XiaoMi-AI文件搜索系统
World File Search System闭眼
通过变异分析检测阿尔法波的闭眼活动
已经开发了多种技术来帮助和改善瘫痪和严重运动障碍患者的交流。BCI 是一种不依赖于大脑正常的周围神经和肌肉输出通路的通信系统。在 UFES/巴西，我们正在开发一种基于诱发视觉刺激的自动驾驶汽车 BCI 系统（Castillo 等人 2013），这可能会导致视觉疲劳。一个很好的替代方法是通过用户命令切换 BCI，该命令可以通过闭眼来执行。这样，就采用了脑电图信号 (EEG)，其中包含允许检测闭眼的信息。通过频率范围为 8 Hz 至 13 Hz 的 alpha 波分析，可以在枕叶上感知眼睛睁开和闭眼活动。alpha 波的高能量对应于清醒受试者的闭眼（90% 的健康和残疾人士）（Alaraj 和 Fukami 2013）。阿尔法波已被用于操作电子设备，然而，与睁眼（EO）和闭眼（EC）相关的自动识别并不是一件容易的事，因为阿尔法波的带宽受自然变化和电噪声以及肌肉伪影的影响。已经开发出几种自动检测阿尔法波的方法，例如：模拟滤波和平滑（AFS）、峰值检测和计数、功率谱分析、分形维数、KM2O-Langevin 和近似熵（Kirkup 等人 1998 年、Craig 等人 2005 年、Sakai 等人 2010 年、Alaraj 和 Fukami 2013 年）。所有上述方法都使用取决于每个受试者和实验条件的阈值作为参考。这项工作的目的是提出一种基于 EEG 阿尔法波变化信息的自动方法，用于识别清醒受试者的闭眼事件，以激活 BCI。
研究论文 通过静息态闭眼脑电图检测中度创伤性脑损伤
创伤性脑损伤 (TBI) 是如果医疗救治延误，可能带来严重后果的损伤之一。通常，需要分析计算机断层扫描 (CT) 或磁共振成像 (MRI) 来确定中度 TBI 患者的严重程度。然而，由于如今 TBI 患者的数量不断增加，对每位潜在患者进行 CT 扫描或 MRI 扫描不仅成本高昂，而且耗时。因此，在本文中，我们研究了使用具有计算智能的脑电图 (EEG) 作为替代方法来检测中度 TBI 患者严重程度的可能性。EEG 程序比 CT 或 MRI 便宜得多。虽然与 CT 和 MRI 相比，EEG 的空间分辨率不高，但它的时间分辨率很高。使用传统的计算智能方法从 EEG 分析和预测中度 TBI 非常繁琐，因为它们通常涉及复杂的信号预处理、特征提取或特征选择。因此，我们提出了一种使用卷积神经网络 (CNN) 自动对健康受试者和中度 TBI 患者进行分类的方法。该计算智能系统的输入是静息状态下的闭眼脑电图，未经预处理和特征选择。使用的脑电图数据集包括 15 名健康志愿者和 15 名中度 TBI 患者，这些数据来自马来西亚吉兰丹马来西亚理科大学医院。将所提出方法的性能与其他四种现有方法进行了比较。所提出方法的平均分类准确率为 72.46%，优于其他四种方法。结果表明，所提出的方法有可能用作中度 TBI 的初步筛查，以选择患者进行进一步诊断和治疗计划。
基于转移熵的方法从临床角度分析睁眼和闭眼条件下的信息流
研究正常或病理条件下的大脑动态已被证明是一项具有挑战性的任务，因为对于最佳方法没有统一的共识。在本文中，我们提出了一种基于传递熵的方法来研究健康受试者在睁眼（EO）和闭眼（EC）静息状态下不同大脑半球之间的信息流。我们使用了一个模拟临床环境中技术条件的实验装置，并从 65 Hz 采样率的 24 通道脑电图（EEG）短记录中收集数据集。我们的方法考虑了两种条件下的半球间和半球内信息流分析，并依赖于从 EEG 通道之间的传递熵估计计算出的 4 个指标。这些指标提供有关活动连接的数量、强度和方向性的信息。我们的结果表明，在 EC 条件下，alpha、beta1 和 beta2 频带的信息传递有所增加，但在任何一种条件下，半球间信息移动都没有优先的方向。这些结果与之前报道的以更高采样率进行更密集的 EEG 记录的研究一致。总之，我们的方法表明，在 EO 和 EC 静息状态下，大脑信息传递的动态存在显著差异，这也可以应用于常规临床治疗。
