【脑机接口每日论文速递】2023年7月24日

SSVEP-Based BCI Wheelchair Control System

https://arxiv.org/pdf/2307.08703

1.标题：SSVEP-基于BCI的轮椅控制系统

2.作者：ZHOU CE

3.所属单位：马来亚大学工程学院电气工程系

4.关键字：BCI, SSVEP, 轮椅控制

5.网址：https://arxiv.org/pdf/2307.08703 或 Github: None

 

6.总结：

- (1)：本文的研究背景是基于脑机接口（BCI）的系统，用于控制轮椅，即通过脑电图（EEG）来实现对轮椅的控制。

- (2)：过去的方法包括其他类型的BCI，但存在一些问题，例如自我调节和校准。本文提出的方法是采用稳态视觉诱发电位（SSVEP）作为刺激信号，通过信号获取、处理和分类来实现对轮椅的实时控制。本文的方法基于良好的动机，即简化和增强BCI系统的控制能力。

- (3)：本文提出的研究方法是基于SSVEP的BCI系统，包括脑电信号的获取、信号处理和分类算法，以及设计和制作SSVEP刺激面板，通过控制刺激频率、颜色和波形来诱发SSVEP信号。

- (4)：本文的方法实现了基于SSVEP的轮椅控制任务，并采用实验评估了系统的性能。实验结果表明，该系统能够实时准确地识别用户的意图并控制轮椅的移动。系统的性能符合目标要求。

7.结论：

(1): 本研究的意义在于提出了基于SSVEP的脑机接口（BCI）轮椅控制系统，为残疾人提供了一种便捷的轮椅操作方式，提高了他们的生活质量。

(2): 创新点：本文的创新在于采用稳态视觉诱发电位（SSVEP）作为刺激信号，并实现了实时控制轮椅移动的功能。此方法简化了BCI系统的控制过程，并增强了系统的控制能力。

性能表现：实验结果表明，该系统能够实时准确地识别用户的意图并实现控制轮椅的移动，符合预期的性能要求。

工作量：本文的研究包括脑电信号的获取、信号处理和分类算法的设计与实现，以及SSVEP刺激面板的设计与制作。研究者经过一定的实验和分析工作，完成了系统的开发与实验验证。

Deep Neural Networks and Brain Alignment: Brain Encoding and Decoding (Survey)

https://arxiv.org/pdf/2307.10246

1.标题：Deep Neural Networks and Brain Alignment: Brain Encoding and Decoding (Survey)（深度神经网络与脑对齐: 脑编码和解码(调查)）

2.作者：Subba Reddy Oota, Manish Gupta, Raju S. Bapi, Gael Jobard, Frederic Alexandre, Xavier Hinaut

3.所属单位：Chinese: 波尔多大学

4.关键字：brain encoding, brain decoding, deep neural networks, functional magnetic resonance imaging (fMRI), cognitive neuroscience

5.网址：https://arxiv.org/pdf/2307.10246 Github代码链接: None

 

6.总结：

(1): 本文的研究背景是研究大脑如何表示不同模式的信息以及是否能设计出一个系统来自动理解用户的思维。

(2): 过去的方法是使用功能性磁共振成像(fMRI)等脑记录技术来提取脑编码和解码模型，但存在着数据集有限、模型效果不佳等问题。本文的动机是基于深度学习模型在自然语言处理、计算机视觉和语音处理领域的有效性，提出一种新的脑编码和解码方法。

(3): 本文提出了基于深度学习的编码和解码架构，并对语言、视觉和语音等刺激的常用表示进行了讨论。同时，对相关神经科学数据集进行了总结。

(4): 本文的方法在脑编码和解码任务中取得了一定的性能，有助于评估和诊断神经疾病，并为脑损伤的治疗设计提供了支持。

7.结论：

(1): 本文的意义在于提出了一种基于深度学习的脑编码和解码方法，在脑科学领域具有重要的应用价值。

(2): 创新点：本文的创新点在于将深度学习应用于脑编码和解码任务，有效地提高了模型的性能和准确度。

性能表现：该方法在脑编码和解码任务中取得了一定的性能，并且有助于评估和诊断神经疾病。

工作量：本文对相关神经科学数据集进行了讨论和总结，展示了一定的工作量。

 

 

Error-related Potential Variability: Exploring the Effects on Classification and Transferability

https://arxiv.org/pdf/2301.06555 2023-01-16

1.标题：Error-related Potential Variability: Exploring the Effects on Classification and Transferability（错误相关电位变异性：对分类和迁移性的影响进行探索）

2.作者：Benjamin Poole, Minwoo Lee（本杰明·普尔，李敏宇）

3.所属单位：University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）

4.关键字：Brain-Computer Interfaces, Error-related potentials, Classification, Transferability（脑机接口，错误相关电位，分类，迁移性）

