XiaoMi-AI文件搜索系统
World File Search System谱密度
多模式情绪刺激对大脑活动的影响：脑电图研究
摘要：本研究旨在揭示使用头皮EEG对多模式情绪刺激的神经活动的情绪价和感觉方式的影响。在这项研究中，有20位健康参与者完成了三种刺激模态（音频，视觉和音频）的情绪多模式刺激实验，所有这些都来自具有两个情感成分（愉悦或不愉快或不愉悦）的同一视频源，并使用六个实验条件和一个静止状态收集了EEG数据。我们分析了功率谱密度（PSD）和事件相关电位（ERP）组件，以响应多模式情绪刺激，用于光谱和时间分析。PSD的结果表明，由于模态的变化而不是情绪程度的变化，因此，单个模态（仅/仅视觉）情绪刺激PSD与宽大的大脑和带范围的多模式（音频视听）不同。最明显的N200至P300电位转移发生在单座而不是多模式的情绪刺激中。这项研究表明，情绪显着性和感觉处理效率在多模式情绪刺激过程中塑造神经活动中发挥了重要作用，感官方式在PSD中的影响更大。这些发现有助于我们理解多模式情绪刺激所涉及的神经机制。
舒适干脑电图的花电电极
干脑电图（EEG）电极提供快速，无凝胶且易于EEG的准备，但穿着有限的舒适性。我们提出了一种新型的干电极，该电极包含多个倾斜的销钉。新颖的花电极在保持易用性的同时增加了舒适和接触区域。在一项与20名志愿者的研究中，我们将新型的64通道干燥花电极盖的性能与坐姿和仰卧位置的商业干型多元电极盖进行了比较。将花帽的舒适舒适度被评估，因为坐姿和仰卧姿势都显着改善。两个电极系统的通道可靠性和平均阻抗都是可比的。平均VEP组件在全球场功率振幅和延迟以及信噪比和地形上没有明显差异。在1至40 Hz之间的静息状态脑电图的功率谱密度中没有发现很大的差异。总体而言，我们的发现为坐姿和仰卧位置上比较的CAP系统的等效通道可靠性和信号特征提供了证据。的可靠性，信号质量以及显着改善了花电电极的舒适性，可以在长期监测，敏感人群和仰卧位置记录的新应用领域。
迈向无处不在的脑电图，耳内脑电图与前额脑电图的相关性
摘要：近年来，可穿戴式脑电图 (EEG) 在临床和研究之外的广阔应用前景推动下越来越受欢迎。连续脑电图的普遍应用需要不显眼的外形，以便终端用户轻松接受。在此过程中，可穿戴式脑电图系统已从整个头皮转移到前额，最近又转移到耳朵。本研究的目的是证明新兴的耳部脑电图提供与现有的前额脑电图相似的阻抗和信号特性。在阻抗分析后，使用装有三个定制电极和一个前额电极 (Fpx) 的通用耳机从十名健康受试者获取了睁眼和闭眼阿尔法范式的脑电图数据。入耳式电极阻抗的受试者间变异性在 10 Hz 时为 20 k Ω 至 25 k Ω。信号质量相当，入耳式电极的 SNR 为 6，前额电极的 SNR 为 8。所有入耳式电极在睁眼状态下的 Alpha 衰减都很明显，并且遵循前额电极功率谱密度图的结构，入耳位置 ELE（左耳上）和 ERE（右耳上）与前额位置 Fp1 和 Fp2 之间的 Pearson 相关系数分别为 0.92。结果表明，就阻抗、信号特性和信息内容而言，入耳式 EEG 是已建立的前额 EEG 的非侵入式替代方案。
使用无线脑电图信号估计心理负荷
摘要：先前的研究已经证明了脑电图 (EEG) 在评估心理工作负荷方面的适用性。然而，开发可靠的跨任务、跨受试者和跨会话工作负荷分类模型仍然是一个挑战。在本研究中，我们使用无线 Emotiv EPOC 耳机评估了八名受试者和两项心理任务（即 n-back 和算术任务）的工作负荷。0-back 和 2-back 任务以及 1 位和 3 位加法分别被用作 n-back 和算术任务中的低和高工作负荷。使用功率谱密度作为特征，开发了一个信号处理和特征提取框架来对工作负荷级别进行分类。在 n-back 和算术任务中，会话内准确率分别达到 98.5% 和 95.5%。为了便于实时估计工作负荷，应用了快速域自适应技术，实现了 68.6% 的跨任务准确率。同样，我们在 n-back 和算术任务中分别获得了 80.5% 和 76.6% 的跨会话准确率，以及 74.4% 和 64.1% 的跨受试者准确率。尽管参与者数量有限，但该框架在跨受试者和任务方面具有很好的推广性，并为开发独立于受试者和任务的模型提供了一种有前途的方法。它还表明在认知监测中使用消费级无线 EEG 耳机实时估计工作量在实践中的可行性。
