XiaoMi-AI文件搜索系统
World File Search System离线分析
脑瘫、中风和
摘要：脑机接口的性能可能会随着时间的推移而降低，但调整分类器可以减少这个问题。误差相关电位 (ErrPs) 可以标记数据以进行持续调整。然而，这在严重运动障碍人群中很少被研究过。本研究的目的是通过离线分析从脑瘫、截肢或中风患者的单次脑电图中检测出 ErrPs，并确定不同大脑区域拥有多少判别信息。10 名脑瘫患者、8 名截肢患者和 25 名中风患者试图进行 300-400 次手腕和脚踝运动，同时假脑机接口对他们引发 ErrPs 的表现提供反馈。预处理的脑电图时期被输入到多层感知器人工神经网络中。每个大脑区域都单独用作输入（额叶、中央、颞右、颞左、顶叶和枕叶）、中央区域与每个相邻区域的组合以及所有区域的组合。额叶和中央区域最重要，添加其他区域只会略微提高性能。脑瘫、截肢和中风参与者的平均分类准确率分别为 84 ± 4%、87 ± 4% 和 85 ± 3%。总之，可以在运动障碍的参与者中检测到 ErrP；这可能对开发自适应 BCI 或自动纠错具有重要意义。
机载和地面激光扫描中的回波数字化和波形分析
机载和地面激光扫描中的回波数字化和波形分析 ANDREAS ULLRICH，MARTIN PFENNIGBAUER，霍恩，奥地利 摘要 基于短激光脉冲飞行时间测距的激光雷达技术能够以所谓的点云形式获取准确而密集的 3D 数据。该技术适用于不同的平台，如地面激光扫描中的稳定三脚架或机载和移动激光扫描中的飞机、汽车和船舶。从历史上看，这些仪器使用模拟信号检测和处理方案，但专用于科学研究项目或水深测量的仪器除外。2004 年，一款用于商业应用和大量数据生成的激光扫描仪设备 RIEGL LMS-Q560 被推向市场，它采用了一种激进的替代方法：对仪器接收到的每个激光脉冲的回波信号进行数字化，并在所谓的全波形分析中离线分析这些回波信号，以便使用适用于特定应用的透明算法检索回波信号中包含的几乎所有信息。在激光扫描领域，从那时起就建立了一个不太具体的术语“全波形数据”。我们尝试对市场上发现的不同类型的全波形数据进行分类。我们从仪器制造商的角度讨论了回波数字化和波形分析中的挑战。我们将讨论使用这种技术所能获得的好处，特别是关于脉冲飞行时间激光雷达仪器所谓的多目标能力。
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
已发布版本 (APA) 引用：Asif, AR、Waris, A.、Gilani, SO、Jamil, M.、Ashraf, H.、Shafique, M. 和 Niazi, IK (2020)。性能特点
摘要：肌电图 (EMG) 是肌肉收缩产生的电活动的量度。基于非侵入性表面肌电图 (sEMG) 的模式识别方法已显示出上肢假肢控制的潜力。然而，它仍然不足以进行自然控制。深度学习的最新进展表明生物信号处理取得了巨大进步。已经提出了多种架构，可为离线分析提供高精度 (> 95%)，但由于系统优化而导致的延迟仍然是实时应用的挑战。由此产生了对基于微调超参数的优化深度学习架构的需求。尽管实现收敛的机会是随机的，但重要的是要注意，所获得的性能提升足以证明额外的计算是合理的。在本研究中，我们利用卷积神经网络 (CNN) 解码 18 位受试者记录的 sEMG 数据中的手势，以研究超参数对每个手势的影响。结果表明，将学习率设置为 0.0001 或 0.001，并进行 80-100 次训练，其效果显著优于其他考虑因素 (p < 0.05)。此外，我们还观察到，无论网络配置如何，某些动作（握紧手、屈手、伸手和细握）在整个研究过程中表现更好（分别为 83.7% ± 13.5%、71.2% ± 20.2%、82.6% ± 13.9% 和 74.6% ± 15%）。因此，可以根据表现最佳的手部动作设计出稳健稳定的肌电控制。随着识别能力的提高和性能的统一提升，基于深度学习的方法有可能成为传统机器学习算法的更强大的替代方案。
