【脑机接口每日论文速递】2023年8月2日

Receptor Saturation Modeling for Synaptic DMC

https://arxiv.org/pdf/2010.14828 2021-09-30

1.标题：Receptor Saturation Modeling for Synaptic DMC（突触DMC的受体饱和建模）

2.作者：Sebastian Lotter, Maximilian Schäfer, Johannes Zeitler, and Robert Schober

3.所属单位：Friedrich-Alexander University Erlangen-Nuremberg, Germany（德国弗赖贝格亚历山大大学）

4.关键字：Molecular Communication, Synaptic communication, Receptor saturation, Diffusion equation（分子通信，突触通信，受体饱和，扩散方程）

5.网址：https://arxiv.org/pdf/2010.14828

6.总结：

(1)：本文研究了突触通信中受体饱和的建模问题，突触通信是一种自然的分子通信系统，对于合成分子通信系统的设计具有重要意义，并在脑机接口等领域的创新中起着关键作用。

(2)：过去的方法忽略了受体饱和的影响，导致模型在考虑释放的分子数量时具有非线性行为，并且在解决突触DMC中的ISI问题方面存在不足。本文提出了一个新的模型，以非线性、状态相关的边界条件来描述受体饱和，通过使用Laplace算子的特征函数展开和利用接收器记忆作为反馈系统来解决该边界值问题。该方法具有数值稳定性和计算效率。

(3)：本文提出了一种突触DMC的新模型，该模型基于扩散方程，并采用饱和边界条件对NTs与有限数量的突触后受体的可逆结合进行建模。与以往的方法不同，我们的模型包含了突触间隙的空间模型和有限数量的突触后受体，而无需解耦溶质和结合分子的浓度（例如[11]）或空间离散化的需求（例如[12]）。该方法利用状态空间描述(SSD)对扩散方程进行建模，通过反馈结构模块化地引入非线性的受体饱和效应。与基于粒子的蒙特卡洛方法相比，本文提出的方法在计算上非常高效，因为计算成本既不随释放粒子数量增加，也不随空间规模增加。

(4)：本文的方法在粒子模拟中进行了验证，并实现了突触DMC中的受体饱和和酶催化分子降解的建模。与以往的模型相比，该方法在模拟突触DMC中具有更高的计算效率，并且能够更准确地描述溶质分子的空间分布和受体饱和的影响。本文的方法为合成分子通信系统的设计提供了重要的理论支持，并具有潜力应用于脑机接口等领域。

 

7.结论：

(1): 这部作品的意义在于提出了一种突触DMC中受体饱和的新模型，这对于合成分子通信系统的设计以及在脑机接口等领域的创新具有重要意义。

(2): 创新点：本文的创新点在于引入了非线性、状态相关的边界条件来描述突触通信中的受体饱和，并利用Laplace算子的特征函数展开和接收器记忆作为反馈系统，解决了传统方法中的模型问题。这种创新提供了一种数值稳定且计算效率高的建模方法。

性能表现：与以往的方法相比，本文提出的模型在模拟突触DMC中具有更高的计算效率，并且能够更准确地描述溶质分子的空间分布和受体饱和的影响。这种性能表现使得该模型具备了在实际应用中的潜力。

工作量：本文的方法在粒子模拟中进行了验证，并实现了突触DMC中的受体饱和和酶催化分子降解的建模。相较于之前的模型方法，本文所提出的方法在计算效率上更高，因为计算成本不随释放粒子数量增加或空间规模增加。因此，该方法具有较低的工作量需求。

Studying Drowsiness Detection Performance while Driving through Scalable Machine Learning Models using Electroencephalography

https://arxiv.org/pdf/2209.04048 2022-09-08

1.标题：通过可扩展的机器学习模型使用脑电图研究驾驶中的昏昏欲睡检测性能

2.作者：José Manuel Hidalgo Rogel, Enrique Tomás Martínez Beltrán, Mario Quiles Pérez, Sergio López Bernal, Gregorio Martínez Pérez, Alberto Huertas Celdrán

