XiaoMi-AI文件搜索系统
World File Search System耳机
带有脑电波耳机控制的车轮机器人设计...
摘要 - 随着支持科学和技术的快速发展，机器人技术的发展是不可避免的。机器人有多种类型和分类，尽管基本发展并没有太大不同。一种需求和最广泛发达的机器人是轮式机器人。机器人组件本身通常分为3个零件，第一个传感器，第二处理器或组件处理器和执行器，在这项研究中，其表现为执行器是轮子，而其表现为传感器，研究人员使用Neurosky的Brainwave读取器读取器读取器读取器，以及使用Ardduino andduino induino Uno imo r3。Neurosky耳机使用蓝牙连接无线工作，而发送的数据的形式为脑波功率水平（眨眼streght级别）。可以将其转换为心灵感应的大脑命令，首先使用基于Blynk IoT构建的应用程序捕获和处理该信号，然后将命令发送到Arduino作为机器人处理组件，该机器人处理组件以前曾与HC-06 BluetOltOlt bluetooth bluetoothotooth模块硬件一起拟合。要从Android设备捕获无线广播，只有在此之后，Arduino处理信号才成为L298N电动机驱动程序的命令，向前，向后，左，右轮车机器人向前移动。在理想环境中的测试结果显示，平均系统成功为85％，而在非理想环境中进行测试（空间和距离障碍）显示，每次测试进行10次，平均系统成功为40％。
使用多模式生物传感耳机进行压力监测
摘要 持续的压力会对人的身心健康产生负面影响。压力监测和管理是一个活跃的研究领域，目的是分析或减轻压力的影响。检测压力的一种有前途的方法是测量生物信号，例如脑电图 (EEG) 或心电图 (ECG)。在本研究中，我们介绍了一种可穿戴的入耳式和耳罩式设备，可同时测量 EEG 和 ECG 信号。该设备由干式和软式传感电极组成，它们共形集成在耳塞表面。我们进行了一项初步研究，让测试对象接触三种标准压力源（斯特鲁普、记忆搜索和心算），同时测量他们的 EEG 和 ECG 信号。初步结果表明使用卷积神经网络对各种压力条件进行分类的可行性。
33.2 低于 1µJ/级的耳机集成思维意象和……
33.2 一款低于 1 µ J/级的集成思维意象与控制 SoC，适用于 VR/MR 应用，具有师生 CNN 和通用指令集架构 Zhiwei Zhong*、Yijie Wei*、Lance Christopher Go、Jie Gu 西北大学，伊利诺伊州埃文斯顿 * 同等署名作者 (ECA) 虚拟现实 (VR) 和混合现实 (MR) 系统，例如 Meta Quest 和 Apple Vision Pro，最近在消费电子产品中引起了极大的兴趣，在游戏、社交网络、劳动力援助、在线购物等元宇宙中掀起了新一波发展浪潮。AI 计算和多模块人类活动跟踪和控制方面的强大技术创新已经产生了身临其境的虚拟现实用户体验。然而，大多数现有的 VR 耳机仅依靠传统的操纵杆或基于摄像头的用户手势进行输入控制和人体跟踪，缺少一个重要的信息来源，即大脑活动。因此，人们对将脑机接口 (BMI) 整合到 VR/MR 系统中以供消费者和临床应用的兴趣日益浓厚 [1]。如图 33.2.1 所示，现有的集成 EEG 通道的 VR/MR 系统通常由 VR 耳机、16/32 通道 EEG 帽、神经记录模拟前端和用于信号分类的 PC 组成。此类系统的主要缺点包括：（1）佩戴麻烦且用户外观不佳，（2）缺乏低延迟操作的现场计算支持，（3）无法根据大脑活动进行实时思维意象控制和反馈，（4）由于 AI 分类导致的功耗高。为了克服这些挑战，这项工作引入了一种思维意象设备，该设备集成到现有的 VR 耳机中，而无需为 VR/MR 系统的思维控制 BMI 增加额外的佩戴负担。本研究的贡献包括：（1）支持 VR/MR 系统现场心智意象控制的 SoC，（2）与现有 VR 耳机无缝集成并优化 EEG 通道选择，以提高用户接受度和体验，（3）具有灵活数据流的通用指令集架构 (ISA)，支持广泛的心智意象操作，（4）混淆矩阵引导的师生 CNN 方案，可在 AI 操作期间节省电量，（5）EEG 信号的稀疏性增强以降低能耗。制造了 65nm SoC 测试芯片，并在各种基于心智意象的 VR 控制上进行了现场演示。虽然先前的研究涉及基于 EEG 的癫痫检测或类似的生物医学应用 [2-6]，但本研究专注于 VR/MR 环境中的新兴 BMI。得益于低功耗特性和设计的系统级优化，SoC 的数字核心在计算密集型 CNN 操作中实现了 <1μJ/类的能耗。图 33.2.2 显示了 EEG 通道选择和集成到 Meta Quest 2 VR 耳机中，在准确性和用户便利性之间进行了权衡。为了支持各种思维意象任务，8 个 EEG 通道 T3、T5、O1、O2、T6、T4、PZ、和 CZ 被选中并巧妙地融入头带以保持用户的美感。不同的心理任务会激活八个选定通道的子集，例如用于心理意象的 T3/T5/CZ/T4/T6、用于情感（例如情绪）监测的 T5/CZ 或用于稳态视觉诱发电位 (SSVEP) 的 O1/O2/PZ。