具有运动意象和错误相关大脑活动的混合脑机接口
摘要 目的 . 脑机接口 (BCI) 系统直接从大脑读取和解释大脑活动。它们可以为患有神经退行性疾病或中风的患者提供一种交流或运动的方式。然而，大脑活动的非平稳性限制了在校准会话期间训练的算法向实时 BCI 控制的可靠转移。非平稳性的一个来源是用户大脑对 BCI 输出 (反馈) 的反应，例如，用户是否将 BCI 反馈视为错误。通过考虑这些非平稳性来源，可以提高 BCI 的可靠性。方法 . 在这项工作中，我们展示了一种混合运动想象 BCI 的实时实现，它同时结合了来自运动想象信号和与错误相关的大脑活动的信息，从而从两个来源中受益。主要结果 . 与传统的运动想象 BCI 相比，我们在 12 名参与者的实时 BCI 控制中表现出显着的提高。分类准确度、目标命中率、控制主观感知和信息传输率等方面都有显著改善。此外，我们对记录的 EEG 数据的离线分析表明，与运动想象信号相比，与错误相关的大脑活动提供了更可靠的信息来源。意义。这项工作首次表明，与运动想象分类器相比，与错误相关的大脑活动分类器在使用校准数据进行训练并在在线控制期间进行测试时更加一致。这可能解释了为什么所提出的混合 BCI 可以为有需要的患者提供更可靠的交流或康复方式。
具有运动想象和...的混合脑机接口
摘要 目的 . 脑机接口 (BCI) 系统直接从大脑读取和解释大脑活动。它们可以为患有神经退行性疾病或中风的患者提供一种交流或运动的方式。然而，大脑活动的非平稳性限制了在校准会话期间训练的算法向实时 BCI 控制的可靠转移。非平稳性的一个来源是用户大脑对 BCI 输出 (反馈) 的反应，例如，用户是否将 BCI 反馈视为错误。通过考虑这些非平稳性来源，可以提高 BCI 的可靠性。方法 . 在这项工作中，我们展示了一种混合运动想象 BCI 的实时实现，它同时结合了来自运动想象信号和与错误相关的大脑活动的信息，从而从两个来源中受益。主要结果 . 与传统的运动想象 BCI 相比，我们在 12 名参与者的实时 BCI 控制中表现出显着的提高。分类准确度、目标命中率、控制主观感知和信息传输率等方面都有显著改善。此外，我们对记录的 EEG 数据的离线分析表明，与运动想象信号相比，与错误相关的大脑活动提供了更可靠的信息来源。意义。这项工作首次表明，与运动想象分类器相比，与错误相关的大脑活动分类器在使用校准数据进行训练并在在线控制期间进行测试时更加一致。这可能解释了为什么所提出的混合 BCI 可以为有需要的患者提供更可靠的交流或康复方式。
具有运动意象和错误相关大脑活动的混合脑机接口
摘要。目的。脑机接口 (BCI) 系统直接从大脑读取和解释大脑活动。它们可以为患有神经退行性疾病或中风的患者提供一种交流或运动方式。然而，大脑活动的不平稳性限制了在校准会话期间训练的算法向实时 BCI 控制的可靠转移。非平稳性的一个来源是用户大脑对 BCI 输出 (反馈) 的反应，例如，BCI 反馈是否被用户视为错误。通过考虑这些非平稳性来源，可以提高 BCI 的可靠性。方法。在这项工作中，我们展示了一种混合运动想象 BCI 的实时实现，它同时结合了来自运动想象信号和与错误相关的大脑活动的信息，从而从两个来源中获益。主要结果。与传统的运动想象 BCI 相比，我们在 12 名参与者的实时 BCI 控制中表现出显着的提高。分类准确度、目标命中率、控制主观感知和信息传输率方面都有显著改善。此外，我们对记录的 EEG 数据的离线分析表明，与运动想象信号相比，与错误相关的大脑活动提供了更可靠的信息来源。意义重大。这项工作首次表明，与运动想象分类器相比，与错误相关的大脑活动分类器在使用校准数据进行训练并在在线控制期间进行测试时更加一致，这可能解释了为什么所提出的混合 BCI 可以为有需要的患者提供更可靠的交流或康复方式。
利用表面肌电图解读中风患者的踝关节运动
