SSVEP-Based BCI Wheelchair Control System

https://arxiv.org/pdf/2307.08703

1.標(biāo)題：SSVEP-基于BCI的輪椅控制系統(tǒng)

2.作者：ZHOU CE

3.所屬單位：馬來亞大學(xué)工程學(xué)院電氣工程系

4.關(guān)鍵字：BCI, SSVEP, 輪椅控制

5.網(wǎng)址：https://arxiv.org/pdf/2307.08703 或 Github: None

?

6.總結(jié)：

- (1)：本文的研究背景是基于腦機(jī)接口（BCI）的系統(tǒng)，用于控制輪椅，即通過腦電圖（EEG）來實(shí)現(xiàn)對輪椅的控制。

- (2)：過去的方法包括其他類型的BCI，但存在一些問題，例如自我調(diào)節(jié)和校準(zhǔn)。本文提出的方法是采用穩(wěn)態(tài)視覺誘發(fā)電位（SSVEP）作為刺激信號，通過信號獲取、處理和分類來實(shí)現(xiàn)對輪椅的實(shí)時(shí)控制。本文的方法基于良好的動(dòng)機(jī)，即簡化和增強(qiáng)BCI系統(tǒng)的控制能力。

- (3)：本文提出的研究方法是基于SSVEP的BCI系統(tǒng)，包括腦電信號的獲取、信號處理和分類算法，以及設(shè)計(jì)和制作SSVEP刺激面板，通過控制刺激頻率、顏色和波形來誘發(fā)SSVEP信號。

- (4)：本文的方法實(shí)現(xiàn)了基于SSVEP的輪椅控制任務(wù)，并采用實(shí)驗(yàn)評估了系統(tǒng)的性能。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠?qū)崟r(shí)準(zhǔn)確地識別用戶的意圖并控制輪椅的移動(dòng)。系統(tǒng)的性能符合目標(biāo)要求。

7.結(jié)論：

(1): 本研究的意義在于提出了基于SSVEP的腦機(jī)接口（BCI）輪椅控制系統(tǒng)，為殘疾人提供了一種便捷的輪椅操作方式，提高了他們的生活質(zhì)量。

(2): 創(chuàng)新點(diǎn)：本文的創(chuàng)新在于采用穩(wěn)態(tài)視覺誘發(fā)電位（SSVEP）作為刺激信號，并實(shí)現(xiàn)了實(shí)時(shí)控制輪椅移動(dòng)的功能。此方法簡化了BCI系統(tǒng)的控制過程，并增強(qiáng)了系統(tǒng)的控制能力。

性能表現(xiàn)：實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠?qū)崟r(shí)準(zhǔn)確地識別用戶的意圖并實(shí)現(xiàn)控制輪椅的移動(dòng)，符合預(yù)期的性能要求。

工作量：本文的研究包括腦電信號的獲取、信號處理和分類算法的設(shè)計(jì)與實(shí)現(xiàn)，以及SSVEP刺激面板的設(shè)計(jì)與制作。研究者經(jīng)過一定的實(shí)驗(yàn)和分析工作，完成了系統(tǒng)的開發(fā)與實(shí)驗(yàn)驗(yàn)證。

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

https://arxiv.org/pdf/2307.10246

1.標(biāo)題：Deep Neural Networks and Brain Alignment: Brain Encoding and Decoding (Survey)（深度神經(jīng)網(wǎng)絡(luò)與腦對齊: 腦編碼和解碼(調(diào)查)）

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

3.所屬單位：Chinese: 波爾多大學(xué)

4.關(guān)鍵字：brain encoding, brain decoding, deep neural networks, functional magnetic resonance imaging (fMRI), cognitive neuroscience

5.網(wǎng)址：https://arxiv.org/pdf/2307.10246 Github代碼鏈接: None

?

