XiaoMi-AI文件搜索系统
World File Search System诱发电位
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/）。
使用日语 50 音表的 SSVEP-BCI
摘要 - 在输入非字母语言的字母时，有两种输入界面：罗马输入或输入语言字母。当输入日文字母时，日文五十字母类型界面比字母界面更有效。在使用 EEG 输入字母的界面中，使用视觉诱发电位之一的稳态视觉诱发电位 (SSVEP) 的界面称为 SSVEP-脑机接口 (BCI)。本研究的目的是设计和评估使用日文五十字母类型的 SSVEP-BCI，它比使用字母表的罗马字母输入更有效。为了处理 SSVEP-BCI 中的 50 种不同输入类型，我们提出了刺激频率设计和显示空间融合和分析算法等方法。特别是，使用显示空间中的位置关系对 SSVEP-BCI 的分析方法包含许多新颖之处。结果，我们实现了 77.10% 的准确率和 75.08 位/分钟的 ITR。这相当于每分钟输入15.42个50字的日文字母。我们还评估了显示空间中输入和输出对象的位置关系。研究表明，由于选择了显示空间中水平相邻的对象，因此存在许多误判。
基于生物信号的脑机接口的最新进展回顾......
摘要 — 脑控车辆 (BCV) 是一种已成熟的技术，通常专为残疾患者设计。本综述重点介绍与脑控车辆最相关的主题，特别是考虑使用生物信号（如脑电图 (EEG)、眼电图和肌电图）控制的地面 BCV（例如，移动汽车、汽车模拟器、真实汽车、图形和游戏汽车）和空中 BCV（也称为 BCAV）（例如，真实四轴飞行器、无人机、固定翼、图形直升机和飞机）。例如，基于 EEG 的算法从大脑的运动想象皮层区域检测模式以进行意图检测，例如事件相关去同步\事件相关同步、状态视觉诱发电位、P300 和生成的局部诱发电位模式。我们已经确定，报告的最佳方法采用机器学习和人工智能优化方法，即支持向量机、神经网络、线性判别分析、k-最近邻、k-均值、水滴优化和混沌拔河优化。我们考虑了以下指标来分析不同方法的效率：生物信号的类型和组合、时间响应和准确度值与统计分析。本研究对过去十年的主要发现进行了广泛的文献综述，指出了该领域的未来前景。
基于机器学习的分类，以解开对 TMS 和听觉输入的脑电图反应
摘要：经颅磁刺激 (TMS) 和脑电图 (EEG) 的结合为研究皮质生理学提供了一个无与伦比的机会，通过描述大脑对外部扰动的电反应，即经颅诱发电位 (TEP)。虽然这些反映了皮质突触后电位，但它们可能会受到听觉诱发电位 (AEP) 的污染，这是由于 TMS 咔嗒声造成的，部分地显示出相似的空间和时间头皮分布。因此，TEP 和 AEP 可能难以通过常见的统计方法区分开来，尤其是在 AEP 抑制效果不佳的情况下。在这项工作中，我们探索了机器学习算法在健康受试者样本中区分用 TMS 咔嗒声、AEP 和非屏蔽 TEP 记录的 TEP 的能力。总体而言，我们的分类器在单个受试者级别提供了可靠的结果，即使对于以前的工作中没有显示差异的信号也是如此。当使用不同的受试者进行训练和测试阶段，并且比较三种刺激条件而不是两种刺激条件时，群体层面的分类准确度 (CA) 较低。最后，当使用平均 TEP 而不是单次试验 TEP 时，CA 较高。总之，这项概念验证研究提出机器学习是一种有前途的工具，可以将纯 TEP 与受感官输入污染的 TEP 区分开来。
50选择性稳态视觉诱发电位的基础研究
摘要：脑机接口（BCI）的关键参数是输入速度、准确性、易用性和输入数量。稳态视觉诱发电位（SSVEP）–BCI在前三个类别中表现优异，但在输入数量方面存在问题。我们设计了一个50选择性SSVEP–BCI，以增加输入数量，以便将来实现日语和PC键盘输入。为了增加输入数量，我们提高了频率分辨率。通过将刺激的分辨率从0.2Hz更改为0.1Hz，可以将输入数量翻倍。这是因为可以将输入数量翻倍。我们对受试者的原始和伪信号数据进行了典型相关分析。噪声非常大，而输出典型相关向量最大值的传统分析方法的正响应率很低。因此，我们进行了频带限制，通过频率阈值区分SSVEP成分。我们还引入了多数表决算法来消除不可分类的数据。结果表明:脑机接口的平均正确率为55.11%,最高为79.53%;平均信息传输速率为28.05bits/min,最高为45.16bits/min。因此,实验结果表明,频率分辨率的提高可以增加输入的数量。关键词:脑机接口,稳态视觉诱发电位,典型相关分析,多选择1.引言
深入学习によるBCI コミュニケーションのための脳波状态分类
摘要 肌萎缩侧索硬化症 (ALS) 患者最终会患上完全闭锁综合征 (TLS)，这种情况下他们甚至无法移动眼睛。这些患者与周围的人交流极其困难。为了改善他们的生活质量，脑机接口 (BCI) 作为一种替代通信系统引起了人们的关注。在本文中，我们研究了使用稳态视觉诱发电位 (SSVEP) 作为刺激的 BCI。机器学习的脑电图分类通常用于基于 SSVEP 的 BCI 数据处理。然而，提取
![arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日](/simg/g:\will\search\icon\source\a\aa25a206e2350e95792d60cffc94ef86d9a7bc51.webp)
arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日
摘要：视觉分类的新视角旨在从人类大脑活动中解码视觉对象的特征表示。从大脑皮层记录脑电图（EEG）已被视为了解图像分类任务的认知过程的常用方法。在本研究中，我们提出了一个由视觉诱发电位引导的深度学习框架，称为事件相关电位（ERP）-长短期记忆（LSTM）框架，由EEG信号提取用于视觉分类。具体而言，我们首先从多个EEG通道中提取ERP序列以响应与图像刺激相关的信息。然后，我们训练一个LSTM网络来学习视觉对象的特征表示空间以进行分类。在实验中，10名受试者从包含6个类别的图像数据集中记录了超过50,000次EEG试验，总共包括72个样例。我们的结果表明，我们提出的 ERP-LSTM 框架可以分别实现类别（6 类）和样本（72 类）的跨对象分类准确率 66.81% 和 27.08%。我们的结果优于使用现有的视觉分类框架，分类准确率提高了 12.62% - 53.99%。我们的研究结果表明，从 EEG 信号中解码视觉诱发电位是学习用于视觉分类的判别性大脑表征的有效策略。
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。