XiaoMi-AI文件搜索系统
World File Search System视觉刺激
Processem Emboard P300基于红色...
提出了一种低计算成本方法来检测普遍存在的通信和控制应用中的p300波，这称为p300嵌入式处理（PE-P300）。 div>PE-P300的入口是通道的脑电图信号（EEG），该方法的体系结构基于卷积神经元网络。 div>还提出了一种嵌入式脑部插入界面系统PE-P300方法，该系统还使用了四个以盒子形式的视觉刺激来唤起p300波。 div>该界面与用于机械系统的移动或控制的Internet网络具有连接性。 div>对于实验，生成了由8个受试者的EEG信号形成的数据库，根据结果，PE-P300能够识别每个受试者的EEG信号上的p300波，平均性能为96％。 div>此外，PE-P300仅需要一个电极，并且可以实时处理其低复杂性。 div>作为结论，PE-P300是文献中最有竞争力的方法之一，由于其96％的性能，电极数量较低（活性电极），并且将P300波的处理扩展到日常应用中使用的无处不在系统。 div>
SPIE 论文集 - UCL 发现
通过成人大脑视网膜定位映射评估新一代可穿戴高密度弥散光学断层扫描 (HD-DOT) 技术 Ernesto E. Vidal-Rosas a、Hubin Zhao a,b、Reuben Nixon-Hill c,d、Greg Smith c、Luke Dunne d、Samuel Powell c,e、Robert J. Cooper a 和 Nicholas L. Everdell ca DOT-HUB，BORL，伦敦大学学院医学物理和生物医学工程系，伦敦，WC1E 6BT，英国 b 格拉斯哥大学詹姆斯瓦特工程学院，格拉斯哥，G12 8QQ，英国 c Gowerlabs Ltd.，伦敦，英国 d 伦敦帝国理工学院数学系，伦敦，SW7 2BU，英国 e 诺丁汉大学电气与电子工程系，诺丁汉，NG7 2RD，英国 ernesto.vidal@ucl.ac.uk摘要：我们通过复制一系列经典的视觉刺激范例研究了新型 HD-DOT 系统的性能。血液动力学反应函数和皮质激活图复制了使用更大的基于光纤的系统获得的结果。1. 简介
人的大脑在每个时间的瞬间通过行进波的多路复用编码视觉事件的编年史
人脑连续处理视觉输入的流。然而，单个图像通常会触发延伸超过1s的神经反应。要了解大脑如何编码和保持连续的图像，我们用脑电图分析了人类受试者观看时的大脑活动。 5000个视觉刺激以快速序列呈现。首先，我们确认可以从大脑活动中解码每种刺激； 1s，我们证明大脑在每次瞬间同时代表多个图像。第二，我们在预期的视觉层次结构中进行了定位的脑反应，并表明在每次瞬间，不同的大脑区域代表了过去刺激的不同快照。第三，我们提出了一个简单的框架，以进一步表征这些行进波的动态系统。我们的结果表明，一系列神经回路，每个链由（1）隐藏的维护机制和（2）可观察到的更新机制组成，它解释了视觉序列引起的宏观脑表示的动力学。一起，这些结果详细介绍了一个简单的体系结构，解释了如何同时在大脑中同时代表连续的视觉事件及其各自的时间。
拼写脑机接口中基于图像刺激的两种范式比较
摘要：基于 P300 的拼写器可用于通过大脑活动控制家庭自动化系统。评估基于 P300 的拼写器中使用的视觉刺激是脑机接口 (BCI) 领域的常见主题。本研究的目的是使用可用性方法比较两种在以前的研究中表现优异的刺激类型。12 名参与者在两种条件下控制 BCI，这两种条件下的刺激类型不同：一个红色名人脸被白色矩形 (RFW) 包围，以及一系列中性图片 (NPs)。可用性方法包括与有效性（准确性和信息传输率）、效率（压力和疲劳）和满意度（愉悦度和系统可用性量表和情感网格问卷）相关的变量。结果表明，有效性没有显著差异，但使用 NPs 的系统报告的愉悦度明显更高。因此，由于在潜在用户可能经常使用的系统中也应该考虑满意度变量，因此对于基于视觉 P300 拼写器的家庭自动化系统的开发来说，使用不同的 NP 可能比使用单个 RFW 更合适。