6.總結(jié)：

(1): 本文的研究背景是研究大腦如何表示不同模式的信息以及是否能設(shè)計(jì)出一個(gè)系統(tǒng)來自動(dòng)理解用戶的思維。

(2): 過去的方法是使用功能性磁共振成像(fMRI)等腦記錄技術(shù)來提取腦編碼和解碼模型，但存在著數(shù)據(jù)集有限、模型效果不佳等問題。本文的動(dòng)機(jī)是基于深度學(xué)習(xí)模型在自然語言處理、計(jì)算機(jī)視覺和語音處理領(lǐng)域的有效性，提出一種新的腦編碼和解碼方法。

(3): 本文提出了基于深度學(xué)習(xí)的編碼和解碼架構(gòu)，并對語言、視覺和語音等刺激的常用表示進(jìn)行了討論。同時(shí)，對相關(guān)神經(jīng)科學(xué)數(shù)據(jù)集進(jìn)行了總結(jié)。

(4): 本文的方法在腦編碼和解碼任務(wù)中取得了一定的性能，有助于評估和診斷神經(jīng)疾病，并為腦損傷的治療設(shè)計(jì)提供了支持。

7.結(jié)論：

(1): 本文的意義在于提出了一種基于深度學(xué)習(xí)的腦編碼和解碼方法，在腦科學(xué)領(lǐng)域具有重要的應(yīng)用價(jià)值。

(2): 創(chuàng)新點(diǎn)：本文的創(chuàng)新點(diǎn)在于將深度學(xué)習(xí)應(yīng)用于腦編碼和解碼任務(wù)，有效地提高了模型的性能和準(zhǔn)確度。

性能表現(xiàn)：該方法在腦編碼和解碼任務(wù)中取得了一定的性能，并且有助于評估和診斷神經(jīng)疾病。

工作量：本文對相關(guān)神經(jīng)科學(xué)數(shù)據(jù)集進(jìn)行了討論和總結(jié)，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.標(biāo)題：Error-related Potential Variability: Exploring the Effects on Classification and Transferability（錯(cuò)誤相關(guān)電位變異性：對分類和遷移性的影響進(jìn)行探索）

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

3.所屬單位：University of North Carolina at Charlotte（北卡羅來納大學(xué)夏洛特分校）

4.關(guān)鍵字：Brain-Computer Interfaces, Error-related potentials, Classi?cation, Transferability（腦機(jī)接口，錯(cuò)誤相關(guān)電位，分類，遷移性）

5.網(wǎng)址：https://arxiv.org/pdf/2301.06555 （文獻(xiàn)鏈接）

?

編輯切換為居中

添加圖片注釋，不超過 140 字（可選）

6.總結(jié)： - (1): 本文的研究背景是探索錯(cuò)誤相關(guān)電位（ErrP）的變異性對分類和遷移性的影響。BCI技術(shù)允許從腦到外部應(yīng)用的直接溝通，其中ErrPs是一種特殊的腦信號，當(dāng)執(zhí)行或觀察錯(cuò)誤事件時(shí)會產(chǎn)生。

- (2): 過去的方法主要集中在訓(xùn)練和分類ErrPs，但由于腦和記錄設(shè)備的噪聲特性，ErrPs在不同實(shí)例中會有變異，這使得ErrPs的分類成為一個(gè)非平凡的問題。該方法的動(dòng)機(jī)是探索ErrP變異性對分類器遷移性的影響。

- (3): 本文通過訓(xùn)練不同ErrP變異數(shù)據(jù)集來探索分類器遷移性的性能，這些數(shù)據(jù)集通過改變感知和融入水平產(chǎn)生。特別是在相似和不同任務(wù)下，觀察和交互式ErrP類別之間的轉(zhuǎn)移。他們使用實(shí)證結(jié)果對ErrP遷移問題進(jìn)行了探索性分析。

- (4): 本文的方法實(shí)現(xiàn)了對不同ErrP變異性數(shù)據(jù)集的分類器遷移性能評估。作者通過觀察和交互式ErrP類別的轉(zhuǎn)移來驗(yàn)證算法。實(shí)驗(yàn)結(jié)果提供了對ErrP遷移問題的數(shù)據(jù)視角的探索性分析。

