【脑机接口每日论文速递】2023年8月2日

Wheelchair automation by a hybrid BCI system using SSVEP and eye blinks

https://arxiv.org/pdf/2106.11008 2021-08-10

1.标题：Wheelchair automation by a hybrid BCI system using SSVEP and eye blinks（使用SSVEP和眨眼的混合BCI系统实现的轮椅自动化）

2.作者：Lizy Kanungo, Nikhil Garg, Anish Bhobe, Smit Rajguru, Veeky Baths

3.所属单位：Lizy Kanungo, Nikhil Garg, Anish Bhobe, Smit Rajguru, Veeky Baths 属于印度比尔拉尼- K.K. Birla Goa Campus 的脑认知神经科学实验室

4.关键字：BCI, EEG, Eye blinks, SSVEP, Wheelchair Automation, AI

5.网址：https://arxiv.org/pdf/2106.11008 或 Github: None

 

6.总结：

(1): 本文的研究背景是探索利用SSVEP和眨眼的混合BCI系统实现残疾人轮椅的自动化。

(2): 过去的方法通常使用SSVEP和单一类型的脑信号来实现轮椅自动化，但常常存在视觉阻碍和限制运动自由的问题。本文的方法是为了解决这些问题而提出的。

(3): 本文提出了一种基于SSVEP和眨眼混合机制的轮椅自动化原型。为了触发SSVEP，使用闪烁频率为13Hz和15Hz的LED选择左右方向，同时记录EEG数据。此外，连续三次眨眼的发生被用作停止正在进行的动作的指示器。在信号处理方面，采用小波包去噪方法，并使用小波包分解和典型相关分析等特征提取方法。通过贝叶斯优化来优化支持向量机的超参数。通过Raspberry Pi通过WiFi控制轮椅。

(4): 该方法经过测试，并获得了平均交叉验证准确度为89.65% + 6.6%（标准偏差）和测试准确度为83.53% + 8.59%（标准偏差）。该原型在所有试验中的平均成功率为86.97％，每个命令执行时间为4.015秒。该原型可以在家庭环境中有效使用，不会给用户带来不适。综上所述，本文的方法能够实现基于SSVEP和眨眼的混合BCI系统对轮椅的自动化控制，其性能能够支持他们的目标。

7.结论：

(1): 本研究的意义在于探索基于SSVEP和眨眼的混合BCI系统实现轮椅自动化的可行性和效果。

(2): 创新点：本文提出了一种基于SSVEP和眨眼的混合机制，以增强轮椅自动化的控制性能。性能表现：该方法在准确度和成功率上表现良好，具有潜力在家庭环境中实际应用。工作量：本研究进行了大量的信号处理、特征提取和算法优化工作，展示了混合BCI系统的可行性和实用性。

(3): 总体而言，这项研究证明了使用SSVEP和眨眼的混合BCI系统可以实现对轮椅的自动化控制。该方法具有较高的准确度和成功率，并能在家庭环境中有效使用。然而，仍有改进的空间，比如进一步提高算法的实时性和鲁棒性。未来研究可以探索其他脑信号的应用，以进一步提高轮椅自动化系统的性能和用户体验。

Anchored-STFT and GNAA: An extension of STFT in conjunction with an adversarial data augmentation technique for the decoding of neural signals

https://arxiv.org/pdf/2011.14694 2021-08-09

1.标题：Anchored-STFT and GNAA: An extension of STFT in conjunction with an adversarial data augmentation technique for the decoding of neural signals（Anchored-STFT和GNAA：一种与对抗性数据增强技术结合的STFT扩展，用于神经信号的解码）

2.作者：Omair Ali, Muhammad Saif-ur-Rehman, Susanne Dyck, Tobias Glasmachers, Ioannis Iossifidis, Christian Klaes

3.所属单位：Faculty of Medicine, Department of Neurosurgery, University hospital Knappschaftskrankenhaus Bochum GmbH, Germany（医学院，神经外科系，格尔叔夫诊所博鲁姆大学附属医院，德国）

4.关键字：Brain-computer interfaces, EEG signals, deep-learning algorithms, anchored-STFT, adversarial augmentation

5.网址：https://arxiv.org/pdf/2011.14694

 

6.总结：

(1): 本文的研究背景是神经信号的解码。脑机接口（BCI）的目标是将神经信号转化为控制指令，以实现人与机器之间的通信和控制。脑电图（EEG）信号是非侵入性BCI应用中最常用的神经信号之一，但常常受到噪声的干扰，因此有效分类EEG信号中的有意义模式是一项具有挑战性的任务。

