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

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

1.標(biāo)題：Wheelchair automation by a hybrid BCI system using SSVEP and eye blinks（使用SSVEP和眨眼的混合BCI系統(tǒng)實(shí)現(xiàn)的輪椅自動(dòng)化）

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

3.所屬單位：Lizy Kanungo, Nikhil Garg, Anish Bhobe, Smit Rajguru, Veeky Baths 屬于印度比爾拉尼- K.K. Birla Goa Campus 的腦認(rèn)知神經(jīng)科學(xué)實(shí)驗(yàn)室

4.關(guān)鍵字：BCI, EEG, Eye blinks, SSVEP, Wheelchair Automation, AI

5.網(wǎng)址：https://arxiv.org/pdf/2106.11008 或 Github: None

?

6.總結(jié)：

(1): 本文的研究背景是探索利用SSVEP和眨眼的混合BCI系統(tǒng)實(shí)現(xiàn)殘疾人輪椅的自動(dòng)化。

(2): 過(guò)去的方法通常使用SSVEP和單一類型的腦信號(hào)來(lái)實(shí)現(xiàn)輪椅自動(dòng)化，但常常存在視覺(jué)阻礙和限制運(yùn)動(dòng)自由的問(wèn)題。本文的方法是為了解決這些問(wèn)題而提出的。

(3): 本文提出了一種基于SSVEP和眨眼混合機(jī)制的輪椅自動(dòng)化原型。為了觸發(fā)SSVEP，使用閃爍頻率為13Hz和15Hz的LED選擇左右方向，同時(shí)記錄EEG數(shù)據(jù)。此外，連續(xù)三次眨眼的發(fā)生被用作停止正在進(jìn)行的動(dòng)作的指示器。在信號(hào)處理方面，采用小波包去噪方法，并使用小波包分解和典型相關(guān)分析等特征提取方法。通過(guò)貝葉斯優(yōu)化來(lái)優(yōu)化支持向量機(jī)的超參數(shù)。通過(guò)Raspberry Pi通過(guò)WiFi控制輪椅。

(4): 該方法經(jīng)過(guò)測(cè)試，并獲得了平均交叉驗(yàn)證準(zhǔn)確度為89.65% + 6.6%（標(biāo)準(zhǔn)偏差）和測(cè)試準(zhǔn)確度為83.53% + 8.59%（標(biāo)準(zhǔn)偏差）。該原型在所有試驗(yàn)中的平均成功率為86.97％，每個(gè)命令執(zhí)行時(shí)間為4.015秒。該原型可以在家庭環(huán)境中有效使用，不會(huì)給用戶帶來(lái)不適。綜上所述，本文的方法能夠?qū)崿F(xiàn)基于SSVEP和眨眼的混合BCI系統(tǒng)對(duì)輪椅的自動(dòng)化控制，其性能能夠支持他們的目標(biāo)。

7.結(jié)論：

(1): 本研究的意義在于探索基于SSVEP和眨眼的混合BCI系統(tǒng)實(shí)現(xiàn)輪椅自動(dòng)化的可行性和效果。

(2): 創(chuàng)新點(diǎn)：本文提出了一種基于SSVEP和眨眼的混合機(jī)制，以增強(qiáng)輪椅自動(dòng)化的控制性能。性能表現(xiàn)：該方法在準(zhǔn)確度和成功率上表現(xiàn)良好，具有潛力在家庭環(huán)境中實(shí)際應(yīng)用。工作量：本研究進(jìn)行了大量的信號(hào)處理、特征提取和算法優(yōu)化工作，展示了混合BCI系統(tǒng)的可行性和實(shí)用性。

(3): 總體而言，這項(xiàng)研究證明了使用SSVEP和眨眼的混合BCI系統(tǒng)可以實(shí)現(xiàn)對(duì)輪椅的自動(dòng)化控制。該方法具有較高的準(zhǔn)確度和成功率，并能在家庭環(huán)境中有效使用。然而，仍有改進(jìn)的空間，比如進(jìn)一步提高算法的實(shí)時(shí)性和魯棒性。未來(lái)研究可以探索其他腦信號(hào)的應(yīng)用，以進(jìn)一步提高輪椅自動(dòng)化系統(tǒng)的性能和用戶體驗(yàn)。