3.所属单位：José Manuel Hidalgo Rogel所属单位：Murcia大学信息与通信工程系，Enrique Tomás Martínez Beltrán所属单位：Murcia大学信息与通信工程系，Mario Quiles Pérez所属单位：Murcia大学信息与通信工程系，Sergio López Bernal所属单位：Murcia大学信息与通信工程系，Gregorio Martínez Pérez所属单位：Murcia大学信息与通信工程系，Alberto Huertas Celdrán所属单位：Zurich大学Informatics IfI系Communication Systems Group CSG

4.关键字：Brain-Computer Interface, Electroencephalography, Framework, Machine Learning

5.网址：https://arxiv.org/pdf/2209.04048

 

6.总结：

(1): 本文的研究背景是探索使用脑电图技术结合机器学习模型来检测驾驶中的昏昏欲睡情况。

(2): 过去的方法主要集中在使用Brain-Computer Interfaces (BCIs) 和Machine Learning (ML) 来检测昏昏欲睡。然而，这些方法在使用不同的ML算法时缺乏全面的评估，而且对于适用于群体的可扩展ML模型的检测性能也需要进一步研究。本文的动机是填补这些研究的空白。

(3): 本文提出了一个智能框架，利用脑电图（EEG）和基于ML的特征来检测驾驶场景中的昏昏欲睡状况。使用SEED-VIG数据集来提供不同的ML回归器和三类分类器，然后评估、分析和比较表现最佳的个体和群体模型。

(4): 关于个体模型，随机森林(Random Forest, RF)的F1分数达到了78%，相比于用于昏昏欲睡检测的支持向量机(SVM)等其他方法的58%有所提高。而关于可扩展模型，RF的F1分数为79%，证明了这些方法的有效性。本文的方法实现了驾驶中昏昏欲睡的检测任务，并取得了良好的性能，能够支持研究目标。

7.方法:

(1): 本文的方法基于一种智能框架，旨在利用脑电图（EEG）和基于机器学习（ML）的特征来检测驾驶场景中的昏昏欲睡状况。

(2): 该方法的第一步是收集实验数据，使用了SEED-VIG数据集作为训练和测试的基础。该数据集包含了欧洲司机在驾驶过程中的EEG信号，以及与其瞌睡程度相关的标签。

(3): 接下来，对EEG信号进行预处理。这包括滤波、去噪和特征提取等步骤。其中，滤波是通过应用带通滤波器将信号限制在特定频率范围内，去噪是通过使用信号处理技术去除噪声干扰，特征提取是从EEG信号中提取与瞌睡状态相关的有用信息。

(4): 在特征提取后，本文采用了多种ML回归器和三类分类器进行建模和训练。这些算法包括随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）和逻辑回归（Logistic Regression, LR）等。

(5): 在模型训练完成后，通过使用测试数据集对模型进行评估和分析。主要考虑的指标是F1分数，以衡量模型的性能。F1分数基于精确率和召回率，可以综合评估模型的准确性和完整性。

(6): 最后，通过比较不同模型之间的表现，选择表现最佳的个体和群体模型作为最终的检测模型。这些模型能够判断驾驶者是否处于昏昏欲睡状态，并为后续研究提供支持。

8.结论：

(1): 本文的意义在于探索利用脑电图（EEG）和机器学习模型来检测驾驶中的昏昏欲睡情况。通过研究驾驶员的脑电图信号，并应用机器学习算法，可以建立有效的模型来判断驾驶员是否处于昏昏欲睡状态，从而提高驾驶安全性。

(2): 创新点：本文的创新点在于提出了一种智能框架，结合脑电图和基于机器学习的特征，实现了驾驶中昏昏欲睡的检测任务。该框架利用了SEED-VIG数据集进行训练和测试，采用多种机器学习算法，如随机森林、支持向量机和逻辑回归，来建立和训练模型。

性能表现：个体模型中，随机森林的F1分数为78%，相比其他方法有所提高。而对于可扩展模型，随机森林的F1分数达到了79%，证明了这些方法的有效性。因此，本文方法在昏昏欲睡检测性能方面表现良好。

