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

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

標(biāo)題：分析通過(guò)腦機(jī)接口檢測(cè)情緒時(shí)駕駛?cè)蝿?wù)的影響

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

所屬單位：Mario Quiles P′erez，Enrique Tom′as Mart′?nez Beltr′an，Sergio L′opez Bernal和Gregorio Mart′?nez P′erez所屬單位：Murcia大學(xué)信息與通信工程系；Alberto Huertas Celdr′an所屬單位：蘇黎世大學(xué)信息學(xué)院通信系統(tǒng)研究組

關(guān)鍵詞：腦機(jī)接口，情緒，機(jī)器學(xué)習(xí)，深度學(xué)習(xí)，駕駛場(chǎng)景

網(wǎng)址：https://arxiv.org/pdf/2209.00993

?

總結(jié)：

(1): 本文的研究背景是探索通過(guò)腦機(jī)接口檢測(cè)駕駛場(chǎng)景中的情緒，并解決相關(guān)挑戰(zhàn)問(wèn)題。

(2): 過(guò)去的方法涉及使用腦機(jī)接口檢測(cè)情緒，但在駕駛場(chǎng)景下的應(yīng)用尚未廣泛研究。該方法的動(dòng)機(jī)是探索情緒檢測(cè)在駕駛環(huán)境下的應(yīng)用性能。

(3): 本文提出了一種基于腦電圖和機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法的框架，用于檢測(cè)情緒。在此基礎(chǔ)上設(shè)計(jì)了兩個(gè)場(chǎng)景的使用案例，其中第一個(gè)場(chǎng)景是以聽聲音為主要任務(wù)，而第二個(gè)場(chǎng)景是在駕駛模擬器上進(jìn)行駕駛為主要任務(wù)。旨在證明腦機(jī)接口在駕駛場(chǎng)景中的有效性。

(4): 本文的方法實(shí)現(xiàn)了情緒檢測(cè)的任務(wù)，并獲得了良好的性能。在檢測(cè)2種情緒（非刺激和憤怒）方面，準(zhǔn)確率達(dá)到99%；在檢測(cè)3種情緒（非刺激、憤怒和中性）方面，準(zhǔn)確率達(dá)到93%；在檢測(cè)4種情緒（非刺激、憤怒、中性和喜悅）方面，準(zhǔn)確率達(dá)到75%。這些結(jié)果支持了他們的目標(biāo)。

8.結(jié)論：

(1): 這部作品的意義在于研究和分析了在駕駛環(huán)境中使用腦機(jī)接口和腦電圖來(lái)檢測(cè)情緒。通過(guò)創(chuàng)建一個(gè)逼真的場(chǎng)景，結(jié)合駕駛模擬器，聲音刺激發(fā)生器和腦機(jī)接口頭戴式設(shè)備，成功地實(shí)現(xiàn)了情緒檢測(cè)的任務(wù)。這項(xiàng)研究的意義在于為將來(lái)在駕駛場(chǎng)景中應(yīng)用腦機(jī)接口技術(shù)提供了基礎(chǔ)和參考。

(2): 創(chuàng)新點(diǎn)：本文的創(chuàng)新點(diǎn)在于將腦機(jī)接口和腦電圖應(yīng)用于駕駛環(huán)境中的情緒檢測(cè)。通過(guò)結(jié)合駕駛模擬器和聲音刺激發(fā)生器，提供了一個(gè)逼真的場(chǎng)景，使得情緒檢測(cè)更加準(zhǔn)確和可靠。

性能表現(xiàn)：通過(guò)實(shí)驗(yàn)，本文的方法在情緒檢測(cè)任務(wù)中取得了良好的性能表現(xiàn)。在檢測(cè)不同數(shù)量的情緒時(shí)，準(zhǔn)確率都較高，為進(jìn)一步研究和應(yīng)用提供了良好的基礎(chǔ)。

工作量：本文進(jìn)行了較為詳盡的研究和實(shí)驗(yàn)工作。從構(gòu)建場(chǎng)景到設(shè)計(jì)框架，都需要大量的努力和耗費(fèi)時(shí)間。在實(shí)驗(yàn)中，進(jìn)行了多個(gè)使用案例的測(cè)試，對(duì)比和分析，為論證研究目標(biāo)提供了充分的實(shí)證數(shù)據(jù)。

?

