 BCI 拨动开关来打开/关闭同步 BCI 系统。传统的 BCI 拨动开关反应快速、准确度高；然而，它们的 FPR 很高或不能应用于眼球运动障碍患者。为了解决这些问题，我们开发了一种新型 BCI 拨动开关，用户可以通过屏住呼吸几秒钟来打开或关闭同步 BCI。使用线性判别分析对正常呼吸和屏住呼吸两种状态进行分类，其中特征提取自呼吸调制光电容积描记法 (PPG) 信号。使用仅用 1 分钟 PPG 数据训练的校准数据实现了实时 BCI 拨动开关。我们将我们的 PPG 开关与基于稳态视觉诱发电位的 BCI 系统相结合，评估了其真实阳性率和 FPR 性能，该系统旨在控制四个外部设备。通过对 5 名受试者进行离线实验优化了 PPG 开关的参数，并在对 7 名受试者进行在线实验中评估了开关系统的性能。所有参与者都通过屏住呼吸约 10 秒成功打开 BCI（准确率为 100%），开关系统表现出每分钟 0.02 次错误操作的极低 FPR，这是迄今为止报告的最低 FPR。所有参与者均可在同步 BCI 模式下成功控制外部设备。我们的结果表明，所提出的基于 PPG 的 BCI 拨动开关可用于实现实用的 BCI。
补充信息
在训练前后的离线脑电图期间，使用多通道脑电图放大器 (BrainAmp DC, Brain Products) 记录和放大脑活动，该放大器带有 63 个被动 Ag/AgCl 电极 (EasyCap)，在线训练期间则带有 31 个被动电极。通道按照 10-20 系统放置，参考鼻子，并在通道 AFz 接地。采样率为 1 kHz。阻抗始终保持在 20 k Ω 以下。使用右眼下方的电极通过眼电图记录眼部信号。使用三阶 Chebyshev II 型滤波器将数据带通滤波至 [0.5, 8] Hz 进行分类，并使用 [0.5, 12] Hz 进行平均 ERP 时期的可视化，然后将其下采样至 100 Hz。为了提取 ERP，EEG 信号在刺激开始时的 -200 毫秒和 1200 毫秒之间进行。在 [-200, 50] 毫秒的间隔内对数据段进行了基线校正。作为分类特征，在相对于刺激开始的十个间隔 [80, 150; 151, 210; 211, 280; 271, 350; 351, 440; 450, 560; 561, 700; 701, 850; 851, 1000; 1001, 1200] 毫秒内提取平均振幅。对于在线会话，这导致每个刺激时期产生 310 维特征向量（31 个通道）。在离线会话中，我们使用相同的预处理和特征提取程序获得了 630 维特征向量，但通道数为 63 个而不是 31 个。在在线会话期间，只要收集的分类器输出的单侧 Welch t 检验表明目标词和最佳非目标词之间存在显著差异，就可以在呈现至少 42 个单词后触发所谓的动态停止策略 (Schreuder 等人，2013)。显著性水平设置为 0.05，实验者可以进一步降低，作为一种可能性，以随着时间的推移调整整体任务难度。
低成本、干梳状 EEG 电极与 ... 的集成
本文介绍了一种便捷快速的低成本、弹簧式干式脑电图 (EEG) 电极与研究级传感器盖的集成，以确保电极根据 5% 系统定位。在心理学和神经科学以外的领域，如工程学，对大脑活动的测量越来越感兴趣。人为错误通常是由于注意力不集中、无法完全理解后果或界面设计不足而发生的。需要有效的设计解决方案来结合和识别人类行为和各种类型的反应，以减轻人为错误。生理传感器可用于更好地评估哪种设计以最佳方式满足用户需求。几十年来，脑活动传感器已在脑机接口 (BCI) 社区中得到应用。EEG 是一种非常流行的模式，因为它具有非侵入性和高时间分辨率。先前的研究表明，在预测和分类任务中使用多模态测量比单模态测量具有更高的实验结果性能。因此，我们希望将 EEG 与现有的实验装置相结合，其中包括功能性近红外光谱 (fNIRS)。通过快速原型在设计-构建-测试的循环中开发了一种集成。与目前可用的低成本设备相比，所提出的设置增加了可用的电极位置，并构成了一种实用的低成本方法，用于将 EEG 测量与其他大脑活动传感器（如 fNIRS）相结合。通过两个任务对信号质量进行了概念验证测试，这两个任务显示 EEG 信号中容易检测到的变化：闭眼和眨眼。闭眼会增加 alpha 范围内的峰值幅度，一旦睁开眼睛，这种效果就会逆转。故意在特定间隔内眨眼会在信号中产生特征性眼电图 (EOG) 伪影。两种反应都与文献一致。所提出的解决方案旨在降低将 EEG 作为现有实验设置中的附加模式的障碍，从而提高实验结果的性能。关键词：EEG、fNIRS、原型设计、以人为本的设计、实验