工作量：本文的工作量主要包括数据收集、预处理、特征提取、模型训练和评估等多个步骤。其中，数据收集使用了SEED-VIG数据集，预处理包括滤波、去噪和特征提取。模型训练和评估则涉及多个机器学习算法的实施和比较。整体工作量较大，但基于良好的研究设计和实验流程进行了有效的完成。

Interpreting Imagined Speech Waves with Machine Learning techniques

https://arxiv.org/pdf/2010.03360 2020-11-25

1.标题：使用机器学习技术解释想象的语音波

2.作者：Abhiram Singh, Ashwin Gumaste

3.所属单位：印度孟买印度理工学院计算机科学与工程系

4.关键字：脑-计算机接口、想象语音、神经网络、切平面

5.网址：文献链接，Github: None

6.总结：

- (1):本文的研究背景是探索使用机器学习技术解码想象的语音信号，以创建新型的人机界面。

- (2):过去的方法使用不同的特征提取方法和神经网络模型来近似数据分布和分类想象的语音信号，但存在一些问题。本文的方法具有更好的动机，以减少参与者的训练时间并提供更舒适的HCI过程。

- (3):本文提出了使用馈前神经网络模型、集成和协方差矩阵转换特征的方法，以改善IS信号的解码能力。

- (4):本文的方法在不同的数据集上展示了较高的性能，可以将脑信号（在休息状态下产生）与IS脑信号区分开来。本文提出的方法利用词汇长度和复杂性实现了想象语音信号的高精度解码，并为基于IS的BCI系统的开发提供了方向和支持。

7.方法：

(1): 本文提出了使用机器学习技术解码想象的语音信号的方法。研究的背景是创建新型的人机界面，使人们能够通过想象语音与计算机进行交互。

(2): 本文使用了不同的方法来处理EEG信号，包括神经网络模型和特征转换技术。这些方法包括使用馈前神经网络模型、集成和协方差矩阵转换特征、使用短时傅立叶变换计算频谱图等。

(3): 在神经网络模型方面，本文尝试了使用ANN、LSTM和CNN来处理原始的EEG信号。而在特征转换方面，本文使用了傅立叶变换和独立成分分析等方法。

(4): 本文还尝试了一种基于空间模式的方法，即Common Spatial Pattern (CSP)，通过变换信号的方差来改善分类模型的性能。

(5): 此外，本文还应用了装袋(Bagging)方法，将神经网络作为基分类器，并在多个模型上进行集成，以提高性能。

(6): 通过在不同的数据集上进行实验，本文的方法在解码想象的语音信号方面取得了较高的性能，并为基于IS的BCI系统的开发提供了方向和支持。

 

8. 结论：

(1): 这部作品的意义在于通过机器学习技术解码想象的语音信号，创建了一种新型的人机界面，可以实现通过想象语音与计算机进行交互。

(2): 创新点：本文提出了使用馈前神经网络模型、集成和协方差矩阵转换特征的方法，以改善解码想象语音信号的能力。

性能表现：本文的方法在不同的数据集上展示了较高的性能，可以将脑信号与想象语音信号区分开来。

工作量：本文的研究包括使用不同的特征提取方法和神经网络模型进行实验和分析，需要进行大量的数据处理和训练工作。

参考文献

[1]Lotter, Sebastian et al. “Receptor Saturation Modeling for Synaptic DMC.”ICC 2021 - IEEE International Conference on Communications(2020): 1-6.

[2]Rogel, Jos'e Manuel Hidalgo et al. “Studying Drowsiness Detection Performance while Driving through Scalable Machine Learning Models using Electroencephalography.”ArXivabs/2209.04048 (2022): n. pag.

[3]Singh, Abhiram Kumar and Ashwin Gumaste. “Interpreting Imagined Speech Waves with Machine Learning techniques.”ArXivabs/2010.03360 (2020): n. pag.

 创作声明：包含 AI 辅助创作