XiaoMi-AI文件搜索系统
World File Search System脑电图
个体特定的脑电图信号模式...
摘要 在人工智能的发展趋势下，生物识别已成为一种广泛应用的热门技术，在金融、非营利组织、海关等各种场合均有应用，但传统的身份识别工具存在易被泄露、窃取或遭受黑客攻击的风险。脑电图（EEG）是生物识别研究的一种方法，它通过采集头皮特定位置的电磁波来反映个体的脑部活动，大量研究证明脑电图中的α波段可以区分个体差异，其重要性在临床神经生理中也得到了证实。在脑电生物识别中，大多数研究使用复杂的电极通道来覆盖整个头部来收集脑电波记录，但这样的设备无法满足生物识别应用对可采集性的要求。
脑电图微状态 A
摘要：理论基础：静息状态范式经常应用于脑电图 (EEG) 研究；然而，它与无法控制参与者的思想有关。为了量化受试者在休息时的主观体验，引入了阿姆斯特丹静息状态问卷 (ARSQ)，涵盖了十个思维游离维度。我们旨在估计主观体验与 EEG 的静息状态微状态之间的关联。方法：使用 197 名受试者的 5 分钟静息状态 EEG 数据来评估七个微状态类别的时间特性。采用贝叶斯相关方法来评估静息后评估的 ARSQ 域与微状态参数之间的关联。结果：揭示了舒适度、自我和躯体意识域与神经电微状态的时间特性之间的几种关联。舒适度与微状态 E 持续时间之间的正相关性显示出最强的证据 (BF 10 > 10)；其余相关性显示出大量证据 (10 > BF 10 > 3)。结论：我们的研究表明，评估静息状态下发生的自发思维对于理解微状态所反映的内在大脑活动具有重要意义。
脑电图分析：理论与实践
脑电图 (EEG) 信号的分析总是涉及量化问题；这些问题可能涉及主频率的精确值以及从同时或不同时间记录的两个对称推导信号之间的相似性。在这些例子中，有一个问题只能通过对 EEG 信号进行测量来解决。没有这样的措施，EEG 评估仍然是主观的，很难导致逻辑系统化。经典的 EEG 评估总是涉及借助简单的标尺测量频率和/或幅度。这种简单方法的局限性很大，特别是当必须评估大量 EEG 数据并且强烈感受到数据缩减的需要时，以及当提出相当复杂的问题时，例如 EEG 信号的变化是否与内部或外部因素有关，以及不同推导中发生的 EEG 现象有多同步。要清楚地回答这些问题，需要某种形式的 EEG 分析。然而，这种分析不仅是一个量化问题，还涉及模式识别的元素。每一位脑电图医师都知道，对于诸如尖峰、尖波或其他异常模式等脑电图现象，有时很难引用精确的测量值；经验丰富的专家只能通过“目测”来检测它们。这些类型的问题可以通过模式识别分析技术解决，其原理是必须测量脑电图现象的特征。在特征提取阶段之后，将现象分类为不同的组。因此，脑电图分析不仅意味着简单的量化，还包括特征提取和分类。脑电图分析的主要目的是通过数字或图形形式的客观数据支持脑电图医师的评估。然而，EEG 分析可以走得更远，实际上可以扩展脑电图师的能力，为他们提供新的工具，使他们能够执行诸如癫痫患者长时间 EEG 的定量分析以及睡眠和精神药理学研究等困难任务。分析方法的选择主要取决于应用的目标，但也必须考虑预算限制。制定适当的策略取决于一些实际情况，例如分析结果是否必须实时在线提供，还是可以离线呈现。在过去，前一种要求会带来相当大的问题，只有采用一种相当简单的分析形式才能解决；新计算机技术的发展提供了更可接受的解决方案。另一种
使用脑电图探索的人验证...