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

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

標(biāo)題：Zydeco-Style腦機(jī)接口移植物的低功耗VLSI架構(gòu)

作者：不在文獻(xiàn)中提及作者

所屬單位：文獻(xiàn)中未提及第一作者單位

關(guān)鍵字：Brain Computer Interface, VLSI, prediction, Spike Sorting, EEG

網(wǎng)址：https://arxiv.org/pdf/2209.04427，Github: None

?

總結(jié)：

(1):本文的研究背景是腦機(jī)接口（BCI）在解決腦信號(hào)分析限制、解決精神障礙和通過(guò)神經(jīng)控制移植物恢復(fù)缺失的肢體功能方面具有巨大潛力。然而，當(dāng)前尚未存在一種適用于日常生活使用的可用且安全的移植物。大多數(shù)提出的移植物存在多種實(shí)施問(wèn)題，如感染危險(xiǎn)和熱量散發(fā)，這限制了它們的可用性并使其更難通過(guò)法規(guī)和質(zhì)量控制生產(chǎn)。

(2):過(guò)去的方法中，由于目前在移植物芯片內(nèi)部的復(fù)雜聚類神經(jīng)元識(shí)別算法消耗大量功耗和帶寬，導(dǎo)致熱量散發(fā)問(wèn)題增加，使移植物的電池耗盡。腦機(jī)接口芯片的核心單元是尖峰排序，它在功耗、準(zhǔn)確性和面積方面起著重要作用。

(3):本文提出了一種低功耗、自適應(yīng)簡(jiǎn)化的VLSI架構(gòu)"Zydeco-Style"，用于腦機(jī)接口尖峰排序，具有較低的計(jì)算復(fù)雜性和更高的準(zhǔn)確性，在最壞情況下可達(dá)到93.5%的性能。該架構(gòu)使用低功耗藍(lán)牙無(wú)線通信模塊與外部物聯(lián)網(wǎng)醫(yī)療ICU設(shè)備進(jìn)行通信。該架構(gòu)在Verilog中進(jìn)行了實(shí)現(xiàn)和模擬，并提出了移植物的概念設(shè)計(jì)。

(4):本文方法實(shí)現(xiàn)了BCI尖峰排序的任務(wù)，提供了低功耗和高計(jì)算精度的解決方案。性能可以支持作者的目標(biāo)。

結(jié)論：

(1): 本研究的意義是針對(duì)腦機(jī)接口移植物的問(wèn)題提出一種低功耗、自適應(yīng)簡(jiǎn)化的VLSI架構(gòu)，旨在解決當(dāng)前移植物的實(shí)施問(wèn)題，促進(jìn)腦信號(hào)分析的發(fā)展，并為精神障礙和肢體功能恢復(fù)等領(lǐng)域提供一種安全可行的解決方案。

(2): 創(chuàng)新點(diǎn)：該架構(gòu)通過(guò)引入自適應(yīng)簡(jiǎn)化策略，顯著降低了計(jì)算復(fù)雜性，有效減少了功耗，并提供了更高的準(zhǔn)確性。性能表現(xiàn)：在最壞情況下可達(dá)到93.5%的準(zhǔn)確性，為腦機(jī)接口尖峰排序任務(wù)提供了高計(jì)算精度的解決方案。工作量：研究人員在Verilog中實(shí)現(xiàn)和模擬了該架構(gòu)，并提出了移植物的概念設(shè)計(jì)，為實(shí)際應(yīng)用奠定了基礎(chǔ)。

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

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

標(biāo)題：比較面向特定受試者和獨(dú)立受試者BCI的分類算法

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

所屬單位：Texas A&M University（德克薩斯 A&M 大學(xué)）

關(guān)鍵字：Subject-Speci?c BCI, Subject-independent BCI, Classi?cation, Motor imagery, Sample size

網(wǎng)址：https://arxiv.org/pdf/2012.12473

?

