|
更多技术干货第一时间送达 Hello，大家好！ Rose小哥今天分享一下几篇论文。 On the Use of Convolutional Neural Networks and Augmented CSP Features for Multi-class Motor Imagery of EEG Signals Classification 导读： 研究脑电信号运动想象的深层结构和未知关联对脑电信号运动想象的检测具有重要意义。本研究探讨了卷积神经网络(CNN)在多类MI-EEG信号分类中的应用。基于覆盖不同频率范围的两两投影矩阵，生成增强公共空间模式(ACSP)特征。通过约束频带间的相关性，提出了一种频率互补特征映射选择方案。在BCI竞赛IV数据集IIa上进行了9个受试者的实验。FCMS和所有特征图的平均交叉验证正确率分别为68.45%和69.27%，显著高于随机选图(4.53%和5.34%)，高于过滤库CSP (FBCSP)(1.44%和2.26%)。结果表明，该神经网络不依赖于手工特征，能够学习脑电信号分类的识别性、深层结构特征。 Neural mechanisms of sustained attention are rhythmic 导读： 经典的注意力模型表明，持续的神经刺激与持续的注意力有关。然而，最近的证据表明，行为表现会随着时间而波动，表现出与正在进行的、振荡的大脑活动的光谱特征非常相似的时间动态。因此，有人提出周期性的神经元兴奋性波动可能影响注意力分配和外显行为。然而，支持这一观点的经验证据很少。在这里，研究人员通过研究来自大型硬膜下记录的数据来解决这个问题，使用两种不同的注意力任务来跟踪在高时间分辨率下的感知能力。该研究结果表明，即使在持续的空间注意力状态下，感知结果也会随着时间的变化而变化。这些效应在单被试者水平上是很强的，这表明有节奏的知觉采样是额顶叶注意力网络的固有属性。总的来说，这些发现支持了这样一种观点，即自上而下注意力的功能性结构在本质上是有节奏的。 Neural Activity and Decoding of Action Observation Using Combined EEG and fNIRS Measurement 导读： 在实际生活中，观察他人的行为对于了解他们在做什么以及他们的意图和感受至关重要。对神经基础和动作观察解码的研究对于理解与动作相关的过程很重要，并且对认知，社会神经科学和人机交互(HMI)具有重要意义。在该项研究中，作者首先使用64通道脑电图(EEG)和48通道功能近红外光谱(fNIRS) 组合的动作观察过程中的时空动态。研究人员测量了16名健康参与者的大脑活动，同时观察了三个动作任务:(1)拿起杯子想喝水;(二)拿着杯子想要移动的;(3)摸杯时意图不明。脑电图和近红外光谱的源分析结果显示，在动作观察过程中，镜像神经元系统(MNS)和the theory of mind (ToM)/mentalizing network的动态参与。来源分析结果表明，这两个系统的参与程度取决于观察到的行动意图的明确性。基于第一个实验中不同动作观察任务所观察到的神经活动的差异，研究人员进行了第二个实验，利用特征分类方法对动作观察的神经过程进行分类。并基于脑电图和近红外光谱数据构建了复杂的大脑网络。通过融合脑电图和近红外光谱复杂的大脑网络特征，三种动作观察任务的分类准确率为72.7%。本研究为阐明动作观察和意图理解的神经机制提供了理论和实证基础，为解码潜在的神经过程提供了一种可行的方法。 更多阅读 |
|
|
