XiaoMi-AI文件搜索系统
World File Search System脑电图
我的想法在哪里（看）？脑电图关注关系的研究
摘要：视觉注意力估计是不同学科的十字路口的研究领域：计算机视觉，深度学习和医学。估计代表注意的显着性图的最常见方法之一是基于观察到的图像。在本文中，我们表明可以从脑电图获取中获取视觉关注。结果与观察到的图像的传统预测相媲美，这引起了人们的关注。基于图像的显着性估计是参与者独立的，脑电图的估计可以考虑到主题的特定城市。为此，已经记录了一组信号，并开发了不同的模型来研究视觉注意力与大脑活动之间的关系。结果令人鼓舞，并且与其他方法估计注意力的其他方法相媲美。能够预测脑电图的视觉显着性图可以帮助研究研究大脑活动与视觉注意力之间的关系。它也可以在各种应用中有助于：驾驶，神经营销期间的警惕评估，以及有助于诊断和治疗与视觉注意力相关的疾病的帮助。为了重现性，本文中考虑的代码和数据集已公开可用，以促进该领域的研究。
研究有影响力的脑电图实验的可重复性
推荐引用 推荐引用 Pavlov, Y., Mushtaq, F., Adamian, N., Appelhoff, S., Arvaneh, M., Benwell, C., Beste, C., Bland, A., Bradford, D., Bublatzky, F., Busch, N., Clayson, P., Cruse, D., Czeszumski, A., Dreber, A., Dumas, G., Ehinger, B., Ganis, G., He, X., Hinojosa, J., Huber-Huber, C., Inzlicht, M., Jack, B., Johannesson, M., Jones, R., Kalenkovich, E., Kaltwasser, L., Karimi-Rouzbahani, H., Keil, A., & König, P. (2021) '#EEGManyLabs: Investigating the replicaability of influence EEG 实验”，Cortex，。可从以下网址获取：10.1016/j.cortex.2021.03.013 本文由 PEARL 健康学院免费开放获取。它已被 PEARL 授权管理员接受纳入心理学学院。如需更多信息，请联系 openresearch@plymouth.ac.uk。
脑电图在大脑和行为研究方面的百年应用
推荐引用 推荐引用 Mushtaq, F.、Welke, D.、Gallagher, A.、Pavlov, Y.、Kouara, L.、Bosch-Bayard, J.、van den Bosch, J.、Arvaneh, M.、Bland, A.、Chaumon, M.、Borck, C.、He, X.、Luck, S.、Machizawa, M.、Pernet, C.、Puce, A., Segalowitz, S.、Rogers, C.、Awais, M.、Babiloni, C.、Bailey, N.、Baillet, S.、Bendall, R.、Brady, D.、Bringas-Vega, M.、Busch, N.、Calzada-Reyes, A.、Chatard, A.、Clayson, P. 和 Cohen, M. (2024)“大脑和行为脑电图一百年”研究”，自然人类行为， 8(8)，第 1437-1443 页。可访问：10.1038/s41562-024-01941-5 此回复或评论由 PEARL 健康学院免费开放提供给您。PEARL 授权管理员已接受将其纳入心理学学院。如需更多信息，请联系 openresearch@plymouth.ac.uk。
在家中，脑电图和智力残障人士的脑电图监测技术：范围评论
这项工作是根据创意共享归因于非商业化衍生作品4.0国际许可证的许可。一般权利一般权利所有珍珠中的内容均受版权法保护。根据发布者政策提供作者手稿。请仅使用项目记录或文档中提供的详细信息引用发布的版本。在没有公开许可证的情况下（例如Creative Commons），应从出版商或作者那里寻求进一步重用内容的许可。取消策略取消政策，如果您认为本文档违反版权，请联系提供详细信息的图书馆，我们将立即删除对工作的访问并调查您的索赔。遵循以下工作：https：//pearl.plymouth.ac.uk/nm-research
不同运动执行和想象任务中宽带脑电图中长程时间相关性的动态
