XiaoMi-AI文件搜索系统
World File Search System视觉疲劳
利用双峰 SSMVEP 提高 BCI 性能
稳态视觉诱发电位 (SSVEP) 是一种广泛使用的脑机接口 (BCI) 范式，因其多目标能力和有限的脑电图电极要求而受到重视。传统的 SSVEP 方法经常因闪烁的光刺激而导致视觉疲劳和识别准确率下降。为了解决这些问题，我们开发了一种创新的稳态运动视觉诱发电位 (SSMVEP) 范式，该范式融合了运动和颜色刺激，专为增强现实 (AR) 眼镜设计。我们的研究旨在增强 SSMVEP 反应强度并减轻视觉疲劳。实验在受控的实验室条件下进行。使用 EEGNet 的深度学习算法和快速傅里叶变换 (FFT) 分析脑电数据，以计算分类准确率并评估反应强度。实验结果表明，双模态运动-颜色融合范式显著优于单模态SSMVEP范式和单色SSVEP范式，在中等亮度（M）和C=0.6的面积比下，准确率最高可达83.81%±6.52%。客观测量和主观报告均证实了双模态运动-颜色融合范式的信噪比（SNR）有所提高，视觉疲劳有所减轻。研究结果验证了双模态运动-颜色融合范式在基于SSVEP的脑机接口（BCI）中的应用前景，能够同时提升脑部反应强度和用户舒适度。
非二进制M序列更舒适的大脑 - ...
背景和目标：代码调制的视觉诱发电势（C-DEP）标志着科学文献中的里程碑，因为它们能够实现可靠的高速大脑 - 计算机接口（BCIS）进行通信和控制。通常，这些专家系统依赖于使用移位版本的二进制伪序序列的每个命令编码每个命令，即根据移动的代码闪烁的黑白目标。尽管在准确性和选择时间方面取得了出色的效果，但这些高对比度刺激为某些用户引起了眼节震荡。在这项工作中，我们提出了非二进制𝑝-ary m序列的使用，它们的级别用不同的灰色阴影编码，这是一种比传统的二进制代码更愉快的选择。首次分析了这些𝑝-ARY M序列的性能和视觉疲劳及其提供可靠的基于C-DEP的BCIS的能力。方法：在循环转移范式之后，用16位健康参与者评估了五种不同的M序列：基本2（63位），基础3（80位），基础5（124位），基本7（48位）和基地11（48位）和基地11（120位）。信号处理由3滤波器库（1-60 Hz，12-60 Hz和30–60 Hz）组成，然后进行规范相关分析。栅格延迟校正和伪影拒绝方法也应用于计算命令模板。对于每个M序列，用户执行了30次试验校准阶段，然后进行了32次试验的在线拼写任务。此外，还收集了有关视觉疲劳和满意度的定性措施。结果：用户能够达到所有𝑝 -ARY M序列的平均准确性超过98％。在准确性方面，M序列之间的差异并不显着，但在视觉疲劳方面。基数越高，用户对60 Hz和120 Hz的呈现率所感知的眼镜越少。与60 Hz相比，以120 Hz的形式显示，所有𝑝 -ARY M序列也明显较小。结论：结果表明，所有𝑝-ARY M序列都适合在基于C-DEP的BCIS中实现高速和高精度，从而随着基础的增加而降低视觉疲劳，而不会降低系统性能。可以得出结论，使用高显示率和非二进制M序列是提供基于用户友好的C-DEP BCI的有前途的替代方法。
介绍基于vep的准周期和混乱的bci
视觉诱发电位（VEP）对周期性刺激通常用于大脑计算机界面中的有利特性，例如高目标识别精度，较小的训练时间和较低的目标干扰。传统的周期性刺激会导致由于连续和高对比度刺激而导致主观的视觉疲劳。在这项研究中，我们将准周期和混乱的复杂刺激与常见的周期性刺激进行了比较，以与基于VEP的大脑计算机界面（BCIS）一起使用。规范相关分析（CCA）和相干方法用于评估三个刺激组的性能。通过视觉模拟量表（VAS）评估了由提出的刺激引起的主观疲劳。使用M2模板方法使用CCA，与Quasi-periodic（M = 78.1，SE = 2.6，P = 0.008）和周期性（M = 64.3，SE = 1.9，SE = 1.9，P = 0.0001）相比，混乱刺激的目标识别精度最高（M = 86.8，SE = 1.8）。对疲劳率的评估表明，与准周期性（p = 0.001）和周期性（p = 0.0001）刺激组相比，混乱刺激引起的疲劳较少。另外，与周期性刺激相比，准周期性刺激导致疲劳率较低（p = 0.011）。我们得出的结论是，与具有CCA的其他两个刺激组相比，混沌组的靶标识别结果更好。此外，与周期性和准周期性刺激相比，混乱的刺激导致主观视觉疲劳较少，并且可以适合设计新的舒适的基于VEP的BCIS。
基于景深的脑机接口发际线以下区域高频稳态视觉诱发电位评估
背景和目标：最近，提出了一种基于稳态视觉诱发电位（SSVEP-BCI）的很有前途的脑机接口，它由两个刺激组成，这两个刺激一起呈现在受试者的视野中心，但在不同的深度平面（景深设置）。因此，用户可以通过转移眼球焦点轻松地选择其中一个。然而，在这项工作中，EEG 信号是通过放置在枕骨和顶骨区域（头发覆盖的区域）的电极收集的，这需要较长的准备时间。此外，该工作使用了低频刺激，这会产生视觉疲劳并增加光敏性癫痫发作的风险。为了提高实用性和视觉舒适度，本研究提出了一种基于景深的 BCI，使用从发际线以下区域（耳后）测量的高频 SSVEP 响应。
NTU-EDB-IPP 项目(1-20).xlsx
该项目致力于研究虚拟现实 (VR) 中模拟的室内/室外环境，以及它如何影响与相应现实条件相似的近视发展。VR 如何影响视觉感知，这种影响对近视者和正视者有何不同？最初为成年人设计的 VR 护目镜如何影响儿童的视力？该项目通过对儿童和青少年群体进行 VR 实验来调查这些研究问题。受试者将被要求在 VR 模拟的室内和室外环境中执行任务，同时在任务之前、期间和之后进行各种测量。测量包括但不限于轴长、脉络膜厚度、调节和会聚相关参数、眼球运动、记忆任务、视觉疲劳等。
脑脊柱接口：一种有前途的技术，可改善...
