Analyzing the impact of Driving tasks when detecting emotions through Brain-Computer Interfaces

https://arxiv.org/pdf/2209.00993 2022-08-30

标题：分析通过脑机接口检测情绪时驾驶任务的影响

作者：Mario Quiles P´erez, Enrique Tom´as Mart´ınez Beltr´an, Sergio L´opez Bernal, Gregorio Mart´ınez P´erez, Alberto Huertas Celdr´an

所属单位：Mario Quiles P´erez，Enrique Tom´as Mart´ınez Beltr´an，Sergio L´opez Bernal和Gregorio Mart´ınez P´erez所属单位：Murcia大学信息与通信工程系；Alberto Huertas Celdr´an所属单位：苏黎世大学信息学院通信系统研究组

关键词：脑机接口，情绪，机器学习，深度学习，驾驶场景

网址：https://arxiv.org/pdf/2209.00993

 

总结：

(1): 本文的研究背景是探索通过脑机接口检测驾驶场景中的情绪，并解决相关挑战问题。

(2): 过去的方法涉及使用脑机接口检测情绪，但在驾驶场景下的应用尚未广泛研究。该方法的动机是探索情绪检测在驾驶环境下的应用性能。

(3): 本文提出了一种基于脑电图和机器学习、深度学习算法的框架，用于检测情绪。在此基础上设计了两个场景的使用案例，其中第一个场景是以听声音为主要任务，而第二个场景是在驾驶模拟器上进行驾驶为主要任务。旨在证明脑机接口在驾驶场景中的有效性。

(4): 本文的方法实现了情绪检测的任务，并获得了良好的性能。在检测2种情绪（非刺激和愤怒）方面，准确率达到99%；在检测3种情绪（非刺激、愤怒和中性）方面，准确率达到93%；在检测4种情绪（非刺激、愤怒、中性和喜悦）方面，准确率达到75%。这些结果支持了他们的目标。

8.结论：

(1): 这部作品的意义在于研究和分析了在驾驶环境中使用脑机接口和脑电图来检测情绪。通过创建一个逼真的场景，结合驾驶模拟器，声音刺激发生器和脑机接口头戴式设备，成功地实现了情绪检测的任务。这项研究的意义在于为将来在驾驶场景中应用脑机接口技术提供了基础和参考。

(2): 创新点：本文的创新点在于将脑机接口和脑电图应用于驾驶环境中的情绪检测。通过结合驾驶模拟器和声音刺激发生器，提供了一个逼真的场景，使得情绪检测更加准确和可靠。

性能表现：通过实验，本文的方法在情绪检测任务中取得了良好的性能表现。在检测不同数量的情绪时，准确率都较高，为进一步研究和应用提供了良好的基础。

工作量：本文进行了较为详尽的研究和实验工作。从构建场景到设计框架，都需要大量的努力和耗费时间。在实验中，进行了多个使用案例的测试，对比和分析，为论证研究目标提供了充分的实证数据。

 

Zydeco-Style Spike Sorting Low Power VLSI Architecture for IoT BCI Implants

https://arxiv.org/pdf/2209.04427 2022-10-29

标题：Zydeco-Style脑机接口移植物的低功耗VLSI架构

作者：不在文献中提及作者

所属单位：文献中未提及第一作者单位

关键字：Brain Computer Interface, VLSI, prediction, Spike Sorting, EEG

网址：https://arxiv.org/pdf/2209.04427，Github: None

 

总结：

(1):本文的研究背景是脑机接口（BCI）在解决脑信号分析限制、解决精神障碍和通过神经控制移植物恢复缺失的肢体功能方面具有巨大潜力。然而，当前尚未存在一种适用于日常生活使用的可用且安全的移植物。大多数提出的移植物存在多种实施问题，如感染危险和热量散发，这限制了它们的可用性并使其更难通过法规和质量控制生产。

(2):过去的方法中，由于目前在移植物芯片内部的复杂聚类神经元识别算法消耗大量功耗和带宽，导致热量散发问题增加，使移植物的电池耗尽。脑机接口芯片的核心单元是尖峰排序，它在功耗、准确性和面积方面起着重要作用。