大脑活动由振荡和宽带心律失常成分组成；然而，在运动研究中，人们更多地关注振荡感觉运动节律，而宽带心律失常脑电图 (EEG) 的时间动态仍未被探索。我们之前已经证明，宽带心律失常脑电图包含短距离和长距离时间相关性，这些相关性在运动过程中会发生显著变化。在本研究中，我们以之前的工作为基础，更深入地了解宽带脑电图中长距离时间相关性 (LRTC) 的这些变化，并将它们与文献中常见的众所周知的 alpha 振荡幅度 LRTC 进行对比。我们使用两个独立的 EEG 数据集（这两个数据集以两种不同的范式记录）来调查和验证五种不同类型的运动和运动想象任务期间 LRTC 的变化——我们的手指敲击数据集（包含单次自我发起的异步手指敲击）和公开可用的 EEG 数据集（包含提示的拳头和脚的连续运动和运动想象）。我们通过对单次试验 2 秒 EEG 滑动窗口进行去趋势波动分析，量化了宽带 LRTC 的瞬时变化。与静息状态相比，宽带 LRTC 在所有运动任务中均显著增加（p < 0.05）。相反，必须在较长的拼接 EEG 段上计算的 alpha 振荡 LRTC 显著下降（p < 0.05），与文献一致。这表明在运动和运动想象过程中，潜在的快速和慢速神经元无标度动力学是互补的。单次试验宽带 LRTC 在所有运动执行和想象任务中均具有较高的平均二元分类准确率，范围为 70.54 ± 10.03 % 至 76.07 ± 6.40 %，因此可用于脑机接口 (BCI)。因此，我们证明了新型运动神经相关性单次试验宽带 LRTC 在单个异步和提示连续运动-BCI 范式中的不同运动执行和想象任务中的普遍性、稳健性和可重复性，以及它与 LRTC 在 alpha 振荡幅度方面的对比行为。
Vasil Penchev。量子信息保守性及其解释为“可区分性 /无法区分性”和“ CLA < / div>），“少两个位” < / div> 实验性时间域研究，用于带LILL形状微带电路的带通负面组延迟分析 量子力学的数量和量子信息的数量 聚苯乙烯薄膜通过UV飞秒激光束进行纳米结构：从一个斑点到大表面 ESC的心脏细胞生物学工作组：心血管研究的位置纸：组织工程策略与细胞疗法相结合的缺血性心脏病和心力衰竭 通过动态空间过滤向损坏的脑电图中的强大学习 基于射频应用的Parylene-Electronic束光刻过程的有机掺杂二极管整流器
摘要：与基于可分离的复杂希尔伯特空间的“经典”量子力学相比，该论文研究了量子信息后量子不可分性的理解。相应地“可区分性 /无法区分性”和“古典 /量子”的两个反对意义在量子不可区分性的概念中隐含可用，可以解释为两个经典信息的两个“缺失”位，这些信息将在量子信息传递后添加，以恢复初始状态。对量子不可区分性的新理解与古典（Maxwell-Boltzmann）与量子（Fermi-Dirac或Bose-Einstein）统计的区别有关。后者可以推广到波函数类（“空”量子量），并在希尔伯特算术中详尽地表示，因此可以与数学基础相连，更确切地与命题逻辑和设置理论的相互关系相互关联，共享了布尔代数和两种抗发码的结构。关键词：Bose-Einstein统计，Fermi-Dirac统计，Hilbert Arithmetic，Maxwell-Boltzmann统计，Qubit Hilbert Space，量子不可区分性，量子信息保存，Teleportation
rank-1 CNN用于脑电图的心理工作负载分类
脑计算机界面（BCIS）可以分为两种主要类型：主动和被动BCI（Clerc等人2016）。当系统使用用户非自愿生成的信号时，BCI可以被动。更具体地说，这种类型的BCI经常用于评估执行不同心理需求的各种任务的用户的心理工作量，尤其是脑电图（EEG）（EEG）（Wang等人。2015，Adryou等。2018，Shalchy等。 2020）。 在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。 这取决于事先收集了标记的数据。 但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。 为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。 为此挑战提供的数据集（Hinss等人 2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。 每个会话都在不同的困难的块中分解：简单，中和困难。 提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。2018，Shalchy等。2020）。在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。这取决于事先收集了标记的数据。但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。为此挑战提供的数据集（Hinss等人2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。每个会话都在不同的困难的块中分解：简单，中和困难。提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。难度标签仅在两个初次会议上提供。
