XiaoMi-AI文件搜索系统
World File Search System脑电图
通过老年人脑电图神经反馈训练自我调节伽马波段同步
背景：脑电图 (EEG) 是一种关键的非侵入性工具，它可以以毫秒级的精度捕捉脑信号，并能够实时监测个人的精神状态。从这些 EEG 信号中提取适当的生物标志物并将其呈现在神经反馈回路中，为促进神经补偿机制提供了一种独特的途径。这种方法使个人能够熟练地调节他们的大脑活动。近年来，人们已经发现了与衰老相关的神经生物标志物，凸显了神经调节在老年人大脑活动方面的潜力。方法和目标：在基于 EEG 的脑机接口框架内，本研究重点关注了衰老大脑中可能受到干扰的三种神经生物标志物：峰值 Alpha 频率、Gamma 波段同步和 Theta/Beta 比率。主要目标有两个：（1）通过一项严格设计的双盲、安慰剂对照研究，研究主观记忆力不佳的老年人是否可以通过脑电图神经反馈训练学会调节他们的大脑活动；（2）探索这种神经调节可能带来的认知增强。结果：在接受脑电图神经反馈训练的组中，观察到了伽马波段同步生物标志物的显著自我调节，这种调节对许多高级认知功能至关重要，并且已知会随着年龄的增长而下降，在阿尔茨海默病 (AD) 中下降得更厉害。这种效果与接受假反馈的受试者形成鲜明对比。虽然这种神经调节并不直接影响认知能力，如通过训练前和训练后的神经心理学测试所评估的那样，但研究开始时所有受试者的高基线认知表现可能是造成这一结果的原因。结论：这项双盲研究的结果与成功神经调节的关键标准相符，凸显了伽马波段同步在这一过程中的巨大潜力。这一重要成果鼓励进一步探索针对这一特定神经生物标志物的脑电图神经反馈，将其作为一种有希望的干预措施，以对抗通常伴随大脑衰老而出现的认知能力下降，并最终改变 AD 的进展。
研究静止状态的脑电图微骨与执行功能之间的关系：无效的发现
执行功能是人类认知的标志，并被定义为“高级认知过程，使个人能够在目标指导行为期间调节自己的思想和行动”（Friedman＆Miyake，2017年）。在处理新颖和复杂的任务或情况时，通常会被招募（Miyake等，2000），并依靠一组包括额叶和顶部区域在内的大规模功能性脑网络（Uddin，2021年）。在此注册报告中，我们建议研究静止状态（RS）EEG微骨和执行功能之间的联系。执行功能很难研究，因为它们涵盖了相互关联的大量认知功能，这意味着它们不能纯粹通过特定的认知任务进行研究。为了克服此任务杂质问题，已提出使用潜在变量分析，该分析仅捕获跨误解的共同方差（Friedman等，2008； Miyake等，2000）。在域中进行了一项高度影响的研究（Miyake等，2000）表明，执行功能可以分解为三个潜在变量：心理固定转换（“移动”），信息进行记忆中的更新和监测（“更新”）和抑制前体反应（“抑制profentent profent-tim-thimibi-timi-timibi-timi-timimi-tim-tim”）。在此模型中，已经选择了九项认知任务（每个潜在变量三个），并发现彼此之间较弱相关（R介于0.05和.34之间），而三个潜在变量彼此之间显示中等相关性（R介于.42和.63之间）。执行功能的神经底物已在很大程度上通过fMRI进行了研究。这些结果说明了执行功能既显示统一性和多样性的事实（Friedman＆Miyake，2017）。有趣的是，这种三因素模型显示出一些鲁棒性，因为它在健康的成人样本中多次复制（Karr等，2018）。Searching the Neurosynth database ( https://neurosynth.org/ ) with the separate terms “ executive functions ” , “ inhibition ” , “ shifting ” , “ working memory ” , returns overlapping sets of overlapping brain areas that include frontal areas (dorsolateral prefrontal cortex, anterior cingulate cortex, inferior frontal gyrus) and parietal areas （下顶叶，角回）（Uddin，2021），它是额叶 - 顶网络（FPN），执行控制网络（ECN）和显着性网络（SN）的一部分（Xu等，2020）。使用动态功能连通性（DFC）的研究表明，在执行功能任务（例如Stroop或n-背部）中，这些网络是动态调节的（Braun等，2015； Douw等，2016）。这些结果与最近假设神经灵活性的假设一致（即，大脑从一个状态变为另一种状态的能力）与认知表现有关（Hartwigsen，2018； Uddin，2021）。通过将RS期间fMRI DFC与各种认知功能任务的性能相关联，已进一步研究了这一假设（Zelazo，2006; Douw等，2016; Jia等，2014; Nomi等，2017）。综上所述，这些fMRI DFC研究表明，大脑网络动力学可能是认知性能的内在特征（Nomi等，2017; Uddin，2021）。除了fMRI外，EEG还提供了一种有趣的手段，可以捕获A
使用脑电图信号评估现实场景中记忆检索时的工作量