(3):本文提出了一种低功耗、自适应简化的VLSI架构"Zydeco-Style"，用于脑机接口尖峰排序，具有较低的计算复杂性和更高的准确性，在最坏情况下可达到93.5%的性能。该架构使用低功耗蓝牙无线通信模块与外部物联网医疗ICU设备进行通信。该架构在Verilog中进行了实现和模拟，并提出了移植物的概念设计。

(4):本文方法实现了BCI尖峰排序的任务，提供了低功耗和高计算精度的解决方案。性能可以支持作者的目标。

结论：

(1): 本研究的意义是针对脑机接口移植物的问题提出一种低功耗、自适应简化的VLSI架构，旨在解决当前移植物的实施问题，促进脑信号分析的发展，并为精神障碍和肢体功能恢复等领域提供一种安全可行的解决方案。

(2): 创新点：该架构通过引入自适应简化策略，显著降低了计算复杂性，有效减少了功耗，并提供了更高的准确性。性能表现：在最坏情况下可达到93.5%的准确性，为脑机接口尖峰排序任务提供了高计算精度的解决方案。工作量：研究人员在Verilog中实现和模拟了该架构，并提出了移植物的概念设计，为实际应用奠定了基础。

Comparison of Classification Algorithms Towards Subject-Specific and Subject-Independent BCI

https://arxiv.org/pdf/2012.12473 2021-01-05

标题：比较面向特定受试者和独立受试者BCI的分类算法

作者：Parisa Ghane, Narges Zarnaghi Naghsh, and Ulisses Braga-Neto

所属单位：Texas A&M University（德克萨斯 A&M 大学）

关键字：Subject-Specific BCI, Subject-independent BCI, Classification, Motor imagery, Sample size

网址：https://arxiv.org/pdf/2012.12473

 

总结：

(1) : 本文的研究背景是探讨脑机接口（BCI）中针对特定受试者和独立受试者的分类算法的性能比较问题。

(2): 过去的方法主要集中在特定受试者模型的设计和训练上，存在耗时且不便利的问题。因此，引入独立受试者模型的概念，旨在解决对新受试者进行个性化校准和模型参数适应所面临的困难。然而，独立受试者模型在文献中显示出较低的准确性。该方法的动机是提供一个基于通用模型的系统，对于精神或身体上有挑战的用户而言更加便利。

(3): 本文提出了一种比较研究方法，对特定受试者和独立受试者模型的分类性能进行了比较。

(4): 进行实验后的结果显示，特定受试者模型的分类算法在性能上存在较大的差异性，因此可能需要针对每个受试者使用不同的分类算法。而独立受试者模型的分类算法在性能上显示更低的差异性，但需要相对较大的样本量才能得到较好的效果。根据实验结果，对于较小和中等规模的样本量，LDA 和 CART 的准确性较高；而如果有大规模的训练样本，SVM 算法可能优于其他分类器。综上所述，根据用户需求选择不同的设计方法，对于特定受试者而言，特定受试者模型更有前景；对于精神或身体上有挑战的用户而言，独立受试者模型更加方便。

方法：

(1): 本研究使用了来自GigaScience存储库的公开可用的运动想象（MI）脑电数据，共有20名受试者参与了实验。实验过程中，受试者坐在电脑前，佩戴了一个62通道的脑电头环，脑电信号的采样率为1,000 Hz。每个受试者在一次实验中完成了共40次试验，其中包括20次左手MI任务和20次右手MI任务。每次试验开始时，在屏幕中央显示一个“+”符号，提示受试者放松肌肉并准备进行MI任务。经过3秒后，屏幕上显示一个左箭头或右箭头，提示受试者模拟使用相应的手进行握拳动作，持续4秒。随后，屏幕变黑，受试者休息6秒。根据显示的箭头，将试验编码为“left”或“right”两个类别。