图9 脑机接口 BCI（脑机接口）技术的局限性可能源于其对当前神经科学和工程能力的依赖，这限制了其应用范围和效率。例如，现有BCI系统的用户满意度相对较低，可能导致受试者或用户视觉疲劳或认知紧张。某些BCI系统需要受试者或用户进行大量的学习和调整期，而解码准确性、稳定性和响应时间不足等问题可能会限制其整体有效性或易用性[15]。B. 脊髓刺激（SCS） 这是一种在脊髓中植入电极的过程。电极发出的电脉冲可以阻断疼痛信号或刺激肌肉。SCS 已用于帮助脊髓损伤患者恢复部分运动和感觉 [16] [17]。
基于景深的脑机接口发际线以下区域高频稳态视觉诱发电位评估
背景和目标：最近，提出了一种基于稳态视觉诱发电位（SSVEP-BCI）的很有前途的脑机接口，它由两个刺激组成，这两个刺激一起呈现在受试者的视野中心，但在不同的深度平面（景深设置）。因此，用户可以通过转移眼球焦点轻松地选择其中一个。然而，在这项工作中，EEG 信号是通过放置在枕骨和顶骨区域（头发覆盖的区域）的电极收集的，这需要较长的准备时间。此外，该工作使用了低频刺激，这会产生视觉疲劳并增加光敏性癫痫发作的风险。为了提高实用性和视觉舒适度，本研究提出了一种基于景深的 BCI，使用从发际线以下区域（耳后）测量的高频 SSVEP 响应。
大脑 - 计算机界面基于稳态视觉诱发电势，使用轮椅控制的快速响应代码模式
摘要：大脑 - 计算机界面（BCIS）广泛用于严重身体残疾患者的控制应用中。一些研究人员的目的是开发实用的脑控制轮椅。基于稳态的视觉诱发电势（SSVEP）的现有脑电图（EEG）基于BCI是为了控制设备控制的。这项研究利用了可靠的现有系统的快速响应（QR）代码视觉刺激模式。使用提出的带有四个可振动频率的视觉刺激模式生成四个命令。此外，我们采用了SSVEP特征提取的相对功率谱密度（PSD）方法，并将其与绝对PSD方法进行了比较。我们设计了实验来验证所提出系统的效率。结果表明，所提出的SSVEP方法和算法在实时处理中产生的平均分类精度约为92％。对于通过基于独立的控制模拟的轮椅，提议的BCI控制需要比键盘控制的时间大约五倍以进行实时控制。使用QR码模式的建议的SSVEP方法可用于基于BCI的轮椅控制。然而，由于长期连续控制，它因视觉疲劳而受到影响。我们将在严重的身体残障人士中验证和增强拟议的轮椅控制系统。
空间编码的BCI
在空间外观视野中，空间编码的SSVEP BCI在稳态视觉诱发对视觉闪烁刺激的反应的地形中利用了变化。与频率编码的SSVEP BCI相比，操作员不会注视任何闪烁的灯；因此，此范式可以减少视觉疲劳。其他优点包括高分类精度和简化的刺激设置。对范式的先前研究使用了固定持续时间的刺激间隔。对于频率编码的SSVEP BCIS，已经表明，动态调整试验持续时间可以提高系统的信息传输速率（ITR）。因此，我们研究了通过应用动态停止方法，是否可以为空间编码的BCI实现类似的增加。到此为止，我们引入了一个新的停止标准，该标准结合了分类结果的可能性及其在较大数据窗口中的性能。，BCI的平均ITR为28.4±6.4位/ min/ min，固定间隔，动态间隔将性能提高到81.1.1±44.4位/分钟。用户能够保持长达60分钟的连续操作的性能。我们建议动态响应时间可能是一种时间反馈，使操作员可以优化其大脑信号并补偿疲劳。
跨主体辅助：间和主体内最大相关性，以增强基于SSVEP的BCIS
摘要 - 目的：通过使用单个校准数据，当前的最新方法显着提高了稳态诱发电位（SSVEP）的检测性能。但是，耗时的校准会限制了培训试验的数量，并可能导致视觉疲劳，从而削弱了单个培训数据的效率。为解决此问题，本研究提出了一种新型的受试者间和受试者内最大相关性（IISMC）方法，以通过采用跨主体间和受试者的相似性和可变性来增强SSVEP识别的鲁棒性。通过有效的转移学习，在相同任务下的类似经验在主题之间共享。方法：IISMC从自己和其他受试者中提取主题的特定信息和与任务相关的相似信息，通过最大化和内部对象内相关性来执行相同任务。多个弱分类器是由几个现有主题构建的，然后集成以通过平均加权来构建强晶格。最后，为目标识别获得了强大的融合预测指标。结果：在35个受试者的基准数据集上验证了所提出的框架，实验结果表明，IISMC获得的性能要比与TART与任务相关的成分分析（TRCA）的状态更好。明显：所提出的方法具有开发高速BCI的巨大潜力。