XiaoMi-AI文件搜索系统
World File Search System脑电
解码听觉和触觉注意力以用于脑电图......
摘要 — 脑机接口 (BCI) 系统为人类与机器交互提供了一种非语言且隐蔽的方式。它们旨在解释用户的大脑状态，并将其转化为行动或用于其他交流目的。本研究调查了基于听觉和触觉注意力开发无需动手和眼睛的 BCI 系统的可行性。向用户呈现多个同时的听觉或触觉刺激流，并指示用户检测某一特定流中的模式。我们应用线性分类器从 EEG 信号中解码流跟踪注意力。结果表明，所提出的 BCI 系统可以使用多感官输入吸引大多数研究参与者的注意力，并显示出在多个会话中进行迁移学习的潜力。
根据脑电图和生理信号估计情感、认知和意动状态的工具
近几十年来，基于脑电图 (EEG) 的脑机接口 (BCI) 研究已变得更加民主化 (Nam 2018)。该技术能够通过 EEG 将信息从人脑传输到机器，尤其能够帮助严重运动障碍患者向轮椅等辅助技术发送命令，例如通过想象左手或右手运动来使轮椅左转或右转。此类 BCI 被称为主动 BCI，因为用户通过执行心理意象主动向系统发送命令 (Zander 2011)。然而，BCI 缺乏稳健性限制了该技术在研究实验室之外的发展，目前 10% 到 30% 的用户无法控制主动 BCI。然而，另一种类型的 BCI 被证明特别有前景：被动 BCI (Zander 2011)。此类 BCI 不用于直接控制应用程序，而是用于实时监控用户的心理状态，以便相应地调整应用程序。请注意，被动 BCI 可以与生理信号相结合：它们被称为“混合 BCI”（Pfurtscheller 等人，2010 年）。
现代机器学习算法根据脑电信号对认知和情感状态进行分类
从脑信号中估计认知或情感状态是创建被动脑机接口 (BCI) 应用程序的关键但具有挑战性的一步。到目前为止，从 EEG 信号中估计心理工作量或情绪仅在中等分类准确度下可行，因此导致不可靠的神经自适应应用。然而，最近的机器学习算法，特别是基于黎曼几何的分类器 (RGC) 和卷积神经网络 (CNN)，已显示出对其他 BCI 系统（例如运动想象-BCI）的前景。然而，它们尚未在认知或情感状态分类方面进行正式研究和比较。因此，本文探讨了此类机器学习算法，提出了它们的新变体，并与经典方法对它们进行了基准测试，以从 EEG 信号中估计心理工作量和情感状态（效价/唤醒）。我们研究了这些方法，同时进行了受试者特定和受试者独立的校准，以走向无校准系统。我们的结果表明，在心理负荷研究的两种条件下，CNN 的平均准确率最高，尽管差异并不显著，其次是 RGC。然而，对于情绪数据集（一个训练数据较少的数据集），同一个 CNN 在两种条件下的表现都不佳。相反，事实证明，使用我们在本文中介绍的滤波器组切线空间分类器 (FBTSC)，RGC 具有最高的平均准确率。因此，我们的结果有助于提高从 EEG 进行认知和情感状态分类的可靠性。它们还提供了有关何时使用哪种机器学习算法的指导。
密度脑电图
摘要 目的 功能连接 (FC) 越来越多地被用作神经调节和提高性能的目标。目前，使用脑电图 (EEG) 对 FC 进行可靠的评估需要具有高密度蒙太奇的实验室环境和较长的准备时间。本研究调查了使用低密度 EEG 蒙太奇重建源 FC 以用于实际应用的可行性。方法 使用逆解重建源 FC，并将其量化为 alpha 频率中绝对虚相干的节点度。我们使用模拟的相干点源以及两个真实数据集来研究电极密度（19 个电极 vs. 128 个电极）和使用模板与基于单个 MRI 的头部模型对定位精度的影响。此外，我们还检查了低密度 EEG 是否能够捕捉个体间相干强度的变化。结果 在数值模拟和实际数据中，电极数量的减少导致相干源和耦合强度的重建可靠性降低。然而，当比较从 19 个电极重建 FC 的不同方法时，使用波束形成器获得的源 FC 优于传感器 FC、独立成分分析后计算的 FC 和使用 sLORETA 获得的源 FC。特别是，只有基于波束形成器的源 FC 才能捕捉运动行为的神经相关性。结论 从低密度 EEG 重建 FC 具有挑战性，但使用波束形成器的源重建时可能是可行的。
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。
通过脑电信号测量认知好奇心的状态
