【脑机接口每日论文速递】2023年7月30日
Directly wireless communication of human minds via non-invasive brain-computer-metasurface platform
https://arxiv.org/pdf/2205.00280 2022-04-30
1.标题：直接无创脑-计算机-超表面平台实现人类思维的无线通信
2.作者：Qian Ma, Wei Gao, Qiang Xiao, Lingsong Ding, Tianyi Gao, Yajun Zhou, Xinxin Gao, Tao Yan, Che Liu, Ze Gu, Xianghong Kong, Qammer H. Abbasi, Lianlin Li, Cheng-Wei Qiu, Yuanqing Li, Tie Jun Cui
3.所属单位：Institute of Electromagnetic Space, Southeast University, Nanjing 210096, China
4.关键字：brain-computer interface, non-invasive, electromagnetic metasurface, wireless communication
5.网址：https://arxiv.org/pdf/2205.00280
6.总结：
- (1): 本文的研究背景是探索通过脑-计算机接口实现人类思维的无线通信。
- (2): 过去的方法是通过收集脑电图信号进行解码，但存在需使用侵入性设备、精度不高等问题。本方法的动机是通过无创方法实现高精度的思维控制。
- (3): 本文提出了一种基于电磁脑-计算机-超表面的方法，通过脑信号的识别和电磁调控，实现无创的脑-计算机通信。
- (4): 本文的方法实现了无线的文本传输和其他几个思维控制任务，具有高准确性。实验结果支持了目标的实现。
8.结论：
(1):此作品的意义在于探索并解决通过无创方法实现高精度思维控制的问题，为脑-计算机接口领域的发展和人机交互方式的改进提供了新的思路。
(2):创新点：本文的创新点在于提出了一种基于电磁脑-计算机-超表面的方法，实现了对脑信号的识别和调控，从而实现了高精度的无创脑-计算机通信。
性能表现：该方法在无线文本传输和其他思维控制任务方面具有高准确性，实验结果支持了其目标的实现；
T-WaveNet: Tree-Structured Wavelet Neural Network for Sensor-Based Time Series Analysis
https://arxiv.org/pdf/2012.05456 2020-12-10
1.标题：T-WaveNet：基于树结构小波神经网络的基于传感器的时间序列分析
2.作者：Minhao Liu, Ailing Zeng, Qiuxia Lai, Qiang Xu
3.所属单位：中国香港中文大学
4.关键字：传感器数据分析，深度神经网络，小波变换，频谱分
5.网址：https://arxiv.org/pdf/2012.05456
6.总结：
(1): 本文的研究背景是基于传感器的时间序列分析在活动识别和脑机接口等应用中的重要性。
(2): 过去的方法主要是使用手工制作的特征或深度神经网络提取特征。然而，这些方法主要依赖网络来提取传感器数据中携带的应用特定信息。本文的方法动机良好，考虑到了通常只有几个频率分量携带传感器数据的主要信息。
(3): 本文提出了一种基于树结构的小波神经网络方法，即T-WaveNet。首先，对传感器数据进行功率谱分析，然后将输入信号分解成不同的频率子带。然后，构建一个树状结构网络，树上的每个节点（对应一个频率子带）使用可逆神经网络（INN）的小波变换构建。通过这种方式，T-WaveNet为传感器信息提供了比现有的基于DNN的技术更有效的表示方法。
(4): 本文的方法在各种传感器数据集上实现了先进的性能，包括UCI-HAR（活动识别）、OPPORTUNITY（手势识别）、BCICIV2a（意图识别）和NinaPro DB1（肌肉运动识别）。该方法的性能能够支持他们的目标。
7.方法：
(1): 首先，对传感器数据进行功率谱分析，以获得数据的频域表示。
(2): 将输入信号分解成不同的频率子带，通过小波变换和可逆神经网络（INN）构建一个树状结构网络。每个子带对应树上的一个节点。
(3): 在树状结构网络中，通过学习节点之间的连接权重，对不同频率的子带进行信息交互，并且利用小波变换的可逆性质，确保在信息传递的过程中不会丢失信息。
(4): 通过对传感器数据进行树状结构网络的前向传播，获得有效的特征表示。这些特征能够更好地表示传感器数据中的主要信息。
(5): 最后，使用基于树结构的小波神经网络（T-WaveNet）进行传感器数据分析，包括活动识别、手势识别、意图识别和肌肉运动识别等任务。在各种传感器数据集上验证了其性能。
(6): 实验证明，T-WaveNet方法相比于传统方法和基于深度学习的方法，在传感器数据的分析中能够提供更准确且更有效的结果。
8.结论：
(1): 本文的意义在于提出了一种基于树结构小波神经网络的传感器数据分析方法，即T-WaveNet。这种方法能够有效地提取传感器数据中的主要信息，并在活动识别、手势识别、意图识别和肌肉运动识别等任务中取得了先进的性能。
(2): 创新点：本文的创新点主要包括将传感器数据进行功率谱分析，并利用树状结构和小波变换构建了T-WaveNet。这种方法能够更有效地提取传感器数据中的频谱信息，以及通过学习节点之间的连接权重进行信息交互和传递。
性能表现：T-WaveNet在多个传感器数据集上实现了先进的性能，包括UCI-HAR、OPPORTUNITY、BCICIV2a和NinaPro DB1等。实验证明，相比于传统方法和基于深度学习的方法，T-WaveNet能够提供更准确且更有效的结果。