總結(jié)：

(1)?: 本文的研究背景是探討腦機(jī)接口（BCI）中針對(duì)特定受試者和獨(dú)立受試者的分類算法的性能比較問(wèn)題。

(2): 過(guò)去的方法主要集中在特定受試者模型的設(shè)計(jì)和訓(xùn)練上，存在耗時(shí)且不便利的問(wèn)題。因此，引入獨(dú)立受試者模型的概念，旨在解決對(duì)新受試者進(jìn)行個(gè)性化校準(zhǔn)和模型參數(shù)適應(yīng)所面臨的困難。然而，獨(dú)立受試者模型在文獻(xiàn)中顯示出較低的準(zhǔn)確性。該方法的動(dòng)機(jī)是提供一個(gè)基于通用模型的系統(tǒng)，對(duì)于精神或身體上有挑戰(zhàn)的用戶而言更加便利。

(3): 本文提出了一種比較研究方法，對(duì)特定受試者和獨(dú)立受試者模型的分類性能進(jìn)行了比較。

(4): 進(jìn)行實(shí)驗(yàn)后的結(jié)果顯示，特定受試者模型的分類算法在性能上存在較大的差異性，因此可能需要針對(duì)每個(gè)受試者使用不同的分類算法。而獨(dú)立受試者模型的分類算法在性能上顯示更低的差異性，但需要相對(duì)較大的樣本量才能得到較好的效果。根據(jù)實(shí)驗(yàn)結(jié)果，對(duì)于較小和中等規(guī)模的樣本量，LDA 和 CART 的準(zhǔn)確性較高；而如果有大規(guī)模的訓(xùn)練樣本，SVM 算法可能優(yōu)于其他分類器。綜上所述，根據(jù)用戶需求選擇不同的設(shè)計(jì)方法，對(duì)于特定受試者而言，特定受試者模型更有前景；對(duì)于精神或身體上有挑戰(zhàn)的用戶而言，獨(dú)立受試者模型更加方便。

方法：

(1): 本研究使用了來(lái)自GigaScience存儲(chǔ)庫(kù)的公開可用的運(yùn)動(dòng)想象（MI）腦電數(shù)據(jù)，共有20名受試者參與了實(shí)驗(yàn)。實(shí)驗(yàn)過(guò)程中，受試者坐在電腦前，佩戴了一個(gè)62通道的腦電頭環(huán)，腦電信號(hào)的采樣率為1,000 Hz。每個(gè)受試者在一次實(shí)驗(yàn)中完成了共40次試驗(yàn)，其中包括20次左手MI任務(wù)和20次右手MI任務(wù)。每次試驗(yàn)開始時(shí)，在屏幕中央顯示一個(gè)“+”符號(hào)，提示受試者放松肌肉并準(zhǔn)備進(jìn)行MI任務(wù)。經(jīng)過(guò)3秒后，屏幕上顯示一個(gè)左箭頭或右箭頭，提示受試者模擬使用相應(yīng)的手進(jìn)行握拳動(dòng)作，持續(xù)4秒。隨后，屏幕變黑，受試者休息6秒。根據(jù)顯示的箭頭，將試驗(yàn)編碼為“l(fā)eft”或“right”兩個(gè)類別。

(2): 對(duì)腦電信號(hào)進(jìn)行預(yù)處理，將只保留位于運(yùn)動(dòng)皮質(zhì)附近的20個(gè)通道上的信號(hào)。然后，提取MI特定的信號(hào)段，排除任務(wù)之間的過(guò)渡時(shí)間。接下來(lái)，對(duì)信號(hào)應(yīng)用Butterworth帶通濾波器，以去除高頻噪聲和低頻偽跡，保留感興趣的腦波信號(hào)（包括theta、alpha和beta波段）。

(3): 特征提取和選擇是本研究的重要步驟。之前的研究表明，基于MI腦電信號(hào)的功率譜密度（PSD）特征具有一致和魯棒的模式識(shí)別能力。定義腦電信號(hào)為x(t)，其自相關(guān)函數(shù)RXX(τ)定義如下：

Sxx(ω) = ? +∞ ?∞ Rxx(τ)e?iωτdτ . (1)