快噪声对囚禁离子量子门保真度的影响
高保真度的单量子比特和多量子比特操作构成了量子信息处理的基础。这种保真度基于以极其相干和精确的方式耦合单量子比特或双量子比特的能力。相干量子演化的必要条件是驱动这些跃迁的高度稳定的本振。在这里，我们研究了快速噪声（即频率远高于本振线宽的噪声）对离子阱系统中单量子比特和双量子比特门保真度的影响。我们分析并测量了快速噪声对单量子比特操作的影响，包括共振π旋转和非共振边带跃迁。我们进一步用数字方式分析了快速相位噪声对 Mølmer-Sørensen 双量子比特门的影响。我们找到了一种统一而简单的方法，通过量子比特响应频率下的噪声功率谱密度给出的单个参数来估计所有这些操作的性能。虽然我们的分析侧重于相位噪声和离子阱系统，但它也适用于其他快速噪声源以及其他量子比特系统，在这些系统中，自旋类量子比特通过共同的玻色子场耦合。我们的分析可以帮助指导量子硬件平台和门的设计，提高它们对容错量子计算的保真度。
大脑互动，思维同步
摘要 我们生活在一个相互交流的社会世界中。神经反馈 (NFB) 是这种互动中不可或缺的元素。使用脑电图 (EEG) 或其他神经影像记录的单人 NFB 研究已被广泛报道。然而，使用脑间同步 (IBS) 作为 NFB 特征的超扫描研究却完全未知。在本研究中，我们提出了两种不同的实验设计，其中 IBS 以视觉反馈的形式反馈，要么是两个球互相接近（所谓的“球”设计），要么是两个钟摆反映两个参与者的振荡活动（所谓的“钟摆”设计）。NFB 以两种 EEG 频率（2.5 和 5 Hz）提供，并通过增强（假条件）和逆反馈进行操纵。我们表明，参与者能够通过使用 NFB 来增加 IBS，尤其是当它以 theta 频率反馈时。除了脑内和脑间耦合外，与休息时相比，任务期间的其他振荡活动（例如功率谱密度、峰值幅度和峰值频率）也发生了变化。此外，所有测量值都与主观的调查后项目分数具有特定的相关性，反映了主观感受和评价。我们得出结论，以 IBS 作为反馈特征的超扫描似乎是研究社会互动和集体行为神经机制的重要工具。
rfnet：基于脑电的大脑的Riemannian Fusion网络 -
摘要 - 我们提出了一种用于学习脑电图（EEG）的新型深神经结构。为了学习空间插图，我们的模型首先获得了Riemannian-Nian歧管上空间协方差矩阵（SCM）的riemannian平均值和距离。然后，我们通过切线空间学习将空间信息投射到欧几里得空间上。随后，使用两个完全连接的层来学习空间信息嵌入。此外，我们提出的方法通过使用具有软注意机制的深长短期记忆网络从欧几里得空间中的EEG信号中提取的差分熵和对数功率谱密度特征来学习时间信息。为了结合空间和时间信息，我们使用有效的融合策略，该策略学习了用于嵌入决策特定特征的注意力权重。我们在三个流行的EEG相关任务中评估了四个公共数据集上的拟议框架，特别是情绪识别，警惕性估计和运动图像分类，其中包含各种类型的任务，例如二进制分类，多类分类和回归。我们提出的体系结构在种子视频上的其他方法优于其他方法，并在其他三个数据集（Seed，BCI-IV 2A和BCI-IV 2B）上接近最先进的方法，显示了我们在脑电图表示学习中框架的鲁棒性。我们论文的源代码可在https://github.com/guangyizhangbci/eeeg riemannian上公开获得。
