XiaoMi-AI文件搜索系统
World File Search System脑电
通过AUC进行脑电图情绪识别...
不平衡的数据集对神经科学、认知科学和医学诊断等领域构成了重大挑战，在这些领域中，准确检测少数类别对于稳健的模型性能至关重要。本研究以 DEAP 数据集中的“喜欢”标签为例，解决了类别不平衡问题。这种不平衡经常被先前的研究忽视，这些研究通常侧重于更平衡的唤醒和效价标签，并主要使用准确度指标来衡量模型性能。为了解决这个问题，我们采用了旨在最大化曲线下面积 (AUC) 的数值优化技术，从而增强了对代表性不足的类别的检测。我们的方法从线性分类器开始，与传统的线性分类器（包括逻辑回归和支持向量机 (SVM)）进行了比较。我们的方法明显优于这些模型，召回率从 41.6% 提高到 79.7%，F1 分数从 0.506 提高到 0.632。这些结果强调了通过数值优化实现 AUC 最大化在管理不平衡数据集中的有效性，为提高在样本外数据集中检测少数但关键类别的预测准确性提供了有效的解决方案。
为被动脑机接口应用开放多会话、多任务脑电图认知数据集
脑机接口，尤其是被动脑机接口 (pBCI)，由于能够估计和监控用户心理状态，越来越受到基础研究和应用研究与开发社区的关注。测试新的管道和基准分类器以及特征提取算法是进一步研究该领域的关键。不幸的是，pBCI 研究中的数据共享仍然很少。COG-BCI 数据库包含 29 名参与者在 3 个独立会话中的记录，这些会话中有 4 个不同的任务 (MATB、N-Back、PVT、Flanker)，旨在引发不同的心理状态，总共超过 100 小时的开放 EEG 数据。该数据集在主观、行为和生理层面进行了验证，以确保其对 pBCI 社区的实用性。此外，还给出了一个概念证明，其中包含心理工作量估计管道和结果的示例，以确保数据可用于 pBCI 管道的设计和评估。这项工作为在开放科学框架中推广 pBCI 的使用做出了巨大努力。
平行单词读数与固定相关的大脑电位揭示
外星人不知道的是人类读书。外星人现在观察到整齐的网格形扫描路径，并具有许多相当始终如一的定时固定，并由萨卡德斯（Sac-Cades）插入，其短幅度相当一致。外星人在逻辑上会感到困惑：与以前的数据相比，似乎反映了天然的眼动行为，新数据似乎非常人工，也许必须完全源于其他物种。但是，现代人类如此依赖的正是这种人工行为。有关阅读过程的知识不仅重要，而且从根本上很有趣：由于系统性，对各种认知成分的负担（视觉感知，注意力选择，成员，眼球运动计划）的负担可能比任何这些成分都更重。在视觉和注意力方面，我们可能会注意到，与自然场景相比，文本提供的视觉效果要多得多。在亮度，颜色或对比度方面，没有比周围环境更重要的位置。此外，信息在整个视觉范围内非常密集且均匀分布，这意味着视觉范围的每一点都必须进行主动处理，并且必须以特定的，常规的方式进行（例如，左右 - 右 - 右上和自上而下）。最后，所有这些位d，所有单词d都必须作为单独解释的单元接近。自然的场景观看类似于阅读，然后认识到一棵树将涉及计算其树枝和树叶。大脑每天如何应对这些极端条件？没有视觉任务需要像阅读行为这样的系统性；并且没有任何认知成分对于将系统性作为注意选择而重要。在本文中，我们继续进行了关于阅读潜在关注的潜在限制的突出且尚未解决的辩论。显然存在注意力选择；但是，这种情况是如此细化，以至于系统可以离散地插入单词时，而我们的眼睛在尖顶线的海洋上飞来飞去？，如果注意力选择不是那么刻薄，并且大脑确实不断地忙于一个以上的词，那么它如何成功？阅读过程的这一特定方面是在理论之间的裁决中发挥关键作用，在这里我们旨在为其理解做出贡献。We do so by focusing on syntactic pro- cessing, which is assumed, in recent and ongoing modeling work ( Meeter, Marzouki, Avramiea, Snell, & Grainger, 2020 ; Snell & Grainger, 2019a , 2019b ; Snell, van Leipsig, Grainger, & Meeter, 2018a ), to play a key role in the brain ' s ability to deal with multiple words simultaneously.在适当的时候将看到，我们将在句子阅读过程中探测平行的句法处理，并结合眼睛跟踪和电刻画（EEG）。
通过动态空间滤波对受损脑电图进行稳健学习
使用在实验室环境之外记录的 EEG 构建机器学习模型需要对噪声数据和随机缺失通道具有鲁棒性的方法。在处理稀疏 EEG 蒙太奇（1-6 个通道）时，这种需求尤其大，稀疏 EEG 蒙太奇经常出现在消费级或移动 EEG 设备中。经典机器学习模型和在 EEG 上端到端训练的深度神经网络通常都没有设计或测试对损坏的鲁棒性，尤其是对随机缺失通道的鲁棒性。虽然一些研究提出了使用缺失通道数据的策略，但当使用稀疏蒙太奇且计算能力有限（例如可穿戴设备、手机）时，这些方法并不实用。为了解决这个问题，我们提出了动态空间滤波（DSF），这是一个多头注意力模块，可以插入神经网络的第一层之前，通过学习关注好通道并忽略坏通道来处理缺失的 EEG 通道。我们在包含约 4,000 条模拟通道损坏记录的公共 EEG 数据和包含约 100 条自然损坏移动 EEG 家庭记录的私人数据集上测试了 DSF。当没有施加噪声时，我们提出的方法可实现与基线模型相同的性能，但当存在严重通道损坏时，其准确率比基线高出 29.4%。此外，DSF 输出是可解释的，因此可以实时监控有效通道重要性。这种方法有可能在通道损坏妨碍读取脑信号的具有挑战性的环境中实现 EEG 分析。
