XiaoMi-AI文件搜索系统
World File Search System脑电
量子支持向量机应用于黎曼几何的脑电信号分类
有关量子计算的文献表明，与传统计算相比，量子计算在计算时间和结果方面可能更具优势，例如在模式识别或使用有限的训练集时 [14, 5]。一个无处不在的量子计算库是 Qiskit [1]。Qiskit 是一个在 Apache 2.0 下分发的 IBM 库，它同时提供量子算法和后端。后端可以是本地机器，也可以是远程机器，可以模拟它，也可以是量子机器。Qiskit 对您想要使用的机器类型的抽象使量子算法设计变得无缝。Qiskit 实现了支持向量类分类器的量子版本，称为量子增强支持向量分类器 (QSVC) [10]。在分类任务复杂的情况下，QSVC 可能比传统 SVM 更具优势。任务复杂性随着数据编码为量子态、可用数据的数量和数据质量的提高而增加。在 [6] 中，我们提出量子分类可能对依赖脑电图 (EEG) 的脑机接口具有巨大的潜力。基于这个想法，我们研究了 EEG 信号量子分类的可行性 [7]，通过使用 QSVC 结合黎曼几何 -
基于显著性的脑电情绪估计特征融合模型
摘要 — 在评估情绪的不同方式中，代表大脑电活动的脑电图 (EEG) 在过去十年中取得了令人鼓舞的成果。EEG 的情绪估计有助于某些疾病的诊断或康复。在本文中，我们提出了一个双重模型，考虑了 EEG 特征图的两种不同表示：1) 基于顺序的 EEG 频带功率表示，2) 基于图像的特征向量表示。我们还提出了一种创新方法，根据基于图像的模型的显着性分析来组合信息，以促进两个模型部分的联合学习。该模型已在四个公开可用的数据集上进行了评估：SEED-IV、SEED、DEAP 和 MPED。对于三个提出的数据集，所取得的结果优于最先进方法的结果，标准差较低，反映了更高的稳定性。为了可重复性，本文提出的代码和模型可在 https://github.com/VDelv/Emotion-EEG 获得。
认知负荷的脑电图测量：荟萃分析
摘要 认知工作量 (CWL) 是评估和监测人类执行认知任务时表现的基本概念。许多研究尝试使用神经成像技术客观、持续地测量 CWL。尽管脑电图 (EEG) 是一种广泛使用的技术，但 CWL 对大脑频率频谱功率的影响却显示出不一致的结果。本综述旨在综合文献结果并定量评估哪种大脑频率对 CWL 最敏感。按照 PRISMA 建议进行的系统文献检索突出了用于测量 CWL 的三个主要频带：θ (4-8 Hz)、α (8-12 Hz) 和β (12-30 Hz)。进行了三项荟萃分析以定量检验 CWL 对这些频率的影响。共计算了来自 24 项研究（涉及 723 名参与者）的 45 个效应大小。 CWL 对 theta (g = 0.68, CI [0.41, 0.95])、alpha (g = −0.25, CI [−0.45, 0.04]) 和 beta (g = 0.50, CI [0.21, 0.79]) 功率有显著影响。我们的结果表明，theta，尤其是额叶 theta，是 CWL 的最佳指数。alpha 和 beta 功率也受到 CWL 的显著影响；然而，它们之间的关联似乎不那么直接。考虑到脑震荡方面的文献，对这些结果进行了批判性分析。最后，我们强调需要研究 CWL 与可能影响频谱功率的其他因素（例如情绪负荷）之间的相互作用，并将该测量方法与中枢和周围神经系统的其他分析方法（例如功能连接、心率）相结合。
使用双峰脑电图进行多目标运动想象训练...