通道的减少导致三个主要任务的平均准确率略有下降（从 90.4% 下降到 85.2%），但显着提高了用户体验和可用性。带有生理盐水的商用 Hydro-link 电极用于通过头带上的预切孔捕获 EEG 信号。图 33.2.2 还显示了完全集成 SoC 的顶层图。多达 16 个可编程通道的 AFE 用于信号采集和数字化。 AFE 的每个通道包括一个增益为 45 至 72 dB、带宽为 0.05 至 400 Hz 的两级斩波放大器、一个转折频率为 60 Hz 的低通滤波器和一个工作频率为 128 Hz 至 10 kHz 的 8b SAR ADC。用于集成 AI 操作的数字核心包括一个 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维意象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有研究仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维意象任务。图 33.2.3 显示了专门开发的通用 ISA，用于数据流控制、模型配置、通道选择等。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏性设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。 CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统脉动阵列不同，此设计有意移除了大部分或 O1/O2/PZ 用于稳态视觉诱发电位 (SSVEP)。通道数的减少导致三个主要任务的平均准确度略有下降（从 90.4% 降至 85.2%），但显著提高了用户体验和可用性。使用带有生理盐水的商用 Hydro-link 电极通过头带上的预切孔捕获 EEG 信号。图 33.2.2 还显示了完全集成 SoC 的顶层图。最多 16 个可编程 AFE 通道用于信号采集和数字化。AFE 的每个通道包括一个增益为 45 至 72dB 和带宽为 0.05 至 400Hz 的两级斩波放大器、一个转折频率为 60Hz 的低通滤波器和一个工作频率为 128Hz 至 10kHz 的 8b SAR ADC。集成 AI 操作的数字核心包括 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维想象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有工作仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维想象任务。图 33.2.3 显示了专门开发的用于数据流控制、模型配置、通道选择等的通用 ISA。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有高硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统收缩阵列不同，此设计有意消除了大部分或 O1/O2/PZ 用于稳态视觉诱发电位 (SSVEP)。通道数的减少导致三个主要任务的平均准确度略有下降（从 90.4% 降至 85.2%），但显著提高了用户体验和可用性。使用带有生理盐水的商用 Hydro-link 电极通过头带上的预切孔捕获 EEG 信号。图 33.2.2 还显示了完全集成 SoC 的顶层图。最多 16 个可编程 AFE 通道用于信号采集和数字化。AFE 的每个通道包括一个增益为 45 至 72dB 和带宽为 0.05 至 400Hz 的两级斩波放大器、一个转折频率为 60Hz 的低通滤波器和一个工作频率为 128Hz 至 10kHz 的 8b SAR ADC。集成 AI 操作的数字核心包括 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维想象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有工作仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维想象任务。图 33.2.3 显示了专门开发的用于数据流控制、模型配置、通道选择等的通用 ISA。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有高硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统收缩阵列不同，此设计有意消除了大部分AFE 的每个通道包括一个增益为 45 至 72 dB、带宽为 0.05 至 400 Hz 的两级斩波放大器、一个转折频率为 60 Hz 的低通滤波器和一个工作频率为 128 Hz 至 10 kHz 的 8b SAR ADC。用于集成 AI 操作的数字核心包括一个 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维意象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有研究仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维意象任务。