(2): 对脑电信号进行预处理，将只保留位于运动皮质附近的20个通道上的信号。然后，提取MI特定的信号段，排除任务之间的过渡时间。接下来，对信号应用Butterworth带通滤波器，以去除高频噪声和低频伪迹，保留感兴趣的脑波信号（包括theta、alpha和beta波段）。

(3): 特征提取和选择是本研究的重要步骤。之前的研究表明，基于MI脑电信号的功率谱密度（PSD）特征具有一致和鲁棒的模式识别能力。定义脑电信号为x(t)，其自相关函数RXX(τ)定义如下：

Sxx(ω) = � +∞ −∞ Rxx(τ)e−iωτdτ . (1)

我们使用周期图估计方法对每个通道上的自相关函数进行估计，通过计算在给定频率范围内的信号功率，得到每个通道的PSD。为了降低维度，我们选择每10个样本间隔的最大周期图值，并将通道的结果值连接起来形成一个特征向量。最后，我们使用t检验选择最具有区分度的特征。

(4): 本研究采用了线性判别分析（LDA）和支持向量机（SVM）等常用参数化分类算法进行分类。特别地，之前的研究表明SVM在脑机接口系统设计中的性能往往优于其他分类器。本研究还引入了基于非参数化方法的分类算法，如决策树算法（CART）和k最近邻算法（k-NN）。分类器根据训练数据集（Sn = {X1, Y1), . . . , (Xn, Yn)}的特征向量x ∈ Rd进行设计，其中n是样本量。分类器将为每个特征向量x分配标签y = ψ(x)，其中y = 0表示“right”手MI任务，y = 1表示“left”手MI任务。根据实验数据的分类数目，我们可以计算出类别y = 0和y = 1的样本量n0和n1，满足n0+n1 = n。

....... （根据实际情况填写）

8.结论：

(1): 本文的研究对于脑机接口（BCI）技术的进一步发展具有重要意义。通过比较特定受试者模型和独立受试者模型的分类算法性能，我们可以更好地了解各种方法的优势和局限性，为设计适用于不同用户需求的BCI系统提供了参考。

(2): 创新点：本文引入了独立受试者模型的概念，针对新受试者无需个性化校准和模型参数适应的问题提出了一种解决方案。性能表现：特定受试者模型在分类算法性能上存在较大差异性，需要为每个受试者选择不同的分类算法，而独立受试者模型的性能相对较稳定，但需要相对较大的样本量。工作量：本文的方法需要采集大量的脑电数据并进行预处理、特征提取和选择等步骤，工作量相对较大。

根据上述结论，我们可以得出以下几点结论： 1. 本研究的创新点在于引入了独立受试者模型的概念，为BCI系统设计提供了一种更便利的方法。 2. 特定受试者模型在分类算法性能上存在较大的差异性，需要针对每个受试者选择合适的分类算法。 3. 独立受试者模型的分类算法性能相对较稳定，但需要较大的样本量来达到较好的效果。 4. 在实施本方法时需要投入较大的工作量，包括采集、预处理和特征提取等步骤。

总体而言，本文的研究为了解和比较特定受试者模型和独立受试者模型的分类算法性能提供了重要的见解，为BCI系统的设计和应用提供了参考和指导。同时，本研究还指出了特定受试者模型和独立受试者模型的优势和限制，为未来BCI研究和应用提供了启示。

 

参考文献：

【1】Quiles Pérez M, Martínez Beltrán E T, López Bernal S, et al. Analyzing the impact of Driving tasks when detecting emotions through brain–computer interfaces[J]. Neural Computing and Applications, 2023, 35(12): 8883-8901.

【2】ElSayed Z, Ozer M, Elsayed N, et al. Zydeco-Style Spike Sorting Low Power VLSI Architecture for IoT BCI Implants[C]//2022 IEEE 8th World Forum on Internet of Things (WF-IoT). IEEE, 2022: 1-6.

【3】Ghane P, Zarnaghinaghsh N, Braga-Neto U. Comparison of classification algorithms towards subject-specific and subject-independent BCI[C]//2021 9th International Winter Conference on Brain-Computer Interface (BCI). IEEE, 2021: 1-6.

 

创作声明：包含 AI 辅助创作