XiaoMi-AI文件搜索系统
World File Search System脑波
文章开发用于脑电图信号采集的低接触阻抗干电极
摘要：干脑电图（EEG）系统的设置时间很短，需要有限的皮肤准备。但是，它们倾向于需要强的电极到皮肤接触。在这项研究中，通过将聚酰亚胺柔性印刷电路板（FPCB）部分嵌入聚二甲基硅氧烷中，然后将它们施放在具有六个对称的腿或肿块的传感器模具中，从而制造具有低接触阻抗（<150kΩ）的干脑电图电极（<150kΩ）。银 - 氯化物糊用在必须触摸皮肤的每条腿或凹凸的尖端上。使用FPCB使制造的电极能够保持稳定的阻抗。制造了两种类型的干电极：皮肤的平盘电极，头发有限，多型电极用于常用和浓密的头发区域。阻抗测试。实验结果表明，制造的电极表现出65至120kΩ之间的阻抗值。用这些电极获得的脑波模式与使用常规湿电极获取的电极相当。基于ISO 10993-10：2010原始Col和基于ISO 10993-5：2009协议的细胞毒性测试，基于ISO 10993-10：2010原始Col的原发性皮肤刺激测试通过了主要的皮肤刺激测试。
音乐是否会引发大脑间同步？...
摘要 音乐家在音乐活动中分享的情感体验可以与脑波同步相结合。对于患有脑性瘫痪的不会说话的人来说，言语交流可能在表达相互同情方面受到限制。因此，本案例研究通过在四次音乐和四次讲故事环节中同时测量脑性瘫痪患者（女性，18 岁）、其父母和音乐治疗师的脑间同步情况来探索他们之间的脑间同步情况。只有在青少年-父母二元组中，我们观察到音乐条件下的脑间同步水平明显高于讲故事条件下的脑间同步水平。然而，在青少年-父母和青少年-治疗师二元组中，无论条件类型如何，低频带的额叶和颞叶都出现了显著的脑间同步，这与社会情感反应有关。尽管脑间同步可能是由多种因素引起的（例如，外部刺激、共同的共情体验和内部生理节律），但音乐活动设置值得进一步研究，作为促进脑性瘫痪青少年与护理人员/医疗保健提供者之间神经生理同步的潜在因素。
叙述性评论
由于缺乏适当的生物标志物来进行准确的诊断和治疗，精神疾病会造成严重的痛苦和功能障碍，从而导致社会和经济损失。生物标志物对于诊断、预测、治疗和监测各种疾病至关重要。然而，它们在精神病学中的缺失与大脑的复杂结构和缺乏直接监测方式有关。本综述探讨了脑电图 (EEG) 作为识别精神生物标志物的神经生理学工具的潜力。EEG 可以无创地测量大脑的电生理活动，并用于诊断神经系统疾病，例如抑郁症、双相情感障碍 (BD) 和精神分裂症，并识别精神生物标志物。尽管进行了广泛的研究，但由于测量和分析的限制，基于 EEG 的生物标志物尚未在临床上使用。EEG 研究揭示了抑郁症的频谱和复杂性测量、BD 中的脑波异常以及精神分裂症中的功率谱异常。然而，目前临床上还没有基于脑电图的生物标志物用于治疗精神疾病。脑电图的优点包括实时数据采集、无创性、成本效益和高时间分辨率。低空间分辨率、易受干扰和数据解释复杂等挑战限制了其临床应用。将脑电图与其他神经成像技术、先进的信号处理和标准化协议相结合对于克服这些限制至关重要。人工智能可以增强脑电图分析和生物标志物发现，通过提供早期诊断、个性化治疗和改进的疾病进展监测，有可能改变精神病治疗。
Facebook 用户体验的情感测试
摘要 本研究旨在了解用户在社交媒体平台（如 Facebook）或其他可能对用户产生情绪影响的软件产品上执行某些任务时情绪如何波动。具体来说，我们探讨了 Facebook 常用用户和新用户在可用性方面的差异。这项研究涉及对 18 名参与者的定性研究，其中 9 名是 Facebook 用户，9 名是非 Facebook 用户，他们在参与本研究之前从未使用过 Facebook。在测试过程中，要求用户完成 Facebook 上的几项任务，同时使用 EEG（脑电图）采集系统记录他们大脑的电生理活动。当然，这项研究可以应用于任何软件产品，在产品发布之前，通过了解新用户与常用用户相比的用户友好程度来改进其用户界面。此外，还研究了新用户和常用用户之间的用户友好度相关性。此外，这项研究将帮助我们辨别大脑的哪些部分在群体之间具有最显著的差异，并讨论个人情绪状态背后的动机，这与用户体验有关。基于对特征脑波功率谱的分析，这项研究确定了新用户和常客之间存在显著的统计差异。此外，研究还发现新用户和常客的中央叶、颞叶和枕叶之间存在显著差异。这些结果将有助于开发人员创建最佳且用户友好的软件产品。
使用电感电图（EEG）的初步研究
