XiaoMi-AI文件搜索系统
World File Search System睁眼
由于完成连续的认知任务或观看纪录片而导致的精神疲劳会损害平衡控制
摘要 本研究旨在评估由 90 分钟持续性认知任务引起的心理疲劳 (MF) 对平衡控制的影响。招募了 20 名健康的年轻参与者。他们必须在观看纪录片之前和之后站在力台上执行三项姿势任务（睁眼站在稳定支撑物上、闭眼站在摇板上），或在 MF 条件下执行长时间持续性认知任务 (AX-持续性表现测试 - AX-CPT)。结果表明，执行 AX-CPT 会产生 MF，因为参与者在 AX-CPT 后从 NASA 任务负荷指数中感受到的主观工作量比观看纪录片后更高。AX-CPT 和观看纪录片都会损害平衡控制，主要是通过影响姿势调节机制来损害平衡控制，这种机制随着认知资源的参与度增加而向不太自动和不太复杂的调节模式发展。 AX-CPT 产生的 MF 通过损害注意力处理来影响平衡控制，而观看纪录片对姿势控制的有害影响可能源于长时间坐着对随后站立时平衡控制的不利影响。
适应不良的机器学习分类...
本研究利用机器学习模型对认知和行为情绪调节策略（ERS）进行分类，该模型由一种新的局部脑电图复杂性方法驱动，即静息状态（睁眼（EO）、闭眼（EC））下的频率特定复杂性（FSC）。按照国际10-20电极放置系统，FSC被定义为在不重叠的短脑电图段的Alpha（8−12Hz）和Beta（12.5−30Hz）频带间隔中的熵估计，以观察头皮表面62个点的局部脑电图复杂性变化。经常使用沉思和认知分散的健康成年人被纳入第一组，而很少使用这些策略的其他人群则根据他们的认知情绪调节问卷（CERQ）得分被纳入第二组。脑电图数据和CERQ分数均从公开的数据库LEMON下载。为了测试所提方法的可靠性，除了两种极限学习机模型外，还对五种不同的监督机器学习方法进行了 5 倍交叉验证，以区分对比组。在 EC 状态下，类特定成本调节极限学习机提供 99.47% 的最高分类准确率 (CA)。对于皮质区域（前额叶、中央、颞叶、顶枕叶），区域 FSC 估计没有提供更高的性能，但是，相应的统计分布显示，在以适应不良的反刍为特征的第一组中，大多数前皮质的 EEG 复杂性降低。总之，可以提出 FSC 来研究经常因反刍而导致的认知功能障碍。
使用机器学习进行基于脑电图的嗜睡预测
困倦是道路交通事故的主要原因，它会导致严重的身体伤害、死亡和重大的经济损失。为了监测驾驶员困倦程度，先前的研究使用了行为测量、车辆测量、生理测量和混合测量等各种方法。本文主要关注预测驾驶员困倦的生理方法。有几种生理方法来预测困倦。在这些方法中，脑电图是测量受试者大脑活动的非侵入性生理方法之一。从人体头皮提取的脑电信号会根据各种特征进行分析，并用于预测困倦、疲劳等各种健康应用。所提出系统的主要目标是及早高精度地预测驾驶员困倦程度，因此我们将工作分为两个步骤。第一步是收集基于脑电图的眼睛状态（睁眼和闭眼）的公开数据集，其中信号采集过程由 Emotiv EEG Neuroheadset（14 个电极）完成，并分析了各种特征工程技术和统计技术。第二步应用机器学习分类模型 K-NN 并使用基于性能的预测模型。在现有系统中，他们使用各种机器学习分类模型（如 K-NN 和 SVM）进行 EEG 眼状态分类，结果约为 80% -97%。与现有系统相比，我们提出的方法使用不同的特征工程流程和分类模型（如 K-NN）生成了更好的分类模型来预测驾驶员困倦程度，从而产生了 98% 的准确率。
系统基因组学分析恢复了一大批... - NSF-PAR
尽管对形态学、分子学和组合数据集进行了多次分析，但鱿鱼和乌贼（头足纲：十足目）之间的系统发育关系几十年来一直难以明确。最近，对完整线粒体基因组和数百个核基因座的分析也得出了类似的模棱两可的结果。在本研究中，我们通过增加分类学广度和利用几个分类群的更高质量的基因组和转录组数据，重新评估十足目关系的假设。我们还采用分析方法来 (1) 识别转录组数据中的污染，(2) 更好地评估模型的充分性，以及 (3) 考虑潜在的偏差。使用这个更大的数据集，我们一致地恢复了一个由 Myopsida（闭眼鱿鱼）、Sepiida（乌贼）和 Oegopsida（睁眼鱿鱼）组成的演化支，它是 Sepiolida（短尾和瓶尾鱿鱼）演化支的姐妹。 Idiosepiida（小鱿鱼）一直被认为是所有采样的十足目谱系的姊妹群。此外，将加权的 Shimodaira-Hasegawa 检验应用于我们的一个较大的数据矩阵，拒绝了这些序数级关系的所有替代方案。目前，可用的核基因组规模数据支持体型相对较大的十足目头足类的嵌套进化枝，但小鱿鱼除外，但需要改进分类单元采样和额外的基因组数据来严格测试这些新假设。