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.標(biāo)題：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：一種與對(duì)抗性數(shù)據(jù)增強(qiáng)技術(shù)結(jié)合的STFT擴(kuò)展，用于神經(jīng)信號(hào)的解碼）

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

3.所屬單位：Faculty of Medicine, Department of Neurosurgery, University hospital Knappschaftskrankenhaus Bochum GmbH, Germany（醫(yī)學(xué)院，神經(jīng)外科系，格爾叔夫診所博魯姆大學(xué)附屬醫(yī)院，德國(guó)）

4.關(guān)鍵字：Brain-computer interfaces, EEG signals, deep-learning algorithms, anchored-STFT, adversarial augmentation

5.網(wǎng)址：https://arxiv.org/pdf/2011.14694

?

6.總結(jié)：

(1): 本文的研究背景是神經(jīng)信號(hào)的解碼。腦機(jī)接口（BCI）的目標(biāo)是將神經(jīng)信號(hào)轉(zhuǎn)化為控制指令，以實(shí)現(xiàn)人與機(jī)器之間的通信和控制。腦電圖（EEG）信號(hào)是非侵入性BCI應(yīng)用中最常用的神經(jīng)信號(hào)之一，但常常受到噪聲的干擾，因此有效分類EEG信號(hào)中的有意義模式是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

(2): 過(guò)去的方法包括常見(jiàn)的空間模式（CSP）、短時(shí)傅里葉變換（STFT）和小波變換（WT）等特征提取算法，以及線性判別分析（LDA）、貝葉斯分類器和支持向量機(jī)（SVM）等常見(jiàn)的分類器。然而，這些方法存在著質(zhì)量和數(shù)量上的局限性，并且STFT存在時(shí)域和頻譜分辨率之間的權(quán)衡問(wèn)題。因此，文章提出了一種改進(jìn)的STFT方法（anchored-STFT）和一種對(duì)抗性數(shù)據(jù)增強(qiáng)技術(shù)（GNAA）。

(3): 本文提出的方法包括anchored-STFT和GNAA。anchored-STFT是STFT的改進(jìn)版本，通過(guò)最小化STFT在時(shí)域和頻譜分辨率上的權(quán)衡來(lái)提取特征。GNAA不僅是一種數(shù)據(jù)增強(qiáng)方法，還用于捕捉EEG數(shù)據(jù)中的對(duì)抗性輸入，從而改善分類準(zhǔn)確性并提高分類器的魯棒性。

(4): 本文的方法在對(duì)兩個(gè)公開(kāi)可用的數(shù)據(jù)集（BCI competition II dataset III和BCI competition IV dataset 2b）進(jìn)行實(shí)驗(yàn)時(shí)，表現(xiàn)優(yōu)于所有現(xiàn)有方法，平均分類準(zhǔn)確率分別為90.7%和89.54%。因此，該方法實(shí)現(xiàn)了對(duì)神經(jīng)信號(hào)的解碼，并且能夠支持目標(biāo)的實(shí)現(xiàn)。

7.結(jié)論：

(1): 本文的意義在于提出了一種改進(jìn)的STFT方法（anchored-STFT）和一種對(duì)抗性數(shù)據(jù)增強(qiáng)技術(shù)（GNAA）來(lái)解碼神經(jīng)信號(hào)。這種方法在腦機(jī)接口應(yīng)用中具有重要意義，可以提高對(duì)EEG信號(hào)的解碼準(zhǔn)確性和分類器的魯棒性。

(2): 創(chuàng)新點(diǎn)：本文的創(chuàng)新點(diǎn)包括引入anchored-STFT來(lái)改善STFT在時(shí)域和頻譜分辨率上的權(quán)衡，并利用GNAA進(jìn)行對(duì)抗性數(shù)據(jù)增強(qiáng)。這些創(chuàng)新為神經(jīng)信號(hào)解碼提供了一種新的方法。