患有特定健康状况的人，例如感觉整合障碍（SID）和自闭症谱系障碍（ASD）通常会面临巨大的挑战经验，例如对新情况的压倒性经验，如果触发的话，可以表现为超垂体和焦虑。深压已被用作减少问题的治疗方法。本研究寻求深压疗法的潜在优势，目的是采用一种新型方法来评估使用EEG使用EEG来测量大脑活动的可充气深度背心治疗的镇静作用。这项初步研究包括5个来自小学的男孩。充气和加权背心用于获得平静的效果，并且使用脑电图（EEG）测量以三个不同的阶段获得的脑活动：在（预测试前），（测试期间）3分钟，实验后（测试后1分钟）在5名受试者中获得了1分钟。使用Muse头带记录EEG信号，并使用EEGLAB进行分析。考虑了三个脑波，例如theta，alpha，beta相对带能量。与其他治疗相比，这些值对确定每种治疗的压力或焦虑水平是否显着降低至关重要。所示的统计结果，与预测试相比，相对子带能量α的后测试增加，而相对子频段能量β和theta降低。这项研究表明学生的平静作用增加。总的来说，我们的发现表明了充气背心和加权背心的潜力，作为深压疗法的宝贵工具。
BCIXD：大脑计算机交互设计
当前的大脑计算机接口（BCI）技术已使用脑电图设备在信号传输和信号采集技术方面取得了一定的进展[6]。这些可以使用EEG实现稳定的系统，例如在响应特定刺激的响应后300毫秒发生的p300 [1]，SSVEP [4]响应于视觉刺激，以特定的频率闪烁，以及在左和右侧的α波动中使用α波的差异的差异，而ca则是在左侧和右侧的情绪界面，不能被视为以人为中心的界面。 基于心理任务的BCI（MT-BCI）可以使用心理图像控制外部设备[3]。 MT-BCI范式分析了认知任务执行期间的周期性脑电图活性，即事件相关的同步/DESYNSYNCHRONIANION（ERS/ERD）[7]。此外，当使用机器学习时，它依赖于在培训过程中学习的预采用的用户数据和分类器，因此用户需要通过其心理图像稳定地生成特定的脑波模式[9]。 但是，没有足够的概括或表达人类形象控制以及如何将其转化为行为[5]。用户界面和交互的验证和示例有限，几乎不清楚脑电波的使用会带来什么优势[8]。为了澄清这一点，有必要开发和设计以人为本的，用户友好的BCI技术。 Hirano及其同事提出了一种使用拟声词[2] [11]来控制和训练的方法，并使用拟声道使用了多模式的视觉和听觉图像。
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％。
eNophones的工作评分系统
（2）单一措施的醒来，睡眠发作和深度睡眠的分类“K.šušmáková，A。Krakovská，斯洛伐克科学学院的测量科学研究所。（3）福特先生，歌德JW，Dekker DK。在连续移动任务期间，EEG的连贯性和功率变化。int j Int j Psychophyoliol。1986 JUL; 4（2）：99-110。 doi：10.1016/0167-8760（86）90003-6。 PMID：3733494。 （4）Patel AK，Reddy V，Shumway KR等。 生理，睡眠阶段。 [更新2022年9月7日]。 in：statpearls [Internet]。 宝藏岛（FL）：Statpearls Publishing； 2023年1月。 可从：https：//www.ncbi.nlm.nih.gov/books/nbk526132/（5）Tee，Yi Wen＆Mohd Aris，Siti Armiza。 （2020）。 脑电图（EEG）应力分析对α/β的比率和theta/beta比。 印尼电气工程与计算机科学杂志。 17。 175。 10.11591/ijeecs.v17.i1.pp175-182。 （6）Nuryadi，Agus＆Gumilar，Martina＆Lesyiana和Foster，Nelson。 （2020）。 β脑波通过脑慢跑应用改善认知功能的影响。 国际人类运动与体育科学杂志。 8。 10.13189/saj.2020.080713。 （7）Gharagozlou F，Nasl Saraji G，Mazloumi A，Nahvi A，Motie Nasrabadi A，Rahimi Foroushani A，Arab Kheradmand A，Ashouri M，Ashouri M，Ashouri M，Samavati M.在模拟驾驶过程中检测基于EEG Alpha Power Power Chernecter ofer Power Power light ofer Power power light ofer power power light ofer power。 伊朗J公共卫生。 2015年12月; 44（12）：1693-700。 PMID：26811821; PMCID：PMC4724743。 2004。1986 JUL; 4（2）：99-110。 doi：10.1016/0167-8760（86）90003-6。PMID：3733494。（4）Patel AK，Reddy V，Shumway KR等。生理，睡眠阶段。[更新2022年9月7日]。in：statpearls [Internet]。宝藏岛（FL）：Statpearls Publishing； 2023年1月。