运动启动可增强脊髓损伤患者的物理治疗效果
背景：脑机接口 (BCI) 是一种针对脊髓损伤 (SCI) 患者的新兴神经康复疗法。目的：该研究旨在测试在身体练习之前使用 BCI 控制的功能性电刺激 (FES) 启动感觉运动系统是否比单纯的身体练习更有益。方法：10 名亚急性 SCI 患者参加了一项随机对照试验，其中实验组 (N = 5) 在身体练习 (30 分钟) 之前接受 BCI-FES 启动 (∼ 15 分钟)，而对照组 (N = 5) 进行优势手的身体练习 (40 分钟)。主要结果测量是 BCI 准确度、依从性和感知工作量。次要结果测量是手动肌肉测试、握力、运动范围和脑电图 (EEG) 测量的大脑活动。结果：平均 BCI 准确率为 85%。实验组发现 BCI-FES 启动在精神上要求很高但并不令人沮丧。实验组中有两名参与者由于提前出院而未完成所有课程。两组之间的身体结果没有显著差异。实验组中闭眼与睁眼的脑电图活动比率增加更多（theta P θ = 0.008，低 beta P l β = 0.009，高 beta P h β = 1.48e-04），表明神经系统结果更好。BCI-FES 启动没有可测量的直接效果。结论：物理治疗前启动大脑是可行的，但可能需要超过 15 分钟。这值得进一步研究并增加样本量。
根据频谱、复杂性和临界性特征确定脑电图中的意识状态
本研究基于当代的提议，即不同的意识状态可以通过神经复杂性和临界动力学来量化。为了检验这一假设，研究旨在使用复杂性和临界性框架中的非线性技术以及功率谱密度来比较三种冥想条件的电生理相关性。30 名冥想熟练的参与者在一个会话中接受了 64 通道脑电图 (EEG) 测量，该会话包括无任务基线休息（闭眼和睁眼）、阅读条件和三种冥想条件（无思绪空虚、存在监测和集中注意力）。使用临界理论（去趋势波动分析、神经元雪崩分析）、复杂性度量（多尺度熵、Higuchi 分形维数）和功率谱密度的分析工具对数据进行了分析。对比了任务条件，并比较了效果大小。应用偏最小二乘回归和受试者操作特性分析来确定每个测量的判别准确度。与闭眼休息相比，冥想类别空虚和集中注意力显示出更高的熵值和分形维数。在所有冥想条件下，长程时间相关性均下降。集中注意力和阅读的临界指数值最低。伽马波段（0.83-0.98）、全局功率谱密度（0.78-0.96）和样本熵（0.86-0.90）的判别准确率最高。确定了不同冥想状态的电生理相关性，并确定了非线性复杂性、关键大脑动力学和光谱特征之间的关系。冥想状态可以用非线性测量来区分，并通过神经元复杂程度、长程时间相关性和神经元雪崩中的幂律分布来量化。
长期精神压力下的大脑功能连接变化 Ali Darzi 1 , Hamed Azami 2 , Reza Khosrowabadi 1 * 1 认知和 B 研究所
摘要 长期心理压力会严重影响大脑结构和功能。然而，只有少数研究使用脑电图 (EEG) 来检验这一事实。本研究展示了一种脑机接口 (BCI)，用于对不同心理状态下长期心理压力的 EEG 相关因素进行分类。这项研究针对 26 名健康的右利手大学生进行，考试期被视为长期精神压力源。根据感知压力量表 (PSS-14) 评估的压力水平，选择两组受试者。在受试者睁眼静息状态下以及暴露于自我评估人体模型问卷 (SAM) 评分的正向和负向情绪刺激时收集他们的 EEG 数据。从 EEG 数据中提取了几种类型的特征，包括功率谱密度 (PSD)、侧化指数 (LI)、相关系数 (CC)、典型相关分析 (CCA)、幅度平方相干估计 (MSCE)、互信息 (MI)、相位斜率指数 (PSI)、格兰杰因果关系 (GC) 和有向传递函数 (DTF)。随后，使用几种类型的分类器对提取的特征进行区分，包括 k-最近邻 (KNN)、支持向量机 (SVM) 和朴素贝叶斯 (NB) 分类器。通过一种遗漏方法验证了所提出的 BCI，并在不同的时间窗口中使用低频和高频分辨率、分别 7 个和 36 个频带进行了调查。结果表明，所提出的系统可以准确识别受试者在不同心理状态下的压力水平。此外，与其他特征提取方法相比，MI 作为功能和 DTF 作为有效的连接方法可产生最高的分类准确率。关键词：长期心理压力、脑电图、情绪状态、分类。