我們使用周期圖估計(jì)方法對(duì)每個(gè)通道上的自相關(guān)函數(shù)進(jìn)行估計(jì)，通過(guò)計(jì)算在給定頻率范圍內(nèi)的信號(hào)功率，得到每個(gè)通道的PSD。為了降低維度，我們選擇每10個(gè)樣本間隔的最大周期圖值，并將通道的結(jié)果值連接起來(lái)形成一個(gè)特征向量。最后，我們使用t檢驗(yàn)選擇最具有區(qū)分度的特征。

(4): 本研究采用了線性判別分析（LDA）和支持向量機(jī)（SVM）等常用參數(shù)化分類算法進(jìn)行分類。特別地，之前的研究表明SVM在腦機(jī)接口系統(tǒng)設(shè)計(jì)中的性能往往優(yōu)于其他分類器。本研究還引入了基于非參數(shù)化方法的分類算法，如決策樹算法（CART）和k最近鄰算法（k-NN）。分類器根據(jù)訓(xùn)練數(shù)據(jù)集（Sn = {X1, Y1), . . . , (Xn, Yn)}的特征向量x ∈ Rd進(jìn)行設(shè)計(jì)，其中n是樣本量。分類器將為每個(gè)特征向量x分配標(biāo)簽y = ψ(x)，其中y = 0表示“right”手MI任務(wù)，y = 1表示“l(fā)eft”手MI任務(wù)。根據(jù)實(shí)驗(yàn)數(shù)據(jù)的分類數(shù)目，我們可以計(jì)算出類別y = 0和y = 1的樣本量n0和n1，滿足n0+n1 = n。

....... （根據(jù)實(shí)際情況填寫）

8.結(jié)論：

(1): 本文的研究對(duì)于腦機(jī)接口（BCI）技術(shù)的進(jìn)一步發(fā)展具有重要意義。通過(guò)比較特定受試者模型和獨(dú)立受試者模型的分類算法性能，我們可以更好地了解各種方法的優(yōu)勢(shì)和局限性，為設(shè)計(jì)適用于不同用戶需求的BCI系統(tǒng)提供了參考。

(2): 創(chuàng)新點(diǎn)：本文引入了獨(dú)立受試者模型的概念，針對(duì)新受試者無(wú)需個(gè)性化校準(zhǔn)和模型參數(shù)適應(yīng)的問(wèn)題提出了一種解決方案。性能表現(xiàn)：特定受試者模型在分類算法性能上存在較大差異性，需要為每個(gè)受試者選擇不同的分類算法，而獨(dú)立受試者模型的性能相對(duì)較穩(wěn)定，但需要相對(duì)較大的樣本量。工作量：本文的方法需要采集大量的腦電數(shù)據(jù)并進(jìn)行預(yù)處理、特征提取和選擇等步驟，工作量相對(duì)較大。

根據(jù)上述結(jié)論，我們可以得出以下幾點(diǎn)結(jié)論： 1. 本研究的創(chuàng)新點(diǎn)在于引入了獨(dú)立受試者模型的概念，為BCI系統(tǒng)設(shè)計(jì)提供了一種更便利的方法。 2. 特定受試者模型在分類算法性能上存在較大的差異性，需要針對(duì)每個(gè)受試者選擇合適的分類算法。 3. 獨(dú)立受試者模型的分類算法性能相對(duì)較穩(wěn)定，但需要較大的樣本量來(lái)達(dá)到較好的效果。 4. 在實(shí)施本方法時(shí)需要投入較大的工作量，包括采集、預(yù)處理和特征提取等步驟。

總體而言，本文的研究為了解和比較特定受試者模型和獨(dú)立受試者模型的分類算法性能提供了重要的見(jiàn)解，為BCI系統(tǒng)的設(shè)計(jì)和應(yīng)用提供了參考和指導(dǎo)。同時(shí)，本研究還指出了特定受試者模型和獨(dú)立受試者模型的優(yōu)勢(shì)和限制，為未來(lái)BCI研究和應(yīng)用提供了啟示。

?

參考文獻(xiàn)：

【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.

?

創(chuàng)作聲明：包含?AI?輔助創(chuàng)作

?