摘要 — 了解好奇心背后的神经生理机制并因此能够识别一个人的好奇心水平，将为神经科学、心理学和计算机科学等众多领域的研究人员和设计师提供有用信息。揭示好奇心的神经相关性的第一步是在好奇状态下收集神经生理信号，以便开发信号处理和机器学习 (ML) 工具来识别好奇状态和非好奇状态。因此，我们进行了一项实验，其中我们使用脑电图 (EEG) 测量参与者在被诱导进入好奇状态时的大脑活动，使用琐事问答链。我们使用两种 ML 算法，即滤波器组公共空间模式 (FBCSP) 与线性判别算法 (LDA) 相结合，以及滤波器组切线空间分类器 (FBTSC)，以将好奇的 EEG 信号与非好奇的 EEG 信号进行分类。总体结果表明，两种算法在 3 到 5 秒的时间窗口内均获得了更好的性能，表明最佳时间窗口长度为 4 秒（FBTSC 的分类准确率为 63.09%，FBCSP+LDA 的分类准确率为 60.93%）可用于基于 EEG 信号的好奇心状态估计。索引术语 — 好奇心 - 心理状态 - 学习 - 脑电图 - 被动脑机接口
醒来和睡眠期之间意识率延长的患者的脑电图差异
结果：1。MC中的分形维度（Higuchi的分形维度（HFD））往往高于所有阶段VS/UWS患者的分形维度（HFD），仅在醒来阶段存在显着差异（P <0.05）。醒来阶段的HFD与CRS-R评分呈正相关，并以88.3％的诊断精度表现出最高的诊断精度。与VS/UWS中的Teager-Kaiser能量运营商（TKEO）在MCS中的患者水平也更高，在NREM2阶段（p <0.05）中，与CRS-R-R分数和诊断精度为75.2％，在NREM2阶段中显着。MCS患者中的δ -band功率频谱密度[PSD（δ）]低于VS/UWS中的患者，在唤醒阶段明显如此明显（P <0.05），并且与CRS -R分数呈负相关，诊断精度为71.5％。
持续在线脑电图运动意象解码的微调策略：来自大规模纵向研究的见解
摘要 — 本研究调查了在涉及大型用户组和每个参与者多个会话的因果环境中在线纵向脑电图 (EEG) 运动想象 (MI) 解码中深度学习的持续微调策略。我们是第一个在大型用户组中探索此类策略的人，因为纵向适应通常是在单个受试者环境中使用单一适应策略进行研究的，这限制了推广研究结果的能力。首先，我们研究了不同的微调方法对解码器性能和稳定性的影响。在此基础上，我们集成了在线测试时间适应 (OTTA) 以在部署期间调整模型，补充了先前微调的效果。我们的研究结果表明，基于先前特定于主题的信息连续进行的微调可以提高性能和稳定性，而 OTTA 可以有效地使模型适应连续会话中不断变化的数据分布，从而实现无校准操作。这些结果为纵向在线 MI 解码的未来研究提供了宝贵的见解和建议，并强调了结合领域适应策略对提高实际应用中的 BCI 性能的重要性。临床相关性——我们的研究实现了更稳定、更有效的长期运动想象解码，这对于神经康复和辅助技术至关重要。
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。
心理策略和静息态脑电图：
摘要。神经反馈 (NFB) 是一种脑机接口，允许个人调节大脑活动。尽管 NFB 具有自我调节的性质，但 NFB 训练期间使用的策略的有效性却很少受到研究。在对健康年轻参与者进行的一次 NFB 训练（6*3 分钟训练块）中，我们通过实验测试了提供心理策略列表（列表组，N = 46）与未接受任何策略的组（无列表组，N = 39）相比，是否影响参与者对高 alpha（10-12 Hz）振幅的神经调节能力。我们还要求参与者口头报告用于增强高 alpha 振幅的心理策略。然后将逐字记录归类为预先确定的类别，以检查心理策略类型对高 alpha 振幅的影响。首先，我们发现向参与者提供列表并不能提高神经调节高 alpha 活动的能力。然而，我们对学习者在训练块期间报告的具体策略的分析表明，认知努力和回忆记忆与更高的高 alpha 振幅有关。此外，训练后高 alpha 频率的静息振幅可预测训练期间振幅的增加，这一因素可能会优化 NFB 方案的纳入。本研究结果还证实了 NFB 训练期间与其他频带的相互关系。尽管这些发现是基于单个 NFB 会话，但我们的研究代表着朝着开发 NFB 高 alpha 神经调节的有效方案迈出了进一步的一步。图形摘要