青春期前儿童在概率奖励学习任务中的脑电激活反映了认知过程和行为策略
成人和儿童都通过反馈来学习将环境事件和选择与奖励联系起来，这一过程称为强化学习 (RL)。然而，用于评估儿童 RL 相关神经认知过程的任务有限。这项研究在记录事件相关电位 (ERP) 的同时，在青春期前儿童 (8-12 岁) 中验证了概率奖励学习任务的儿童版，重点关注：(1) 奖励-反馈敏感性 (额叶奖励相关积极性，RewP)，(2) 对反馈的晚期注意力相关反应 (顶叶 P300)，以及 (3) 注意力转向喜爱的刺激 (N2pc)。从行为上讲，正如预期的那样，青春期前儿童可以学习刺激-奖励结果关联，但表现水平各不相同。与学习优秀的学生相比，学习较差的学生表现出更大的 RewP 振幅。学习策略（即赢-输-留下-转移）由反馈诱发的 P300 振幅反映。最后，注意力会转移到待选择的刺激上，这一点由 N2pc 证明，但不会像成年人那样转移到奖励更高的刺激上。这些发现为青少年 RL 背后的神经过程提供了新的见解。
基于脑电图的神经网络重度抑郁症和双相情感障碍检测：综述
精神障碍是重大的公共卫生挑战，因为它们是全球疾病负担的主要因素，并严重影响个人的社会和经济福利。本综合综述集中于两种精神障碍：重度抑郁症 (MDD) 和双相情感障碍 (BD)，过去十年中出现了值得关注的出版物。如今，使用生物标志物对精神障碍的表型表征需求很大。脑电图 (EEG) 信号可以为 MDD 和 BD 提供丰富的特征，然后它们可以提高对这些精神障碍的病理生理机制的理解。在本综述中，我们重点关注采用由 EEG 信号馈送的神经网络的文献。在使用 EEG 和神经网络的研究中，我们讨论了各种基于 EEG 的协议、生物标志物和用于检测抑郁症和双相情感障碍的公共数据集。我们最后进行了讨论并提出了宝贵的建议，这将有助于提高已开发模型的可靠性，并实现更准确、更确定的基于计算智能的精神病学系统。对于利用脑电图信号识别抑郁症和躁郁症的研究者来说，这篇评论将是一个结构化且有价值的起点。
使用脑电图数据
摘要 - 这项工作的目的是使用癫痫患者的脑电图数据，并使用交叉频谱密度（CPSD）分析大脑区域之间的连通性。我们通过去除癫痫发作的人来获取76个脑电图疗程中的数据。然后，我们为每个患者计算了210个电极对的CPSD。最初，我们在整个样品中计算了CPSD，然后根据与不同大脑状态相关的频段进行了分层。我们观察到大脑轮毂，默认模式网络（DMN）和附加到DMN的抗相关网络。大脑的连通性随频率变化而变化，因此大脑状态。EEG分析是一种相对便宜，持续时间较长，而更方便的方法比fMRI，但提供了类似的信息。类似的研究可用于识别大脑连接模式，而大脑通过为任务收集脑电图数据来执行特定任务。关键字 - ：大脑连接，集线器，脑电图
大脑电活动和功能连接减少......
Annamaria Painold 1 , Pascal L Faber 2 , Eva Z Reininghaus 1 , Sabrina Mörkl 1 , Anna K Holl 1 , Peter Achermann 2 , Bernd Saletu 3 , Gerda Saletu-Zylharz 3 , Peter Anderer 3 , Nina Dalkner 1 , Armin Birner 1 , Susanne Bengesser 1 , Hans-Peter Kapfhammer 1 , Patricia Milz 2 1 奥地利格拉茨医科大学精神病学和心理治疗系 2 瑞士苏黎世精神病学大学医院精神病学、心理治疗和心身医学系，KEY 脑-心智研究所 3 维也纳医科大学精神病学和心理治疗系，维也纳 通讯作者：Eva Z Reininghaus，精神病学和心理治疗系心理治疗医学，格拉茨医科大学，Auenbruggerplatz 31，A-8036 格拉茨，奥地利。电子邮件：eva.reininghaus@medunigraz.at
使用脑电图进行脑机接口手假肢感觉运动控制的运动预测
摘要 在本研究中，我们介绍了一种市售肌电假肢（Myobock ©，奥托博克）的改进版本，旨在为该设备提供基于脑机接口 BMI 的感觉运动控制。新系统使用用户的脑电图 (EEG) 信号以及手镯产生的振动作为输入，手镯包含振动马达，其频率与安装在假指尖的力敏电阻 (FSR) 测量的力成正比。在对七名健全人和四名截肢受试者进行实验期间，三种不同特征提取方法 (CSP、WD、GSO) 的四种组合已用于构建由两种具有不同电极数量的不同记录系统收集的 EEG 信号的特征向量。然后测试了三种机器学习算法（人工神经网络、具有线性和径向基函数核的支持向量机）的分类/预测性能。报告的结果为使用无线 BMI 来控制肌电假肢的主要运动类型提供了概念证明，即使用电极较少的 EEG 系统而不是研究级系统。