I.近年来，生物识别技术在日常生活中越来越多地使用。例如，在使用图形和面对图像登录智能手机中。但是，这种生物特征数据始终涉及身体表面。因此，可以使用数字设备（例如摄像机）轻松地被盗（捕获）。If the data are stolen, copies can be made.此外，填充和脸部识别假定仅一次性身份验证，这会导致SPOOFG的风险。使用其生物识别技术对系统的常规用户进行身份验证，即使用户被没有使用该系统许可的冒名顶替者替换，也无法根据一次性的身份验证使用生物识别方法检测SPOOFEF。为了解决这个问题，已经提出了连续的身份验证，因为它比一次性的身份验证更有效。作为适合连续身份验证的生物识别技术，脑波或脑电图（EEG）引起了人们的注意[1]。只要人还活着，信号总是会产生，因此可以连续测量此信息。此外，由于任何人都可以利用脑波，它们是最容易获得的生物识别数据。由于仅在人戴上脑波传感器时才能检测到脑波，因此其他人也无法秘密地窃取数据。但是，传统研究并未提及使用脑电波作为生物识别技术的应用。使用脑波需要用户佩戴脑波传感器，但是这需要时间，因为用户在移动头发的同时将许多电极设置在头皮上。例如，当用户输入房间，登录PC或使用ATM时，这是无法想象的。因此，作为生物识别技术的脑波不适用于一次性身份验证。另一方面，一旦用户佩戴
通过控制视觉刺激的时间，使用脑电图进行字符输入......
研究成果概要（中文）：在本研究中，我们旨在开发一种使用 P300 和稳态视觉诱发电位 (SSVEP) 的混合型输入系统，这两种技术在利用脑电图进行字符输入时被广泛使用。该系统发挥了 P300 和 SSVEP 的优势，并弥补了彼此的不足。首先，我们通过视觉刺激呈现建立了一种同时生成方法。接下来，利用呈现方法，我们确认可以通过控制候选字符的呈现时间来有效分离两种不同的脑电图。我们已经证明，我们的原创方法可以实现高速输入。然而，差异程度因对象而异。这是未来需要解决的一个挑战。
解码脑电图活动以实现多模态自然语言处理
直到最近，研究人员主要对阅读中的人类行为数据感兴趣，以了解人类认知。然而，这些人类语言处理信号也可以用于基于机器学习的自然语言处理任务。目前，将脑电图大脑活动用于此目的的研究还很大程度上尚未得到探索。在本文中，我们首次进行了大规模研究，系统地分析了脑电图大脑活动数据在改进自然语言处理任务方面的潜力，特别关注了信号的哪些特征最有益。我们提出了一种多模态机器学习架构，它可以从文本输入和脑电图特征中联合学习。我们发现将脑电图信号过滤到频带中比使用宽带信号更有益。此外，对于一系列词嵌入类型，脑电图数据可以改进二元和三元情绪分类，并且优于多个基线。对于关系检测等更复杂的任务，在我们的实验中，只有情境化的 BERT 嵌入优于基线，这提出了进一步研究的需要。最后，当训练数据有限时，EEG 数据显示出特别有前景。
用于实时检测颅内脑电图中高频振荡 (HFO) 的电子神经形态系统
嵌入式设备可以在本地实时处理生物医学信号，因此临床研究和治疗应用的生物医学信号分析可以受益匪浅。一个例子是分析癫痫患者的颅内脑电图 (iEEG) 以检测高频振荡 (HFO)，这是致痫脑组织的生物标志物。混合信号神经形态电路提供了构建紧凑、低功耗神经网络处理系统的可能性，该系统可以实时在线分析数据。在这里，我们介绍了一种神经形态系统，该系统在同一芯片上结合了神经记录头端和脉冲神经网络 (SNN) 处理核心来处理 iEEG，并展示了它如何可靠地检测 HFO，从而实现最先进的准确性、灵敏度和特异性。这是首次使用混合信号神经形态计算技术实时识别 iEEG 中相关特征的可行性研究。
通过脑电图和Vidinexus的互动屏幕来改善博物馆访问者的参与度和经验
摘要这项研究的主要目的是通过开发包括脑部计算机界面（BCI）和客户端Vidinexus的互动屏幕在内的原型来探索以改善博物馆访问者的体验和参与的选项。这是通过遵循重点关注研究的三个不同方面的方法来完成的；博物馆和艺术，BCI和原型。前两个方面是背景文献研究的重点。这些发现用于指导原型开发的创作过程。系统的原型，包括交互式测验，它根据由EEG设备测量的选择和参与水平与访问者相匹配。该原型是在研究的构想，规范和实现阶段创建的；并在评估阶段进行了测试。
基于节能树的脑电图伪影检测
摘要 — 在癫痫监测中，由于脑电图伪影在幅度和频率上具有形态相似性，因此经常被误认为是癫痫发作，这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中，我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集，并重点关注颞电极。首先，我们使用自动机器学习框架在频域中提取最佳特征模型，在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后，这些算法针对 PULP 平台进行并行化和优化，与最先进的低功耗伪影检测框架实现相比，能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合，可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路，该解决方案具有低假阳性率和高灵敏度，可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备，结合基于 EEG 的癫痫发作检测算法，以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