传统康复技术存在局限性，大多数患者在卒中后 1 年恢复情况不佳。因此，神经反馈 (NF) 或脑机接口在卒中康复中的应用越来越受到关注。事实上，NF 有可能增强对目标皮质区域的意志控制，从而影响运动功能恢复。然而，目前的实施受到所用特定成像方式的时间、空间或实际约束的限制。在这项试点工作中，也是在文献中首次，我们应用双模 EEG-fMRI NF 对四名具有不同卒中特征和运动障碍严重程度的卒中患者进行上肢卒中恢复。我们还提出了一种新颖的多目标训练方法，引导训练激活同侧初级运动皮质。除了 fMRI 和 EEG 结果外，我们还使用纤维束成像评估皮质脊髓束 (CST) 的完整性。初步结果表明我们的方法可行，并显示出其有可能根据中风缺陷的严重程度诱导同侧运动区域的增强激活。只有两名 CST 和皮质下病变保留的患者成功上调了同侧初级运动皮质，并表现出上肢运动功能改善。这些发现强调了考虑中风患者群体差异的重要性，并使我们能够确定未来临床研究设计的纳入标准。
评估佩戴耳机的脑电图系统在记录听觉诱发电位和心理负荷评估方面的作用
便携式神经成像技术的进步为深入了解日常行为背后的神经动力学和认知过程开辟了新的机会。在本研究中，我们评估了耳机式脑电图 (EEG) 系统对监测心理负荷的相关性。参与者 (N=12) 被指示在执行多属性任务电池 (MATB) 时注意偶尔出现的听觉警报，该任务电池的难度分为三种条件来操纵心理负荷。由听觉警报呈现引发的 P300 事件相关电位 (ERP) 被用作可用注意力资源的探测。在实验条件下比较了 P300 ERP 的幅度和延迟。我们的研究结果表明，可以使用耳机式 EEG 系统捕获 P300 ERP 成分。此外，对警报的神经反应可用于在单次试验水平上以高精度 (超过 80%) 对心理负荷进行分类。我们的分析表明，海绵传感器获取的信噪比在整个记录过程中保持稳定。这些结果突出了便携式神经成像技术在神经辅助应用开发中的潜力，同时也强调了目前将 EEG 传感器集成到日常生活可穿戴技术中存在的局限性和挑战。总的来说，我们的研究为越来越多的研究做出了贡献，这些研究探索了可穿戴神经成像技术在人类研究中的可行性和有效性
脑电图神经反馈治疗焦虑症及术后...
摘要 综述目的 本综述概述了目前对焦虑症和创伤后应激障碍的脑电图神经反馈的知识和理解。 最新发现 焦虑症和创伤后应激障碍 (PTSD) 的表现与神经生理应激轴和大脑唤醒回路的功能障碍有关，这是研究领域标准 (RDoC) 的重要维度。即使这些疾病的病理生理学很复杂，其定义特征之一是行为和生理过度唤醒。有趣的是，与唤醒相关的大脑活动可以通过基于脑电图的神经反馈 (EEG NF) 进行调节，这是一种非药理学和非侵入性方法，涉及通过脑机接口 (BCI) 进行神经认知训练。EEG NF 的特点是同时学习过程，其中患者和计算机都参与修改神经活动或连接，从而改善焦虑和/或过度唤醒的相关症状。摘要 EEG NF 对焦虑症和 PTSD 都有积极作用，但由于一些方法问题，症状改善是否是 EEG NF 针对的神经生理变化的直接结果仍不清楚。因此，在这项工作中，我们试图将当前关于唤醒大脑机制的知识与过去和现在的焦虑和 PTSD 的 EEG NF 疗法结合起来。简而言之，我们讨论了 EEG NF 对焦虑症和 PTSD 影响的神经生理机制、现有 EEG NF 随机对照试验 (RCT) 针对这些疾病的方法优势/劣势，以及可能影响 NF 训练成功的神经心理因素。关键词神经反馈；焦虑症；创伤后应激障碍；EEG 生物标志物；唤醒；学习。
声学动态范围内的时间变化是基于脑电图的听觉关注