摘要。目的：脑电图 (EEG) 作为一种生理测量手段，在人因研究中越来越受欢迎，因为它客观、不易产生偏见，并且能够评估认知状态的动态。本研究调查了参与者在单显示器和双显示器配置下执行典型办公室任务时记忆工作量与 EEG 之间的关联。我们预计单显示器配置的记忆工作量会更高。方法：我们设计了一个实验，模拟受试者执行某些办公室工作的场景，并检查受试者在两种不同的办公室设置中是否经历了不同程度的记忆工作量：1）单显示器设置和 2）双显示器设置。我们使用 EEG 频带功率、相互信息和一致性作为特征来训练机器学习模型，以对高记忆工作量状态和低记忆工作量状态进行分类。主要结果：研究结果表明，这些特征表现出显着差异，并且在所有参与者中都是一致的。我们还在先前的研究中通过 Sternberg 任务收集的不同数据集验证了这些 EEG 特征的稳健性和一致性。意义：该研究发现 EEG 与个体的记忆工作量相关，证明了使用 EEG 分析在开展现实世界的神经人体工程学研究中的有效性。
深度学习在性取向相关脑电图源识别中的应用
摘要 简介：性取向是否是一种具有神经功能足迹的生物学特征尚不清楚。借助深度学习，无需先验选择特征即可对生物数据集进行分类的能力已大大提高。本研究的目的是使用深度学习正确分类不同性取向男性的静息态脑电图 (EEG) 数据，并探索识别所学区别特征的技术。方法：使用三个队列（同性恋男性、异性恋男性和混合性别队列）、一个预先训练的性别分类网络和一个新训练的性取向分类网络对性别进行分类。此外，还使用 Grad-CAM 方法和源定位来识别网络用于区分的时空模式。结果：使用预先训练的网络对男性和女性进行分类，男性和女性的分类之间没有差异
晚上抵抗或耐力运动对睡眠脑电图和唾液皮质醇的影响
结果：耐力和耐药性运动后的睡眠效率低于对照条件之后。与对照条件相比，耐力运动后的总睡眠时间较低。睡眠光谱分析表明，与对照条件相比，N1睡眠阶段的耐力和抗性练习在N1睡眠阶段导致更大的α功率和N2睡眠阶段的theta功率更大。与对照条件（趋势）相比，耐力运动在N2睡眠阶段导致更大的β功率，在REM睡眠期间更大的α功率和更高的皮质醇水平，并且与阻力运动条件（显着）相比。耐药性运动在N2睡眠阶段导致的β功率低于控制状态，皮质醇水平低于耐力运动状况。
深度学习对脑电图解码的欧几里德对齐的系统评估
脑电图 (EEG) 信号经常用于各种脑机接口 (BCI) 任务。虽然深度学习 (DL) 技术已经显示出良好的效果，但它们受到大量数据需求的阻碍。通过利用来自多个受试者的数据，迁移学习可以更有效地训练 DL 模型。欧几里得对齐 (EA) 是一种越来越受欢迎的技术，因为它易于使用、计算复杂度低并且与深度学习模型兼容。然而，很少有研究评估它对共享和单个 DL 模型训练性能的影响。在这项工作中，我们系统地评估了 EA 与 DL 结合对解码 BCI 信号的影响。我们使用 EA 用来自多个受试者的数据训练共享模型，并评估了它对新受试者的可迁移性。我们的实验结果表明，它将目标受试者的解码提高了 4.33%，并将收敛时间缩短了 70% 以上。我们还为每个受试者训练了单独的模型，以用作多数投票集成分类器。在此场景中，使用 EA 可将 3 模型集成准确率提高 3.71%。但是，与使用 EA 的共享模型相比，集成准确率降低了 3.62%。
使用脑电图...
摘要： - 压力显着影响心理和身体健康，使得准确的检测对于提高生产力和福祉至关重要。脑电图（EEG）已成为用于压力分析的关键工具，提供了一种无创，具有成本效益和时间精确的方法来评估大脑活动的方法。本文审查了使用机器学习（ML）和深度学习（DL）技术的压力检测进步。传统的压力检测方法，例如自我报告和主观调查，面临可靠性和可伸缩性的限制。相比之下，ML和DL模型，包括长期短期记忆（LSTM），卷积神经网络（CNN）和混合体系结构，表现出了出色的特征提取和分类精度。研究报告了使用高级信号处理和混合框架的分类精度超过95％。然而，在优化计算效率，降低算法复杂性以及验证各种实时数据集的模型方面仍然存在挑战。本评论突出了创新特征提取技术和混合ML-DL模型的潜力，以解决这些差距，为健壮，可扩展和实时应力检测系统铺平了道路。通过克服当前的局限性，未来的研究可以为心理健康管理和预防性护理策略做出重大贡献。本文提供了最新进步的全面概述，并概述了基于EEG的压力检测研究中未来的方向。
脑电图 (EEG) 传感器用户手册
本文档中包含的信息已仔细检查，并已尽一切努力确保其质量。PLUX 保留随时更改和改进本手册和所引用产品的权利，恕不另行通知。蓝牙一词及其徽标是 Bluetooth SIG Inc. 的商标，任何此类商标的使用均已获得许可。其他商标均为其各自所有。请在收到系统和传感器后首次使用前检查系统和传感器，以确认其是否包含所有订购的传感器、配件和其他组件。如果与原始订单有任何差异，请通过电子邮件联系我们的支持人员：helpdes@pluxbiosignals.com。有关监管信息，请参阅本文档末尾的监管免责声明。
从体现的头像的角度来看，调节了替代性痛苦和愉悦的时间动态：一项合并的沉浸式虚拟现实和脑电图研究
。CC-BY 4.0国际许可证。是根据作者/资助者提供的预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2025年1月29日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2024.06.14.598683 doi：biorxiv Preprint
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。