基于脑电图的情感识别的多功能输入深林
由于人类计算机相互作用的迅速发展，近年来，情感计算引起了越来越多的关注。在情绪识别中，脑电图（EEG）信号比其他生理实验更容易记录，并且不容易被伪装。由于脑电图数据的高维质和人类情绪的多样性，因此很难提取有效的脑电图并识别情绪模式。本文提出了一个多功能深森林（MFDF）模型，以识别人类的情绪。首先将EEG信号分为几个EEG频带，然后从每个频带中提取功率谱密度（PSD）和差分熵（DE），将原始信号作为特征提取。五个级别的情感模型用于标记五个情绪，包括中性，愤怒，悲伤，快乐和愉快。具有原始特征或尺寸减少了输入的特征，深层森林是为了对五个情绪进行分类的构建。这些实验是在公共数据集上进行的，用于使用生理信号（DEAP）进行情绪分析。将实验结果与传统的分类器进行了比较，包括K最近的邻居（KNN），随机森林（RF）和支持向量机（SVM）。MFDF的平均识别精度为71.05％，比RF，KNN和SVM高3.40％，8.54％和19.53％。此外，降低尺寸和原始脑电图信号后具有特征输入的精度分别仅为51.30和26.71％。这项研究的结果表明，该方法可以有效地有助于基于脑电图的情绪分类任务。
使用 MUSE 2 低成本系统记录的心脏和神经动态对模拟飞行操作期间的心理负荷进行分类
低成本、高便携性生理系统的进步为监测人类在日常生活活动和驾驶飞机等更复杂任务中的认知过程提供了良好的机会。Muse 2 系统结合了脑电图 (EEG) 和光电容积描记法 (PPG) 传感器，可以提取时域、频域和心率中的神经动力学特征。在一项研究中，我们为五名飞行员配备了 Muse 2 系统，让他们执行低负荷和高负荷交通模式任务以及被动听觉异常任务。组级分析显示，与低负荷条件相比，参与者在高负荷下表现出更高的平均心率、更低的 alpha 波段功率谱密度、更低的 P300 幅度。这些结果与之前在高度控制的环境和研究级仪器中进行的实验室研究一致。基于 EEG 频率特征，在单次试验基础上对两种水平的心理工作负荷进行分类的准确率达到 93.2%。事后分析显示，分类器主要依赖于 beta 和 gamma 波段的运动伪影特征。使用心率和 ERP 特征的分类器分别达到 76% 和 77.8% 的分类准确率。尽管该系统很有趣，但它在移动和神经人体工程学应用方面存在一些局限性，特别是电极数量有限，阻碍了使用先进的信号处理技术来解决信号中的噪声和伪影。
使用功能性大脑连接和机器学习进行基于 EEG/fNIRS 的工作量分类
摘要：为了提高生产率或预防事故，人们迫切需要一种技术来估计人类在某些活动期间的心理负荷。大多数研究都集中于单一的生理感知方式，并使用单变量方法来分析多通道脑电图 (EEG) 数据。本文提出了一个新框架，该框架依赖于混合脑电图 - 功能性近红外光谱 (EEG-fNIRS) 的特征，并由机器学习特征支持，以处理多级心理负荷分类。此外，我们建议在三个频段的时间和频域中使用双变量功能性大脑连接 (FBC) 特征，而不是常用的用于脑电图记录的单变量功率谱密度 (PSD)：delta (0.5-4 Hz)、theta (4-7 Hz) 和 alpha (8-15 Hz)。借助 fNIRS 氧合血红蛋白和脱氧血红蛋白 (HbO 和 HbR) 指标，FBC 技术显著提高了分类性能，使用公共数据集对 0-back 与 2-back 的准确率为 77%，对 0-back 与 3-back 的准确率为 83%。此外，地形和热图可视化表明，EEG 和 fNIRS 的区分区域在 0-back、2-back 和 3-back 测试结果之间存在差异。确定 EEG 和 fNIRS 区分心理工作量的最佳区域是不同的。具体而言，后区在 alpha 波段的后中线枕叶 (POz) EEG 中表现最佳，而 fNIRS 在右额叶区域 (AF8) 中具有优势。