(2): 过去的方法包括常见的空间模式（CSP）、短时傅里叶变换（STFT）和小波变换（WT）等特征提取算法，以及线性判别分析（LDA）、贝叶斯分类器和支持向量机（SVM）等常见的分类器。然而，这些方法存在着质量和数量上的局限性，并且STFT存在时域和频谱分辨率之间的权衡问题。因此，文章提出了一种改进的STFT方法（anchored-STFT）和一种对抗性数据增强技术（GNAA）。

(3): 本文提出的方法包括anchored-STFT和GNAA。anchored-STFT是STFT的改进版本，通过最小化STFT在时域和频谱分辨率上的权衡来提取特征。GNAA不仅是一种数据增强方法，还用于捕捉EEG数据中的对抗性输入，从而改善分类准确性并提高分类器的鲁棒性。

(4): 本文的方法在对两个公开可用的数据集（BCI competition II dataset III和BCI competition IV dataset 2b）进行实验时，表现优于所有现有方法，平均分类准确率分别为90.7%和89.54%。因此，该方法实现了对神经信号的解码，并且能够支持目标的实现。

7.结论：

(1): 本文的意义在于提出了一种改进的STFT方法（anchored-STFT）和一种对抗性数据增强技术（GNAA）来解码神经信号。这种方法在脑机接口应用中具有重要意义，可以提高对EEG信号的解码准确性和分类器的鲁棒性。

(2): 创新点：本文的创新点包括引入anchored-STFT来改善STFT在时域和频谱分辨率上的权衡，并利用GNAA进行对抗性数据增强。这些创新为神经信号解码提供了一种新的方法。

性能表现：实验结果显示，本文提出的方法在两个公开数据集上的性能表现优于现有方法，平均分类准确率分别为90.7%和89.54%。这表明该方法在神经信号解码方面具有较好的性能。

工作量：本文所提出的方法涉及对STFT的改进和对数据增强技术的应用，需要进行实验设计、算法开发和结果分析等工作。因此，相对于传统方法，可能会有一定的工作量增加。

Net2Brain: A Toolbox to compare artificial vision models with human brain responses

https://arxiv.org/pdf/2208.09677 2022-08-25

1.标题：Net2Brain: 一个用于比较人工视觉模型与人脑响应的工具箱

2.作者：Domenic Bersch, Kshitij Dwivedi, Martina Vilas, Radoslaw M. Cichy, Gemma Roig

3.所属单位：Department of Computer Science, Goethe Universität, Ernst Struengmann Institute for Neuroscience, Freie Universität Berlin

4.关键词：Toolbox, DNN, CNN, ViT, RSA, fMRI, MEG, Searchlight Analysis

5.网址：https://arxiv.org/pdf/2208.09677

 

6.总结：

(1): 本文的研究背景是为了比较人工视觉模型和人脑响应的表征空间。

(2): 过去的方法只关注一个小组的监督图像分类模型，而没有考虑其他任务和数据集；本文的方法旨在提供更全面的表征分析工具，可以比较超过600个训练用于视觉相关任务的深度神经网络的激活，并与人脑记录进行比较。

(3): 本文提出了Net2Brain工具箱，可以提取超过600个训练用于不同视觉任务的深度神经网络的激活，并利用表征相似性分析和搜索方法比较这些激活与人脑记录之间的差异。

(4): 本文的方法可以实现多种视觉相关任务的表征，并且已经在认知计算神经科学的假设测试中展示了其功能和优势。

7.结论：

(1): 这项工作的意义在于开发了一个用于比较人工神经网络和人脑视觉皮层响应的工具箱，提供了一个全面、灵活的分析方法来研究这两者之间的表征相似性。

(2): 创新点：本文提出了Net2Brain工具箱，为认知神经科学研究中的深度神经网络提供了一种方便的技术工具，降低了新手实施这些工具的知识门槛，并为用户提供了使用其计算模型和脑数据集进行分析的灵活性。

性能表现：Net2Brain工具箱可以提取超过600个训练用于不同视觉任务的深度神经网络的激活，并使用表征相似性分析和搜索方法来比较这些激活与人脑记录之间的差异。

工作量：本文展示了使用Net2Brain测试认知计算神经科学假设的简单性，未来的版本还将包括更多的脑数据集和分析功能，以更好地支持神经科学研究的常见分析需求，如方差分析和编码模型分析。

参考文献

[1]Kanungo, Lizy et al. “Wheelchair Automation by a Hybrid BCI System Using SSVEP and Eye Blinks.”2021 IEEE International Conference on Systems, Man, and Cybernetics (SMC)(2021): 411-416.

[2]Ali, Omair et al. “Anchored-STFT and GNAA: An extension of STFT in conjunction with an adversarial data augmentation technique for the decoding of neural signals.” (2020).

[3]Bersch, Domenic et al. “Net2Brain: A Toolbox to compare artificial vision models with human brain responses.”ArXivabs/2208.09677 (2022): n. pag.

 

创作声明：包含 AI 辅助创作