Hill-早期至中期儿童时期的脑电图微状态显示……
图 7 脑电图 alpha 功率与微状态 C 和 E 的时间参数之间的关联。（a）从后部（POz；红色圆圈）电极获取的非周期调整脑电图频谱图，其中地形图显示 alpha 功率的整体头皮分布。（b）alpha 功率与微状态 C（闭眼、睁眼）和微状态 E（闭眼）之间的相关性。在闭眼和睁眼记录中，对于微状态 C，alpha 功率与所有四个微状态特征（GEV、持续时间、覆盖范围、发生率）显着正相关。在闭眼条件下，alpha 功率与微状态 E GEV、覆盖范围和发生率也呈显着负相关。
基于脑电音频信号处理的闭眼和睁眼情况下的深度学习模式识别技术
摘要：最近，使用脑电图 (EEG) 进行音频信号处理中的模式识别引起了广泛关注。眼部情况（睁眼或闭眼）的变化反映在 EEG 数据的不同模式中，这些数据是从一系列情况和动作中收集的。因此，从这些信号中提取其他信息的准确性在很大程度上取决于在采集 EEG 信号期间对眼部情况的预测。在本文中，我们使用深度学习矢量量化 (DLVQ) 和前馈人工神经网络 (F-FANN) 技术来识别眼部情况。由于 DLVQ 能够学习代码约束的码本，因此在分类问题上优于传统 VQ。在使用 k 均值 VQ 方法初始化后，DLVQ 在 EEG 音频信息检索任务上测试时表现出非常出色的性能，而 F-FANN 将眼部状态的 EEG 音频信号分类为睁眼或闭眼。与 F-FANN 相比，DLVQ 模型具有更高的分类准确度、更高的 F 分数、精确度和召回率，以及更出色的分类能力。
尝试使用闭眼定量脑电图来开发 K1 跆拳道运动员的脑电波模型——初步概念
摘要：背景：脑损伤是格斗运动中常见的问题，尤其是在跆拳道等运动中。跆拳道是一项有多种比赛形式的格斗运动，大多数接触式格斗都是按照 K-1 规则进行的。虽然这些运动需要高水平的技能和身体耐力，但频繁的脑部微创伤会对运动员的健康和福祉造成严重后果。研究表明，格斗运动是脑损伤风险最高的运动之一。在脑损伤最多的运动项目中，拳击、混合武术 (MMA) 和跆拳道都名列前茅。方法：这项研究针对一组 18 名表现出高水平运动表现的 K-1 跆拳道运动员进行。受试者年龄在 18 至 28 岁之间。QEEG（定量脑电图）是对 EEG 记录的数字频谱分析，其中数据使用傅里叶变换算法进行数字编码和统计分析。每次对一个人的检查持续约 10 分钟，闭眼进行。使用 9 个导联分析特定频率（Delta、Theta、Alpha、感觉运动节律 (SMR)、Beta 1 和 Beta2）的波幅和功率。结果：中央导联的 Alpha 频率显示高值，前额叶 4（F4 导联）的 SMR 显示高值，F4 导联和顶叶 3（P3）的 Beta 1 显示高值，所有导联的 Beta2 显示高值。结论：SMR、Beta 和 Alpha 等脑波的高活动性会影响注意力、压力、焦虑和注意力，从而对跆拳道运动员的运动表现产生负面影响。因此，运动员监测自己的脑波活动并使用适当的训练策略来获得最佳效果非常重要。
通过卷积神经网络混合模型对脑电信号进行抑郁症连续评分