工作量：本文的工作量主要包括理论构建、模型设计和实验验证。通过频谱分析、小波变换和树状结构网络的构建，作者成功地完成了T-WaveNet的设计和实现，并在多个传感器数据集上进行了实验测试。
综上所述，本文的方法在传感器数据分析领域具有重要的意义，创新性明显，并取得了优异的性能表现。但是，还需要进一步研究和探索，以进一步提升方法的效果和推广应用。
Real or Virtual? Using Brain Activity Patterns to differentiate Attended Targets during Augmented Reality Scenarios
https://arxiv.org/pdf/2101.05272 2021-01-12
1.标题：使用脑电活动模式区分增强现实场景中的真实目标还是虚拟目标
2.作者：Lisa-Marie Vortmann, Leonid Schwenke, and Felix Putze
3.所属单位：Department of Mathematics and Computer Science, University of Bremen, Bremen, Germany (德国不来梅大学数学与计算机科学系)
4.关键词：增强现实，神经网络，眼动追踪，分类，注意力，脑电图
5.网址：https://arxiv.org/pdf/2101.05272
6.总结：
- (1): 本文的研究背景是在增强现实场景中，识别用户关注的目标是真实的还是虚拟的。
- (2): 过去的方法通常依赖于眼动追踪来判断用户的注意力目标，但该方法存在一些问题，比如受到眼动追踪器准确性的限制以及用户的眼动可能受到其他因素的干扰。因此，本文提出基于脑电图数据的分类方法，以更可靠地判断用户关注的目标。
- (3): 本文提出的研究方法是使用浅层卷积神经网络对从20名参与者收集的脑电图数据进行分类。通过将3秒的数据窗口进行分类，可以以超过70%的平均准确率将不同试验中的测试数据和训练数据区分开。针对20名参与者中的6名参与者，可以在超过随机水平的情况下进行个体独立的分类。
- (4): 本文的方法可以作为增强现实应用中可靠的脑-计算机接口输入机制，实现对用户关注目标进行判断。该方法的性能支持其目标，但个体独立分类方面的准确率还有进一步提高的空间。
7. 方法：
(1):本文采用的方法是记录20名具有正常或矫正到正常视力的参与者的数据。实验过程中，参与者通过佩戴眼动追踪设备和脑电图头环来进行任务。在实验开始前，所有参与者接受了实验的介绍并签署了书面同意。实验共包括20个试验块，每个试验块包含4个试验。每个试验有两种条件：真实条件和虚拟条件。实验过程中，记录眼动追踪数据、脑电图数据和任务数据。
(2): 眼动追踪数据和脑电图数据的收集使用了相应的设备和软件。眼动追踪数据的收集利用了佩戴在HoloLens上的PupilLabs双目眼动追踪器，可以记录参与者的注视位置和瞳孔直径。脑电图数据的收集使用了g.tec公司的g.Nautilus EEG头环，通过16个电极记录脑电活动。数据收集过程中，控制了护眼和脑电图的质量以确保数据的准确性。
(3): 对于脑电图数据的预处理，使用了MNE工具进行信号的滤波、通道处理和参考选择。脑电图数据被分割成3秒的Windows，并进行了滤波处理，去除了50Hz的电源噪声。处理后的脑电图数据被用作浅层卷积神经网络的输入。网络的训练参数和结构遵循了Filter Bank Common Spatial Pattern（FBCSP）特征提取方法。神经网络经过150个epochs的训练。
(4): 对于数据的分类，本文采用了不同的训练和测试数据的分割方法。其中包括忽略试验的分割方法、试验相关的分割方法和BCI应用的分割方法。在实际应用中，将考虑试验的时间顺序，并将模型训练在前一部分试验中，测试在后一部分试验中。分类准确率的计算使用了测量模型在预测任务中的性能指标。
(5): 最后，通过对实验结果的分析，本文探讨了脑电图数据在增强现实场景中识别用户关注目标的可行性和有效性。同时也比较了眼动追踪数据和脑电图数据在目标识别中的性能表现。
8.结论：
(1): 这部作品的意义在于探索使用脑电图数据进行增强现实场景中用户关注目标的识别，并提供了一种可靠的脑-计算机接口输入机制。
(2): 创新点：该研究提出了基于脑电图数据的分类方法，相比传统的眼动追踪方法，减少了受到眼动仪准确性和干扰因素的限制，提供了一种更可靠的目标识别方法。
性能表现：通过使用浅层卷积神经网络对脑电图数据进行分类，该方法在将测试数据和训练数据区分开的任务中达到了超过70%的平均准确率，并在个体独立分类中取得了超过随机水平的成绩。
工作量：本研究涉及记录20名参与者的脑电图数据和眼动追踪数据，进行数据预处理和模型训练。使用了眼动追踪设备和脑电图头环等专业设备进行数据采集。
参考文献
[1]Ma, Qian et al. “Directly wireless communication of human minds via non-invasive brain-computer-metasurface platform.”eLight2 (2022): n. pag.
[2]Liu, Minhao et al. “T-WaveNet: Tree-Structured Wavelet Neural Network for Sensor-Based Time Series Analysis.”ArXivabs/2012.05456 (2020): n. pag.
[3]Vortmann, Lisa-Marie et al. “Real or Virtual? Using Brain Activity Patterns to differentiate Attended Targets during Augmented Reality Scenarios.”ArXivabs/2101.05272 (2021): n. pag.
创作声明：包含 AI 辅助创作