可从：https：//www.ncbi.nlm.nih.gov/books/nbk526132/（5）Tee，Yi Wen＆Mohd Aris，Siti Armiza。（2020）。脑电图（EEG）应力分析对α/β的比率和theta/beta比。印尼电气工程与计算机科学杂志。17。175。10.11591/ijeecs.v17.i1.pp175-182。（6）Nuryadi，Agus＆Gumilar，Martina＆Lesyiana和Foster，Nelson。（2020）。β脑波通过脑慢跑应用改善认知功能的影响。国际人类运动与体育科学杂志。8。10.13189/saj.2020.080713。（7）Gharagozlou F，Nasl Saraji G，Mazloumi A，Nahvi A，Motie Nasrabadi A，Rahimi Foroushani A，Arab Kheradmand A，Ashouri M，Ashouri M，Ashouri M，Samavati M.在模拟驾驶过程中检测基于EEG Alpha Power Power Chernecter ofer Power Power light ofer Power power light ofer power power light ofer power。伊朗J公共卫生。2015年12月; 44（12）：1693-700。PMID：26811821; PMCID：PMC4724743。2004。（8）Tobias Egner和John H Gruzelier。对健康受试者的脑脑响应对α/theta神经反馈训练的时间动力学。神经疗法杂志8，1（2004），43-57。（9）Metin，Baris＆Goktepe，Ayse＆Sutcubasi，Bernis＆Serin，Emin＆Tas，Cumhur＆Dolu，Fatrmanur＆Tarhan，K ..（2017）。流量状态期间的EEG发现。神经行为科学杂志。1。10.5455/jnbs.1496152464。（10）Stevens，C。E.，Jr。，＆Zabelina，D。L.（2019）。创造力出现了波浪：对创意大脑的以EEG为中心的探索。行为科学中的当前意见，27，154–162。
基于...
内部语音是一种自我指导的对话形式，它在认知发展，语音监测，执行功能和心理病理学中起着重要作用。尽管对其现象学，发展和功能的知识越来越多，但对内部语音的科学研究的方法仍然存在差异，并且在很大程度上是不整合的。脑电图（EEG），它是一种非侵入性脑部计算机界面（BCI）的方法，为内部语音研究带来了新的选择。由于脑电图的优势，越来越多的研究与内部语音有关。在此贡献中，内部语音中表达的不同单词通过应用EEG信号和支持向量机（SVM）来区分。使用向公众开放的“大声思考”数据集的脑电图数据。在实验中，从位于头顶上的128个传感器中获取了许多脑电图数据。因此，在第一个步骤中填写数据。之后，选定的数据通过经验模式分解（EMD）分解为各种固有模式函数（IMFS）。此外，使用希尔伯特变换来转换IMF，以检查适合区分内部语音的脑波带。最后，IMF的单个或组合由支持向量机（SVM）与各种内核进行分类。使用最合适的IMF和内核时，每个主题方案的平均结果为：F-评分：99.24％，准确性：99.24％和标准偏差（SD）：0.95。所有主题方案的最佳结果是：F-评分：99.67％，准确性：99.66％和标准偏差（SD）：0.27。获得的结果表明，所提出的方法可以很好地与内部语音差异。
基于...
内部语音是一种自我指导的对话形式，它在认知发展，语音监测，执行功能和心理病理学中起着重要作用。尽管对其现象学，发展和功能的知识越来越多，但对内部语音的科学研究的方法仍然存在差异，并且在很大程度上是不整合的。脑电图（EEG），它是一种非侵入性脑部计算机界面（BCI）的方法，为内部语音研究带来了新的选择。由于脑电图的优势，越来越多的研究与内部语音有关。在此贡献中，内部语音中表达的不同单词通过应用EEG信号和支持向量机（SVM）来区分。使用向公众开放的“大声思考”数据集的脑电图数据。在实验中，从位于头顶上的128个传感器中获取了许多脑电图数据。因此，在第一个步骤中填写数据。之后，选定的数据通过经验模式分解（EMD）分解为各种固有模式函数（IMFS）。此外，使用希尔伯特变换来转换IMF，以检查适合区分内部语音的脑波带。最后，IMF的单个或组合由支持向量机（SVM）与各种内核进行分类。使用最合适的IMF和内核时，每个主题方案的平均结果为：F-评分：99.24％，准确性：99.24％和标准偏差（SD）：0.95。所有主题方案的最佳结果是：F-评分：99.67％，准确性：99.66％和标准偏差（SD）：0.27。获得的结果表明，所提出的方法可以很好地与内部语音差异。