性能表現(xiàn)：實(shí)驗(yàn)結(jié)果顯示，本文提出的方法在兩個(gè)公開(kāi)數(shù)據(jù)集上的性能表現(xiàn)優(yōu)于現(xiàn)有方法，平均分類準(zhǔn)確率分別為90.7%和89.54%。這表明該方法在神經(jīng)信號(hào)解碼方面具有較好的性能。

工作量：本文所提出的方法涉及對(duì)STFT的改進(jìn)和對(duì)數(shù)據(jù)增強(qiáng)技術(shù)的應(yīng)用，需要進(jìn)行實(shí)驗(yàn)設(shè)計(jì)、算法開(kāi)發(fā)和結(jié)果分析等工作。因此，相對(duì)于傳統(tǒng)方法，可能會(huì)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.標(biāo)題：Net2Brain: 一個(gè)用于比較人工視覺(jué)模型與人腦響應(yīng)的工具箱

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

3.所屬單位：Department of Computer Science, Goethe Universit?t, Ernst Struengmann Institute for Neuroscience, Freie Universit?t Berlin

4.關(guān)鍵詞：Toolbox, DNN, CNN, ViT, RSA, fMRI, MEG, Searchlight Analysis

5.網(wǎng)址：https://arxiv.org/pdf/2208.09677

?

6.總結(jié)：

(1): 本文的研究背景是為了比較人工視覺(jué)模型和人腦響應(yīng)的表征空間。

(2): 過(guò)去的方法只關(guān)注一個(gè)小組的監(jiān)督圖像分類模型，而沒(méi)有考慮其他任務(wù)和數(shù)據(jù)集；本文的方法旨在提供更全面的表征分析工具，可以比較超過(guò)600個(gè)訓(xùn)練用于視覺(jué)相關(guān)任務(wù)的深度神經(jīng)網(wǎng)絡(luò)的激活，并與人腦記錄進(jìn)行比較。

(3): 本文提出了Net2Brain工具箱，可以提取超過(guò)600個(gè)訓(xùn)練用于不同視覺(jué)任務(wù)的深度神經(jīng)網(wǎng)絡(luò)的激活，并利用表征相似性分析和搜索方法比較這些激活與人腦記錄之間的差異。

(4): 本文的方法可以實(shí)現(xiàn)多種視覺(jué)相關(guān)任務(wù)的表征，并且已經(jīng)在認(rèn)知計(jì)算神經(jīng)科學(xué)的假設(shè)測(cè)試中展示了其功能和優(yōu)勢(shì)。

7.結(jié)論：

(1): 這項(xiàng)工作的意義在于開(kāi)發(fā)了一個(gè)用于比較人工神經(jīng)網(wǎng)絡(luò)和人腦視覺(jué)皮層響應(yīng)的工具箱，提供了一個(gè)全面、靈活的分析方法來(lái)研究這兩者之間的表征相似性。

(2): 創(chuàng)新點(diǎn)：本文提出了Net2Brain工具箱，為認(rèn)知神經(jīng)科學(xué)研究中的深度神經(jīng)網(wǎng)絡(luò)提供了一種方便的技術(shù)工具，降低了新手實(shí)施這些工具的知識(shí)門檻，并為用戶提供了使用其計(jì)算模型和腦數(shù)據(jù)集進(jìn)行分析的靈活性。

性能表現(xiàn)：Net2Brain工具箱可以提取超過(guò)600個(gè)訓(xùn)練用于不同視覺(jué)任務(wù)的深度神經(jīng)網(wǎng)絡(luò)的激活，并使用表征相似性分析和搜索方法來(lái)比較這些激活與人腦記錄之間的差異。

工作量：本文展示了使用Net2Brain測(cè)試認(rèn)知計(jì)算神經(jīng)科學(xué)假設(shè)的簡(jiǎn)單性，未來(lái)的版本還將包括更多的腦數(shù)據(jù)集和分析功能，以更好地支持神經(jīng)科學(xué)研究的常見(jiàn)分析需求，如方差分析和編碼模型分析。

參考文獻(xiàn)

[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.

?

創(chuàng)作聲明：包含 AI 輔助創(chuàng)作?