瑜伽活动对反应时间的影响的荟萃分析是技能相关适应性的组成部分
Yoga活动对齿状功能具有有益的作用。1,2瑜伽的组成部分是体式，pran- ayama和冥想。3据说Pranayama会影响中心神经系统的较高功能，例如学习，记忆，计划和知觉。在受试者中刺激的表现与出现自愿反应的出现之间的时间间隔。6人类在日常生活中对许多不同类型的外部环境刺激进行了回报。有各种鼻子形式，人类以不同的速度对不同的刺激做出了反应。从中，对视觉刺激的反应和对听觉刺激的反应在日常生活中很重要。更好的反应时间对于运动员，熟练的专业人士和外科医生的表现很重要。7,8总体而言，相对较少的研究集中在瑜伽对反应时间的影响。，并且可以比较少量可用的荟萃分析。因此，各种瑜伽活动对重新行动时间的影响是什么，它在多大程度上影响反应时间以及瑜伽活动对反应时间的重要性是什么，尚不清楚。为了分析这一点，这是评估瑜伽活动对听觉反应时间和视觉反应时间的影响的荟萃分析。
多频稳态视觉诱发电位脑机接口的频率集选择
稳态视觉诱发电位 (SSVEP) 是一种与周期性视觉刺激频率锁定的大脑活动（ Zander 等人，2009 年）。与其他模式（例如运动想象 (Nicolas-Alonso and Gomez-Gil, 2012)）相比，SSVEP 具有相对较高的准确度和信息传输率，并且对用户所需的培训最少，因此被广泛应用于脑机接口 (BCI) 中。标准的基于 SSVEP 的 BCI 在工作空间中包含多个刺激，每个刺激以不同的频率闪烁，而脑电图 (EEG) 主要从枕叶测量。测得的 EEG 反映了用户视觉上关注的刺激的频率，以及该频率的谐波。谐波的存在为解码过程提供了更多的参考点，但也给基于 SSVEP 的 BCI 的设计带来了额外的复杂性和挑战。例如，如果同一个 BCI 中对两个不同的刺激同时使用某个频率及其谐波，那么在记录的这两个刺激的脑电图中就会有共同的频率，这可能会混淆解码算法。因此，在文献中，一些研究有意避免在刺激中使用具有共同谐波的频率（Volosyak 等，2009；Chen 等，2015）。这个谐波问题，加上人脑对周期性视觉刺激的响应频率范围有限（Regan，1989），限制了标准基于 SSVEP 的 BCI 中可使用的唯一频率的数量；即，低信噪比脑电图记录和小的频率分离会损害解码性能。因此，在需要大量唯一频率来标记所有目标的场景中使用标准基于 SSVEP 的 BCI 具有挑战性。为了解决这个问题，已经引入了多频刺激方法，在每个刺激中使用多个频率，其中两个频率（双频）是最广泛使用的模态（Shyu 等，2010；Zhang 等，2012；Chen 等，2013；Hwang 等，2013；Kimura 等，2013；Chang 等，2014；Mu 等，2021a）。然而，这些研究主要集中于介绍多频刺激方法，并没有探讨频率选择方法。随着用于标记每个目标的频率数量的增加，在每个刺激或目标上使用多个频率可以成倍增加可以在工作空间中表示的目标数量。多频刺激产生复杂的周期性刺激信号，从而触发更复杂的 SSVEP 反应。在 Mu 等人的研究中， （2021a）表明，多频率 SSVEP 响应不仅包含输入频率及其谐波，还包含输入频率的整数线性组合，这些组合具有在记录的 SSVEP 中更可能观察到的低阶相互作用。注意，相互作用的顺序定义为
FFA和MPFC的面部选择性反应在婴儿早期出现