SPIE 会议纪要
在集总元件 (LE) 配置中驱动电光调制器可实现较小的占用空间、降低功耗并提高高速性能。传统直线 LE 调制器的主要缺点是需要较高的驱动电压，这是由于其移相器较短所致。为了解决这个问题，我们引入了一种具有蛇形移相器的 Mach-Zehnder 调制器 (M-MZM)，它可以在 LE 配置中驱动，同时保持光学移相器长度与行波调制器 (TW-MZM) 相同的数量级。需要考虑的设计限制是设备的光学传输时间，它限制了整体电光带宽。首先，我们回顾了与 TW-MZM 相比 LE 调制器的整体功耗改进以及带宽增强，同时还考虑了驱动器输出阻抗和线或凸块键合的寄生效应。然后，我们报告了使用标准 CMOS 兼容工艺在绝缘体上硅 (SOI) 晶片上制造的基于载流子耗尽的 M-MZM 的设计、实现和实验特性。制造的 M-MZM 具有低掺杂 (W1)、中掺杂 (W2) 和高掺杂 (W3) 结，需要 9.2 V pp、5.5 V pp 和 3.7 V pp 才能完全消光，光插入损耗分别为 5 dB、6.3 dB 和 9.1 dB。对于所有三个 M-MZM，使用 50 Ω 驱动器和终端电阻以 25 Gb/s 记录睁眼图。对于无终端电阻的 M-MZM，可以实现更高的数据速率，前提是将低输出阻抗驱动器通过引线或凸块键合到调制器上。最后，我们将 M-MZM 与 TW-MZM 的功耗进行比较，结果显示 M-MZM 在 25 Gb/s 时功耗降低了 4 倍。
使用前馈神经网络和卷积神经网络进行脑电图数据处理的比较∗
通过大脑活动过程中产生的信号[10]。BCI的目的是建立人脑与计算机之间的通信链路，它提供了一种不使用肌肉将脑电波转化为物理效应的方法[11]。在BCI技术诞生的几十年里，脑电图（EEG）信号分类方法的研究一直是BCI技术不断发展的驱动力。EEG是BCI系统中的一种非侵入式采集方法[1]。它通过将电极放置在头皮上来检测微弱的EEG信号，并记录脑神经活动过程中电信号的变化。然而，由于EEG在穿过大脑皮层到头皮时会大大减弱，提取出的信号的信噪比极低，增加了后续特征提取和分类的难度[13]。传统的分类方法很难找到很好区分和代表性的特征来设计具有优异性能的分类模型。然而，近年来，深度学习方法在图像和语音领域取得了巨大的成功，例如良好的泛化能力以及对数据特征的逐层自动学习[12]。本研究创建了一个可以识别和自动提取脑电信号特征的卷积神经网络，并使用来自同一公共数据库的数据比较了传统特征提取和分类方法的准确性。我们在这个项目中使用了PhysioNet脑电数据，该数据由109名受试者的1500多个一分钟和两分钟的脑电图记录组成。我们的工作目标是通过检测从八个头皮通道获得的脑电活动来探索快速傅里叶变换（FFT）信号分析技术，以区分睁眼（EO）和闭眼（EC）两种状态。
通过变异分析检测阿尔法波的闭眼活动
已经开发了多种技术来帮助和改善瘫痪和严重运动障碍患者的交流。BCI 是一种不依赖于大脑正常的周围神经和肌肉输出通路的通信系统。在 UFES/巴西，我们正在开发一种基于诱发视觉刺激的自动驾驶汽车 BCI 系统（Castillo 等人 2013），这可能会导致视觉疲劳。一个很好的替代方法是通过用户命令切换 BCI，该命令可以通过闭眼来执行。这样，就采用了脑电图信号 (EEG)，其中包含允许检测闭眼的信息。通过频率范围为 8 Hz 至 13 Hz 的 alpha 波分析，可以在枕叶上感知眼睛睁开和闭眼活动。alpha 波的高能量对应于清醒受试者的闭眼（90% 的健康和残疾人士）（Alaraj 和 Fukami 2013）。阿尔法波已被用于操作电子设备，然而，与睁眼（EO）和闭眼（EC）相关的自动识别并不是一件容易的事，因为阿尔法波的带宽受自然变化和电噪声以及肌肉伪影的影响。已经开发出几种自动检测阿尔法波的方法，例如：模拟滤波和平滑（AFS）、峰值检测和计数、功率谱分析、分形维数、KM2O-Langevin 和近似熵（Kirkup 等人 1998 年、Craig 等人 2005 年、Sakai 等人 2010 年、Alaraj 和 Fukami 2013 年）。所有上述方法都使用取决于每个受试者和实验条件的阈值作为参考。这项工作的目的是提出一种基于 EEG 阿尔法波变化信息的自动方法，用于识别清醒受试者的闭眼事件，以激活 BCI。