图 33.2.3 显示了专门开发的通用 ISA，用于数据流控制、模型配置、通道选择等。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏性设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。 CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统脉动阵列不同，此设计有意移除了大部分AFE 的每个通道包括一个增益为 45 至 72 dB、带宽为 0.05 至 400 Hz 的两级斩波放大器、一个转折频率为 60 Hz 的低通滤波器和一个工作频率为 128 Hz 至 10 kHz 的 8b SAR ADC。用于集成 AI 操作的数字核心包括一个 8×10 处理单元 (PE) 阵列、控制逻辑和相关存储库。带有专门开发的 ISA 的指令存储器为芯片的操作提供全局控制，以支持一系列思维意象任务。实时分类的大脑状态和思维控制命令通过外部蓝牙模块传输到 VR 耳机，以控制 VR 场景。虽然大多数现有研究仅关注固定数据流 [4] 和 CNN 模型 [2,3]，但需要高度灵活的计算架构来支持各种思维意象任务。图 33.2.3 显示了专门开发的通用 ISA，用于数据流控制、模型配置、通道选择等。128b 的超宽 ISA 命令用于监督各种计算任务，例如 IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏性设置等）也集成到 ISA 中，以便高效地调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。 CNN、FC、DFT 和 IIR 滤波操作可以通过在不同数据流中重复使用相同的 PE 阵列来执行，例如，Conv 层的权重固定，或 FC 层和 DFT 的输出固定。与使用大量流水线触发器的传统脉动阵列不同，此设计有意移除了大部分IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。可以通过在不同数据流中重用相同的 PE 阵列来专门执行 CNN、FC、DFT 和 IIR 滤波操作，例如，Conv 层的权重平稳，或 FC 层和 DFT 的输出平稳。与传统的脉动阵列不同，该设计特意移除了大部分IIR 滤波器、卷积 (Conv) 层、离散傅里叶变换 (DFT) 和全连接 (FC) 层，具有很高的硬件效率。为了支持不断变化的 AI 模型，每个子任务的配置（例如内核数量、层数、分支目标地址 (BTA)、稀疏度设置等）也集成到 ISA 中，以便高效调度和执行不同的任务。图 33.2.3 还显示了数字神经处理器的详细架构。8×10 PE 阵列可以灵活地按行或列打开或关闭。可以通过在不同数据流中重用相同的 PE 阵列来专门执行 CNN、FC、DFT 和 IIR 滤波操作，例如，Conv 层的权重平稳，或 FC 层和 DFT 的输出平稳。与传统的脉动阵列不同，该设计特意移除了大部分
ES-02带有蓝牙技术的真实无线立体声耳机
1。如果您在开车时必须使用耳塞，请确保您的注意力完全专注于驾驶安全。成为负责任的驾驶员，并遵守当地法律。2。放置在儿童无法达到的区域，永远不要让他们玩耳塞，而且案例构成了小零件作为窒息危险。3。遵守所有指定区域，例如医院，电子限制性和危险环境，需要关闭电气设备。4。在登上飞机之前关闭耳塞。在空姐开始询问时请勿使用它。5。切勿在任何安全气囊部署区域上安装或存放耳塞，因为部署会导致严重伤害。6。不要试图拆卸耳塞，因为它不包含可使用的组件。7。耳塞在内部电池内建造，应根据当地法规将其处置，而不是作为家庭废物。
验证可穿戴 MUSE 耳机的脑电图频谱分析和额叶阿尔法不对称
摘要 — EEG 功率谱密度 (PSD)、个体 alpha 频率 (IAF) 和额叶 alpha 不对称 (FAA) 都是 EEG 频谱测量，已广泛用于评估实验和临床环境中的认知和注意力过程，并且可用于现实世界的应用（例如远程 EEG 监测、脑机接口、神经反馈、神经调节等）。高密度 EEG 记录系统的成本高、移动性低、准备时间长，这些因素限制了其潜在应用。低密度可穿戴系统解决了这些问题，并可以增加对更大和多样化样本的访问。本研究测试了低成本、4 通道可穿戴 EEG 系统 (MUSE) 是否可用于快速测量连续 EEG 数据，从而产生与研究级 EEG 系统 (64 通道 BIOSEMI Active Two) 相似的频率分量。我们将参考乳突的 MUSE EEG 数据的频谱测量与具有两个不同参考的 BIOSEMI EEG 数据的频谱测量进行比较以进行验证。我们特意收集了最少量的数据来测试实际应用的可行性（EEG 设置和数据收集在 5 分钟内完成）。我们表明 MUSE 可用于检查所有频带的功率谱密度 (PSD)、单个 alpha 频率 (IAF；即峰值 alpha 频率和 alpha 重心) 和额叶 alpha 不对称。此外，我们观察到使用 MUSE 记录的 alpha 功率和不对称测量具有令人满意的内部一致性可靠性。估计 PAF 和 CoG 频率上的不对称性与传统方法（整个 alpha 波段）相比没有产生显着优势。这些发现应推动在大量参与者样本中使用可穿戴神经技术进行人类神经生理监测，并提高其在现实环境中实施的可行性。关键词——可穿戴 EEG、功率谱密度、频域、信号验证、额叶 alpha 不对称、单个 alpha 频率 (IAF)。