面孔是社会信息的丰富来源，可以激活人脑中许多不同地区。这些地区如何发展？根据一个突出的假设，在高阶缔合皮层区域（例如，内侧前额叶皮层（MPFC））中，视觉区域（例如，梭形面部面积（FFA））必须出现面部选择性。为了检验这一假设，我们将功能性磁共振神经成像（fMRI）数据集结合在一起，来自清醒的人（总n = 65名婴儿，年龄在2.6-11.9个月），而他们观看了脸，身体，物体和场景的电影。该组中最年轻，最古老的婴儿在腹侧颞皮层（成人FFA的大致位置）和MPFC中都有面部选择性反应。尽管对视觉刺激的总体响应随着FFA的年龄而增加，但面部选择性并未随着任何一个地区的年龄而显着增加。综上所述，这些结果不支持以下假设：在Amodal区域之前，像FFA这样的视觉区域发展了皮质功能，而是表明面部选择性反应在整个大脑中并行出现。关键字：婴儿，大脑皮层，fMRI，FFA，MPFC，ofa，sts，faces
悼念 MAB Brazier
MGH-MIT 合作一直持续到 Brazier 博士在波士顿的余生甚至更久之后，而 1952 年，在 Wal ter Rosenblith 的指导下，麻省理工学院电子研究实验室 (RLE) 建立了通信生物物理实验室 (CBL)（RLE 是战时辐射实验室的继任者），进一步加强了 MGH-MIT 合作。在这个新实验室中，专门为分析 EEG 和相关电位而开发了一种模拟相关器。这项工作的目的是尝试理解 EEG 的性质，正如其统计特性所反映的那样，它是通信系统（即大脑）中的信号。 1953 年，在马萨诸塞州剑桥举行的第三届国际 EEG 大会上，Brazier 介绍了一些使用相关器得出的最早结果，并由 Wiener 进行了讨论。这项工作的一个重要方面是研究诱发电位（事件相关电位），特别是对视觉刺激（闪光）的诱发电位，它采用了一种特殊形式的互相关方法，相当于 George Dawson 的求和法。Brazier 在她的研究中还使用了几年后在麻省理工学院开发的早期通用数字计算机。除了麻省总医院，Brazier 还在哈佛医学院和麻省理工学院任职。
使用 EMOTIV EEG 耳机为 BCI 平台 DIY 混合 SSVEP-P300 LED 刺激
本文讨论了一种完全可定制的板载芯片 (COB) LED 设计，可同时诱发两种大脑反应（稳态视觉诱发电位 (SSVEP) 和瞬态诱发电位 P300）。考虑到脑机接口 (BCI) 中可能的不同模式，SSVEP 被广泛接受，因为它需要的脑电图 (EEG) 电极数量较少且训练时间最短。这项工作的目的是制作一个混合 BCI 硬件平台，以精确诱发 SSVEP 和 P300，同时减少疲劳并提高分类性能。该系统包括四个独立的径向绿色视觉刺激，由 32 位微控制器平台单独控制以诱发 SSVEP，以及四个以随机间隔闪烁以生成 P300 事件的红色 LED。该系统还可以记录可用于分类的 P300 事件时间戳，以提高准确性和可靠性。通过控制乐高机器人向四个方向移动，测试了混合刺激的实时分类准确性。2020 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可证开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
运动意图和反应时间的深度学习用于康复机器人的脑电信息自适应
摘要 — 越来越多的证据表明，适应性是康复机器人促进运动学习的关键机制。然而，它通常基于机器人衍生的运动运动学，这是一种相当主观的性能测量，尤其是在存在感觉运动障碍的情况下。在这里，我们提出了一个深度卷积神经网络 (CNN)，它使用脑电图 (EEG) 作为两个运动学成分的客观测量，这两个成分通常用于评估运动学习并从而评估适应性：i) 发起目标导向运动的意图，以及 ii) 该运动的反应时间 (RT)。我们根据从内部实验中获得的数据评估了我们的 CNN，在该实验中，13 名受试者在平面上向四个方向移动康复机械臂，以响应视觉刺激。我们的 CNN 在意图（意图与无意图）和 RT（慢速与快速）的二元分类中分别实现了 80.08% 和 79.82% 的平均测试准确率。我们的结果表明，从运动开始前获取的同步 EEG 数据可以预测不同类型的运动学习所涉及的单个运动成分。因此，我们的方法可以实时为机器人适应提供信息，并有可能进一步提高人们执行康复任务的能力。