摘要：中风是一种脑血管疾病 (CVD)，会导致偏瘫、瘫痪或死亡。传统上，中风患者需要长时间接受物理治疗师的治疗才能恢复运动功能。各种家用康复设备也可用于上肢，几乎不需要物理治疗师的帮助。然而，目前还没有经过临床验证的用于下肢功能恢复的设备。在本研究中，我们探索了表面肌电图 (sEMG) 作为控制机制在开发中风患者家用下肢康复设备方面的潜在用途。在本实验中，我们使用三个通道的 sEMG 记录了 11 名中风患者进行踝关节运动时的数据。然后从 sEMG 数据中解码运动，并研究它们与运动损伤程度的相关性。使用 Fugl-Meyer 评估 (FMA) 量表量化损伤程度。在分析过程中，提取了 Hudgins 时域特征，并使用线性判别分析 (LDA) 和人工神经网络 (ANN) 进行分类。平均而言，在离线分析中，LDA 和 ANN 分别准确分类了 63.86% ± 4.3% 和 67.1% ± 7.9% 的动作。我们发现，在两个分类器中，某些动作的表现都优于其他动作（LDA p < 0.001，ANN p = 0.014）。计算了 FMA 分数和分类准确度之间的 Spearman 相关性 (ρ)。结果表明，两者之间存在中等正相关性（LDA ρ = 0.75，ANN ρ = 0.55）。本研究结果表明，可以开发家庭 EMG 系统来提供定制治疗，以改善中风患者的功能性下肢运动。
刺激特征对凝视表现的影响......
恢复无法说话或移动的患者的沟通能力是解码脑电波以进行脑机接口 (BCI) 控制的主要目标之一。许多用于通信的 BCI 方法依赖于对视觉刺激的注意，通常采用一种奇怪的范式，并且需要眼球运动和足够的视力。然而，依赖 BCI 通信的患者可能缺乏这些能力。因此，我们开发了一种基于响应的通信 BCI，它独立于凝视转移，但利用注意力向左或右视野的隐性转移。我们从 29 个通道记录了脑电图 (EEG)，并联合记录了垂直和水平眼电图。使用 14 个后通道对半球之间基于注意力的细微差异（也称为 N2pc）进行数据驱动解码，这些后通道有望反映视觉空间注意力的相关性。 18 名健康参与者通过秘密地将注意力集中在两个彩色符号（绿叉和红叉分别代表“是”和“否”）之一上，同时保持视线集中在中央，从而对 120 条语句做出了回应。在所有参与者中，平均有 88.5%（标准差：7.8%）的回应被在线正确解码。为了研究刺激特征对准确性的潜在影响，我们通过改变符号大小和偏心率，以不同的视角呈现符号。离线分析显示，刺激特征对 BCI 的可控性影响微乎其微。因此，我们通过新方法表明，对彩色符号的空间注意是一种控制 BCI 的强大方法，它有可能支持眼球运动受损和视力低下的严重瘫痪患者与周围环境进行交流。
FixDrive：自动修理自动驾驶汽车...
摘要 - 自治车辆（AVS）正在迅速前进，其中4级AVS已经在现实世界中运行。curland Avs仍然落后于人类驾驶员的适应性和表现，通常表现出过度保守的行为，偶尔违反交通法律。现有的解决方案（例如运行时执行）通过自动修复运行时的AV计划轨迹来减轻这种情况，但是这种方法缺乏透明度，应该是最后一个度假胜地的度量。，优先选择AV修复是概括超出特定事件并为用户解释的。在这项工作中，我们提出了Fix d Rive，该框架分析了违反违法行为或法律行为的驾驶记录，以产生AV驾驶策略维修，以减少再次发生此类事件的机会。这些维修是用µ驱动器捕获的，µ驱动器是一种高级域特异性语言，用于针对基于事件的触发器指定驾驶行为。为最先进的自主驾驶系统Apollo实施，Fi d rive识别和可视化驾驶记录中的关键时刻，然后使用零射门学习的多模式大语言模型（MLLM）来生成µ驱动程序。我们在各种基准方案上测试了F IX D Rive，并发现生成的维修改善了AV的性能，相对于以下交通法律，避免碰撞并成功到达目的地。此外，在实践中，修复AV（15分钟的离线分析和0.08美元）的直接成本在实践中是合理的。索引术语 - 自主车辆，自动驾驶系统，多模式大型语言模型，驾驶合规性