新型移动无线脑电图耳机对于音乐愉悦感的评价可靠吗？
自 20 世纪初以来，脑电图 (EEG) 已被广泛应用于医疗和各种大脑过程的研究。随着技术的快速发展，越来越多精确和先进的研究工具应运而生。然而，这些设备的主要限制因素往往是价格高，有些设备便携性差，设置时间长。尽管如此，市场上还是出现了各种各样的无线 EEG 设备，它们没有这些限制，但信号质量较低。同时对多名参与者进行 EEG 记录的技术以及新的技术解决方案为了解群体的大脑情绪动态提供了更多可能性。大量研究对许多移动设备进行了比较和测试，但结果却相互矛盾。因此，在开展大规模研究之前，测试特定无线设备在特定研究环境中的可靠性非常重要。本研究的目的是评估两种无线设备（g.tech Nautilus SAHARA 电极和 Emotiv™ Epoc +）用于检测音乐情绪的可靠性，并与金标准 EEG 设备进行对比。16 名参与者报告说，在听他们最喜欢的令人毛骨悚然的音乐片段时，他们感到情绪愉悦（从低度愉悦到音乐般的寒意）。在情绪检测方面，我们的结果显示，在 alpha 频段的左前额叶和左颞叶区域，Epoc + 与金标准设备之间存在统计学上的显著一致性。我们验证了 Emotiv™ Epoc + 在音乐情绪研究中的用途。我们没有发现 g.tech 和黄金标准之间存在任何显著的一致性。这表明 Emotiv Epoc 更适合在自然环境中调查音乐情绪。
新型移动无线脑电图耳机对于音乐愉悦感的评价可靠吗？
自 20 世纪初以来，脑电图 (EEG) 已被广泛应用于医疗和各种大脑过程的研究。随着技术的快速发展，越来越多精确和先进的研究工具应运而生。然而，这些设备的主要限制因素往往是价格高，有些设备便携性差，设置时间长。尽管如此，市场上还是出现了各种各样的无线 EEG 设备，它们没有这些限制，但信号质量较低。同时对多名参与者进行 EEG 记录的技术以及新的技术解决方案为了解群体的大脑情绪动态提供了更多可能性。大量研究对许多移动设备进行了比较和测试，但结果却相互矛盾。因此，在开展大规模研究之前，测试特定无线设备在特定研究环境中的可靠性非常重要。本研究的目的是评估两种无线设备（g.tech Nautilus SAHARA 电极和 Emotiv™ Epoc +）用于检测音乐情绪的可靠性，并与金标准 EEG 设备进行对比。16 名参与者报告说，在听他们最喜欢的令人毛骨悚然的音乐片段时，他们感到情绪愉悦（从低度愉悦到音乐般的寒意）。在情绪检测方面，我们的结果显示，在 alpha 频段的左前额叶和左颞叶区域，Epoc + 与金标准设备之间存在统计学上的显著一致性。我们验证了 Emotiv™ Epoc + 在音乐情绪研究中的用途。我们没有发现 g.tech 和黄金标准之间存在任何显著的一致性。这表明 Emotiv Epoc 更适合在自然环境中调查音乐情绪。
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的价标签数据集上取得了 2.728 的均方根得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的唤醒标签数据集上取得了 2.3 的得分。
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的数据集上取得了 2.728 的价标签得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的数据集上取得了 2.3 的唤醒标签得分。
使用神经的enten耳机和分析平台的基于EEG的重点估计
我们使用最近开发的Enten EEG耳机介绍了神经上的焦点研究。首先，我们在标准脑电图方案上量化了恩登的性能，包括眼睛闭合的alpha节奏，听觉引起的响应和p300事件相关的潜在范式。我们表明，Enten的性能与已建立的行业标准硬件相比。然后，我们引入了一系列实验任务，旨在模仿现实世界中如何维持或破坏焦点。我们表明，（a）这些任务会引起行为变化，反映了焦点水平的基本变化，并且（b）我们的专有算法在大量会话中检测到这些变化，而无需调整每个参与者或记录会话的模型。通过操纵我们的实验协议，我们表明我们的算法不依赖于emg伪像的总体，并且由脑电图的变化驱动。最后，我们在几天内评估了模型在同一主题上的表现，并表明绩效随着时间的流逝保持一致。我们的模型正确捕获了我们具有统计学意义的实验中存在的80％±4.1％的分心。这表明我们的模型在主体，时间点和条件上概括了。我们的发现是基于从337个课程和45个不同实验的132名参与者中收集的脑电图数据。