5.网址：https://arxiv.org/pdf/2301.06555 （文献链接）

 

编辑切换为居中

添加图片注释，不超过 140 字（可选）

6.总结： - (1): 本文的研究背景是探索错误相关电位（ErrP）的变异性对分类和迁移性的影响。BCI技术允许从脑到外部应用的直接沟通，其中ErrPs是一种特殊的脑信号，当执行或观察错误事件时会产生。

- (2): 过去的方法主要集中在训练和分类ErrPs，但由于脑和记录设备的噪声特性，ErrPs在不同实例中会有变异，这使得ErrPs的分类成为一个非平凡的问题。该方法的动机是探索ErrP变异性对分类器迁移性的影响。

- (3): 本文通过训练不同ErrP变异数据集来探索分类器迁移性的性能，这些数据集通过改变感知和融入水平产生。特别是在相似和不同任务下，观察和交互式ErrP类别之间的转移。他们使用实证结果对ErrP迁移问题进行了探索性分析。

- (4): 本文的方法实现了对不同ErrP变异性数据集的分类器迁移性能评估。作者通过观察和交互式ErrP类别的转移来验证算法。实验结果提供了对ErrP迁移问题的数据视角的探索性分析。

7. 方法：

(1): 为了评估在不同任务内和任务间的ErrP类别转移，每个子任务分别充当源任务和目标任务。我们使用source→target的表示方法来表示源任务和目标任务的组合。例如（BGSInt→OAOut）。在LOGOCV（留一组外交叉验证）中评估转移性能。对每个子任务进行LOGOCV，每个子任务有10个实验次数。在训练过程中，将一个实验次数保留为测试数据，剩下的实验次数作为训练数据。在评估测试次数的性能时，还要对所有其他子任务的数据进行性能测量。例如，BGSInt将产生10个分类器，每个分类器将在剩余的子任务（BGSObs、OAObs、OAOut）以及BGSInt的测试次数上进行评估。在LOGOCV过程中，跟踪多种性能度量，但我们特别关注平衡准确性(bACC)，其表示为1/2(真阳性率TPR+真阴性率TNR)，因为对于不平衡的数据集来说，这是一个有用的度量标准。此外，我们通过分析它的子组件真阳性率(TPR)和真阴性率(TNR)来进一步解析bACC。为了评估分数之间的差异的显著性，我们使用统计显著性检验。通过进行Levene和Bartlett等方差不等检验来测试组之间的方差不等，所有检验都拒绝了零假设。因此，我们选择了Welch's t-test和非参数化的Tukey-Kramer多重比较检验（Games-Howell检验）。由于样本规模较大，因此多重比较测试的p值被发现具有显著性。例如，LOGOCV产生的样本最小的基准比较（source→source）的样本规模为90（9个被试×10次实验×1次测试实验），而转移比较（source→target）的样本规模为900（9个被试×10次实验×10个不同子任务的测试实验）。此外，我们使用了Hedges' g效应量度量，它假设组之间的方差不等，并提供对应的置信区间。该效应量（ES）将帮助我们了解给定结果的效果，并进一步帮助区分显著结果是否仅仅是由于大样本量而导致的小差异。ES的置信区间将进一步提供关于结果的可变性和精确性的信息，不受p值的影响。较宽的置信区间表明结果可能太过变量而无法完全信任，而较窄的置信区间则表明结果的一致性。我们遵循Cohen提出的一个用于评估一个效应“大小”的经验法则: 非常小 (g < 0.2), 小 (0.2 ≤ g < 0.5), 中等 (0.5 ≤ g < 0.8), 大 (g* ≥ 0.8)。

8.结论：

(1): 本文的主要意义在于探索错误相关电位（ErrP）的变异性对于分类和迁移性的影响。这对于改进脑机接口（BCI）技术的设计和应用具有重要意义。

(2): 创新点：本文在ErrP分类和迁移性研究中引入了ErrP变异性的概念，探索了其对分类器性能的影响。

性能表现：实证结果揭示了交互式任务相对于观察性任务具有更容易分类的特点，但同时也存在源数据质量不稳定的风险。

工作量：本文通过对多个任务和数据集进行广泛实验，展示了丰富的数据分析和性能评估工作量。

参考文献

[1]Zhou, Ce. “SSVEP-Based BCI Wheelchair Control System.” (2023).

[2]Oota, Subba Reddy et al. “Deep Neural Networks and Brain Alignment: Brain Encoding and Decoding (Survey).” (2023).

[3]Poole, Ben and Minwoo Lee. “Error-related Potential Variability: Exploring the Effects on Classification and Transferability.”2022 IEEE Symposium Series on Computational Intelligence (SSCI)(2022): 193-200.

 创作声明：包含 AI 辅助创作