摘要 - 许多研究表明，可以从脑电图数据中解码听觉对自然语音的关注。但是，大多数研究都集中在选择性的听觉注意力解码（SAAD）上，而竞争扬声器则是对单个目标的绝对听觉注意解码（AAAD）的动态。AAAD的目标是衡量对单个演讲者的关注程度，在心理和教育环境中的客观衡量注意力。为了调查这种AAAD范式，我们设计了一个实验，主题在不同的细心条件下听到视频讲座。我们训练了神经解码器，以在基线的细节状态重建脑电图中的语音信封，并使用解码和真实语音信封之间的相关系数作为注意语音的指标。我们的分析表明，1-4 Hz频段中语音包膜的包络标准偏差（SD）与该指标在语音刺激的不同段之间密切相关。然而，这种相关性在0.1-4 Hz频段中削弱，其中专注状态和注意力不集中的状态之间的分离程度变得更加明显。这突出了0.1-1 Hz范围的独特贡献，从而增强了注意状态的区别，并且仍然受到混杂因素的影响，例如语音信封的时变动态范围。
脑电图和脑磁图
神经元产生电信号，通过突触传输到其他细胞。首先，动作电位 (AP) 到达突触间隙（图 1 中的步骤 1），在那里它将通过神经递质传输化学信息（图 1 中的步骤 2），从而产生突触后电位 (PSP) 和局部电流（图 1 中的步骤 3）。PSP 将产生电流接收器并传播直到细胞体以产生电流源（图 1 中的步骤 4）。因此，PSP 会产生一个由负极（即接收器）和正极（即源）组成的电偶极子。该偶极子将产生初级（细胞内）电流和次级（细胞外）电流。M/EEG 信号来自突触后电位。更具体地说，M/EEG 信号来自大量同步神经元活动的空间和时间总和。但 MEG 和 EEG 之间存在显著差异。首先，就信号本身而言，MEG 信号主要由树突水平的 PSP 产生的细胞内电流引起，细胞外电流较少；EEG 信号对应于电位差，主要由细胞外电流引起。其次，就对偶极子方向的敏感性而言，EEG 对径向电流（位于脑回水平的活动）和切向电流（在脑沟内产生）都很敏感，尽管它具有
人类颅内脑电图研究，指南和良好实践的进步
以及解决熟练的研究人员遇到的问题。范围是三倍：（i）回顾IEEG研究中的常见实践，（ii）建议使用IEEG数据合作的潜在准则，并根据最广泛的实践回答常见问题，以及（iii）基于当前的神经生理学知识和方法论，为IEEG研究中的良好实践标准奠定了基础。本文的组织遵循IEEG数据处理的步骤。第一部分将IEEG数据收集的上下文化。第二部分着重于颅内电极的定位。第三部分突出显示了主要的预处理步骤。第四部分提出了IEEG信号分析方法。第五部分讨论了统计方法。第六部分对IEEG研究提出了一些独特的观点。最后，为了确保在整个手稿中保持一致的命名法，并与其他指南保持一致，例如脑成像数据结构（BID）和OHBM数据分析和共享最佳实践委员会（COBIDAS），我们为与IEEG研究相关的术语提供了词汇。
使用人体内部脑电图从自然语音中解码语义
Camille R. C. Pescatore 1* , Haoyu Zhang 1* , Alex E. Hadjinicolaou 1 , Angelique C. Paulk 1,2 , John D. Rolston 3 , R. Mark Richardson 4 , Ziv M. Williams 4,5,6 , Jing Cai 4† & Sydney S. Cash 1,2,5† 1 Department of Neurology, Massachusetts General Hospital, Harvard Medical School, Boston, MA.2马萨诸塞州波士顿的马萨诸塞州综合医院神经科学中心和神经记录中心。3，杨百翰和妇女医院神经外科部，马萨诸塞州波士顿哈佛医学院。4马萨诸塞州波士顿哈佛医学院马萨诸塞州综合医院神经外科部。5哈佛大学卫生科学与技术部，马萨诸塞州波士顿。6哈佛医学院，马萨诸塞州波士顿神经科学计划。 *这些作者也同样贡献。 †这些作者也同样贡献。 应向谁致辞，电子邮件：jcai5@mgh.harvard.edu6哈佛医学院，马萨诸塞州波士顿神经科学计划。*这些作者也同样贡献。†这些作者也同样贡献。应向谁致辞，电子邮件：jcai5@mgh.harvard.edu