摘要 — 传统上，抑郁评分是通过贝克抑郁量表 (BDI) 测试来确定的，这是一种定性问卷。通过分析和分类预先记录的脑电图 (EEG) 信号，也可以实现抑郁症的定量评分。在这里，我们更进一步，将原始 EEG 信号应用于提出的混合卷积和时间卷积神经网络 (CNN-TCN)，以连续估计 BDI 分数。在本研究中，119 名受试者的 EEG 信号通过连续的闭眼和睁眼间隔被 64 个头皮电极捕获。此外，所有受试者都参加 BDI 测试并确定他们的分数。所提出的 CNN-TCN 在睁眼状态下提供 5.64 ± 1.6 的均方误差 (MSE) 和 1.73 ± 0.27 的平均绝对误差 (MAE)，在闭眼状态下提供 9.53 ± 2.94 的 MSE 和 2.32 ± 0.35 的 MAE，这显著超过了最先进的深度网络方法。在另一种方法中，从连续帧的 EEG 信号中提取常规 EEG 特征，并将它们与已知的统计回归方法结合应用于所提出的 CNN-TCN。我们的方法提供了 10.81 ± 5.14 的 MSE 和 2.41 ± 0.59 的 MAE，在统计上优于统计回归方法。此外，使用原始 EEG 的结果明显优于使用 EEG 特征的结果。
使用脑电图神经反馈系统的焦虑控制应用
引言：本研究旨在调查 16 名 17-21 岁青少年运动员样本中脑电图 (EEG) 波段振荡与焦虑水平之间的相关性。该研究利用移动 EEG 系统收集 EEG 波段振荡数据。目的：本研究旨在调查放松过程中的脑电波振荡，特别是使用最先进的无线 EEG 耳机系统比较睁眼和闭眼状态脑电图 (EEG) 之间的对比。方法：该系统结合了由 NeuroSky 独家开发的干式、非相互作用的 EEG 传感器电极。此外，添加 ThinkGear 模块和 MindCap XL 头骨有助于记录 EEG。本研究的目的是调查睁眼和闭眼状态对前额叶皮质 α 波段活动的影响结果显示这两种状态之间存在统计学上的显着差异 (p≤0.006)。本研究考察了前额皮质的 alpha 波段与焦虑水平之间的关系。具体来说，我们考察了闭眼条件下这些变量之间的关系。结果：我们的分析揭示了统计学上显著的相关性，其中 alpha 波段显示负斜率（p≤0.029）。本研究比较了单通道无线设备获得的数据与传统实验室获得的数据。本研究结果显示，两种设备获得的结果惊人地相似。本研究的目的是调查年轻运动员前额皮质的脑电图 (EEG) alpha 波段振荡与眼位和焦虑水平之间的相关性的具体特征。结论：本研究旨在阐明这种振动与个体内部认知和情感状态之间的可能关系。
根据频谱、复杂性和临界性特征确定脑电图中的意识状态
本研究基于当代的提议，即不同的意识状态可以通过神经复杂性和临界动力学来量化。为了检验这一假设，研究旨在使用复杂性和临界性框架中的非线性技术以及功率谱密度来比较三种冥想条件的电生理相关性。30 名冥想熟练的参与者在一个会话中接受了 64 通道脑电图 (EEG) 测量，该会话包括无任务基线休息（闭眼和睁眼）、阅读条件和三种冥想条件（无思绪空虚、存在监测和集中注意力）。使用临界理论（去趋势波动分析、神经元雪崩分析）、复杂性度量（多尺度熵、Higuchi 分形维数）和功率谱密度的分析工具对数据进行了分析。对比了任务条件，并比较了效果大小。应用偏最小二乘回归和受试者操作特性分析来确定每个测量的判别准确度。与闭眼休息相比，冥想类别空虚和集中注意力显示出更高的熵值和分形维数。在所有冥想条件下，长程时间相关性均下降。集中注意力和阅读的临界指数值最低。伽马波段（0.83-0.98）、全局功率谱密度（0.78-0.96）和样本熵（0.86-0.90）的判别准确率最高。确定了不同冥想状态的电生理相关性，并确定了非线性复杂性、关键大脑动力学和光谱特征之间的关系。冥想状态可以用非线性测量来区分，并通过神经元复杂程度、长程时间相关性和神经元雪崩中的幂律分布来量化。