7. 方法：

(1): 為了評估在不同任務(wù)內(nèi)和任務(wù)間的ErrP類別轉(zhuǎn)移，每個(gè)子任務(wù)分別充當(dāng)源任務(wù)和目標(biāo)任務(wù)。我們使用source→target的表示方法來表示源任務(wù)和目標(biāo)任務(wù)的組合。例如（BGSInt→OAOut）。在LOGOCV（留一組外交叉驗(yàn)證）中評估轉(zhuǎn)移性能。對每個(gè)子任務(wù)進(jìn)行LOGOCV，每個(gè)子任務(wù)有10個(gè)實(shí)驗(yàn)次數(shù)。在訓(xùn)練過程中，將一個(gè)實(shí)驗(yàn)次數(shù)保留為測試數(shù)據(jù)，剩下的實(shí)驗(yàn)次數(shù)作為訓(xùn)練數(shù)據(jù)。在評估測試次數(shù)的性能時(shí)，還要對所有其他子任務(wù)的數(shù)據(jù)進(jìn)行性能測量。例如，BGSInt將產(chǎn)生10個(gè)分類器，每個(gè)分類器將在剩余的子任務(wù)（BGSObs、OAObs、OAOut）以及BGSInt的測試次數(shù)上進(jìn)行評估。在LOGOCV過程中，跟蹤多種性能度量，但我們特別關(guān)注平衡準(zhǔn)確性(bACC)，其表示為1/2(真陽性率TPR+真陰性率TNR)，因?yàn)閷τ诓黄胶獾臄?shù)據(jù)集來說，這是一個(gè)有用的度量標(biāo)準(zhǔn)。此外，我們通過分析它的子組件真陽性率(TPR)和真陰性率(TNR)來進(jìn)一步解析bACC。為了評估分?jǐn)?shù)之間的差異的顯著性，我們使用統(tǒng)計(jì)顯著性檢驗(yàn)。通過進(jìn)行Levene和Bartlett等方差不等檢驗(yàn)來測試組之間的方差不等，所有檢驗(yàn)都拒絕了零假設(shè)。因此，我們選擇了Welch's t-test和非參數(shù)化的Tukey-Kramer多重比較檢驗(yàn)（Games-Howell檢驗(yàn)）。由于樣本規(guī)模較大，因此多重比較測試的p值被發(fā)現(xiàn)具有顯著性。例如，LOGOCV產(chǎn)生的樣本最小的基準(zhǔn)比較（source→source）的樣本規(guī)模為90（9個(gè)被試×10次實(shí)驗(yàn)×1次測試實(shí)驗(yàn)），而轉(zhuǎn)移比較（source→target）的樣本規(guī)模為900（9個(gè)被試×10次實(shí)驗(yàn)×10個(gè)不同子任務(wù)的測試實(shí)驗(yàn)）。此外，我們使用了Hedges' g效應(yīng)量度量，它假設(shè)組之間的方差不等，并提供對應(yīng)的置信區(qū)間。該效應(yīng)量（ES）將幫助我們了解給定結(jié)果的效果，并進(jìn)一步幫助區(qū)分顯著結(jié)果是否僅僅是由于大樣本量而導(dǎo)致的小差異。ES的置信區(qū)間將進(jìn)一步提供關(guān)于結(jié)果的可變性和精確性的信息，不受p值的影響。較寬的置信區(qū)間表明結(jié)果可能太過變量而無法完全信任，而較窄的置信區(qū)間則表明結(jié)果的一致性。我們遵循Cohen提出的一個(gè)用于評估一個(gè)效應(yīng)“大小”的經(jīng)驗(yàn)法則: 非常小 (g < 0.2), 小 (0.2 ≤ g < 0.5), 中等 (0.5 ≤ g < 0.8), 大 (g* ≥ 0.8)。

8.結(jié)論：

(1): 本文的主要意義在于探索錯(cuò)誤相關(guān)電位（ErrP）的變異性對于分類和遷移性的影響。這對于改進(jìn)腦機(jī)接口（BCI）技術(shù)的設(shè)計(jì)和應(yīng)用具有重要意義。

(2): 創(chuàng)新點(diǎn)：本文在ErrP分類和遷移性研究中引入了ErrP變異性的概念，探索了其對分類器性能的影響。

性能表現(xiàn)：實(shí)證結(jié)果揭示了交互式任務(wù)相對于觀察性任務(wù)具有更容易分類的特點(diǎn)，但同時(shí)也存在源數(shù)據(jù)質(zhì)量不穩(wěn)定的風(fēng)險(xiǎn)。

工作量：本文通過對多個(gè)任務(wù)和數(shù)據(jù)集進(jìn)行廣泛實(shí)驗(yàn)，展示了豐富的數(shù)據(jù)分析和性能評估工作量。

參考文獻(xiàn)

[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.

?創(chuàng)作聲明：包含 AI 輔助創(chuàng)作?