脑电图在大脑和行为研究方面的百年应用
脑电图 (EEG) 是一种非侵入性神经成像技术，用于通过放置在头皮上的电极记录大脑的电活动。记录的信号，即脑电图（缩写为 EEG），是皮质神经元群（沿皮质柱排列的锥体细胞）中同步突触活动的产物。每个电极位置的电压波动反映了活动电极和参考电极之间的差分测量值，该差分测量值被放大并记录为 EEG 轨迹。这些电变化可以以高时间分辨率捕获，从而为了解亚毫秒范围内大脑活动的时间过程提供了一个窗口。EEG 在临床环境中被证明特别有用，因为某些异常的大脑功能病例会引起相对一致的 EEG 模式，这些模式可以被检测到。定量 EEG (qEEG) 促进了此类应用，定量 EEG 是应用数学技术提取 EEG 轨迹的数值特征以支持信号解释。 EEG 轨迹是癫痫的典型测试，可用于识别睡眠问题、确定大脑是活着还是死亡，或探测某些意识障碍。视觉诱发电位已用于诊断多发性硬化症（一种导致脱髓鞘的疾病），听觉诱发电位可检测新生儿的听力异常。通过将信号锁定在响应或外部刺激上并对多次试验的信号取平均值，可以提取与引起它的感觉、运动或认知事件特定相关的神经活动。这种技术经常用于监测整个发育过程中的大脑成熟度、精神疾病以及检查行为和药物治疗后的神经变化的研究。在学术研究中，EEG 通过对信号取平均值以及最近的单次试验分析，已被广泛用于探索与认知处理相关的基本问题，包括注意力、情绪、记忆和决策的研究。由于便携性和低成本，EEG 越来越多地用于现实环境、社区和其他神经成像工具过于昂贵或后勤不切实际的环境。利用 EEG 的商业应用也在不断增加，使大脑监测可供公众使用。它与人工智能、虚拟和增强现实等其他技术的结合，为与数字和物理世界的互动创造了新的可能性。脑机接口 (BCI) 的进展表明，EEG 可用于控制假肢和通信设备、提供神经反馈训练和促进身体康复。
基于脑电图的图像回归
摘要 - 注意力多动障碍（ADHD）是一种神经发育障碍，影响了一定程度的儿童及其生活方式。一种治疗这种疾病的新方法是在整个患者中使用脑部计算机界面（BCI）学会自行自我调节自己的症状。在这种情况下，研究导致了旨在估计对这些界面的关注的工具。同时，虚拟现实（VR）耳机的民主化以及它为多个方面产生有效的环境的事实：安全，灵活和生态上有效，导致其用于BCI应用程序的使用增加。另一点是人工智能（AI）在不同领域的医疗领域越来越发达。在本文中，我们提出了一种创新的方法，目的是从生理信号的测量中估算注意力：脑电图（EEG），凝视方向和头部运动。该框架是为了评估VR环境中的注意力的开发。我们为特征提取和专用的机器学习模型提出了一种新颖的方法。试点研究已应用于一组志愿者，与最先进的方法相比，我们的方法的错误率较低。关键字 - 虚拟现实，机器学习，大脑计算接口，眼睛跟踪
癫痫皮层脑电图检测仪的小型化...
摘要 — 癫痫是一种神经系统疾病，其特征是由大脑异常电活动引起的突发和反复发作。反应性神经刺激 (RNS) 为药物难治性癫痫患者提供了一种有希望的治疗选择。反应性神经刺激 (RNS) 是一种采用闭环系统的植入式设备。它通过皮层脑电图 (ECoG) 记录持续监测大脑活动。当系统检测到癫痫发作活动时，它会向大脑发送直接电刺激以抑制癫痫发作。癫痫发作检测算法需要针对患者进行优化，这导致近年来人们对深度学习方法的兴趣日益浓厚。虽然更深的网络架构通常可以提高检测准确性，但它们在植入式设备中的实现受到硬件资源有限和可用于 ECoG 监测的电极通道数量有限的限制。为了确保 RNS 的实际可行性，系统地最小化患者特定深度学习模型的计算成本和连接的 ECoG 电极数量至关重要。本研究通过分析在 3D ECoG 数据上训练的 3D 卷积神经网络 (3D CNN) 的第一个卷积层学习到的时空核，系统地减少了癫痫检测模型中的电极通道数量和计算成本。这种方法充分利用了网络学习网格电极之间的空间关系和 ECoG 信号的时间动态的能力。缩小后的癫痫检测 CNN 模型与原始 CNN 模型之间的性能比较表明，至少对于某些患者，可以在减小模型尺寸的同时保持推理性能。