《Internal Speech Representation by Single Neurons in Human Supramarginal Gyrus》科学报道 背景介绍 近年来，脑机接口（BMIs, Brain-Machine Interfaces）技术在语音解码领域取得了显著进展。BMIs通过将大脑信号转化为语音或音频输出，使得那些因疾病或损伤失去说话能力的人能够重新交流。然而，尽管在有声语音、尝试语音和模拟语音解码方面取得了重要进展，内在语言（internal speech）的解码研究却相对稀缺且功能性较低。这篇文章旨在解决内在语言解码过程中存在的挑战，尤其是确定从哪些大脑区域能够解码出内在语言。研究的重点是位于顶下小叶（Supramarginal Gyrus，SMG）和初级躯体...

MI-EEG解码中基于注意力机制的时间依赖学习卷积神经网络（CNN） 研究背景与问题描述 脑机接口（Brain-Computer Interface, BCI）系统提供了一种通过实时翻译大脑信号与计算机进行通信的新途径。近年来，BCI技术逐渐在为瘫痪患者提供辅助和预防性护理方面发挥了重要作用。现有的许多BCI系统依赖于非侵入性且相对便捷的脑电图（EEG）信号记录来追踪大脑活动。然而，即使在同一MI任务期间，不同时期产生不同MI相关模式的时间依赖性特性也往往被忽略，从而大大限制了MI-EEG解码性能。 论文来源与作者信息 论文《A Temporal Dependency Learning CNN with Attention Mechanism for MI-EEG Decoding》于202...

脑机接口（Brain-Computer Interface, BCI）技术近年来发展迅速，被认为是一种无需通过外周神经和肌肉，仅通过大脑直接控制外部设备的前沿技术。特别是在运动想象（Motor Imagery, MI）脑电图（Electroencephalography, EEG）应用中，BCI 技术展现了巨大的潜力。通过分析MI-EEG信号，可以帮助患有物理障碍或神经肌肉退化的病人提高生活质量。然而，由于个体之间的差异以及大脑活动的稳定性、低信噪比（Signal-to-Noise Ratio, SNR）等因素，如何从复杂的EEG信号中提取有效特征以提高MI-EEG分类系统的准确性，仍然是一个巨大的挑战。 在MI-EEG分类中，特征提取与表示是决定分类性能的关键。当前广泛使用的特征提取方法，...

脑机接口（Brain-Computer Interface, BCI）作为一种新增强通信与控制技术近年来逐渐崭露头角。基于电生理特征（如脑电图，EEG）的BCI中，运动想象（Motor Imagery, MI）是一个重要分支，通过解码用户的运动意图用于临床康复、智能轮椅控制、及光标控制等领域。然而，由于EEG信号的复杂性，如低信噪比（Signal-to-Noise Ratio, SNR）、非平稳性、低空间分辨率和高时间分辨率等特点，准确解码运动意图仍具有挑战性。现有的MI基BCI解码主要使用传统机器学习和深度学习方法。传统机器学习通常分为特征提取和特征分类两个独立步骤，方法包括快速傅里叶变换（Fast Fourier Transform, FFT）、通用空间模式（Common Spatial...

系统评估欧几里德对齐与深度学习在EEG解码中的应用 背景介绍 脑电图（EEG）信号由于其无创性、便携性和低采集成本，广泛用于脑机接口（BCI）任务。然而，EEG信号存在低信噪比、易受电极位置影响及空间分辨率差等缺点。随着深度学习（DL）技术的进展，该技术在BCI领域表现出色，甚至在某些情况下超过了传统的机器学习方法。然而，DL模型对数据需求量大是其主要障碍。多受试者数据的迁移学习（Transfer Learning， TL）通过共享数据能够更高效地训练DL模型。欧几里得对齐（Euclidean Alignment，EA）因其易用性、低计算复杂度和与DL模型兼容性，逐渐受到关注。但现有研究对EA结合DL的全局和个体模型训练效果评估较少。这篇论文旨在系统性评估EA和DL结合对BCI信号解码训练性...

神经电极在慢性植入过程中对小鼠神经功能连接的层依赖性影响 引言 该研究探讨了慢性植入微观电极对小鼠C57BL6野生型小鼠脑内神经功能连接的长期影响。植入脑内的电极能够进行神经信号的记录和电刺激，在脑机接口（Brain-Computer Interface, 简称BCI）系统中有着广泛的应用，如恢复运动控制和感官感知。然而，随着时间的推移，植入电极记录到的信号会逐渐衰退，该退化被认为是“异物反应”（Foreign-Body Response, FBR）造成的。然而，FBR如何具体影响植入周围区域的神经回路功能及其稳定性尚不明确。本研究旨在揭示长期FBR如何改变局部神经回路功能，深入理解其对BCI解码装置的影响。 研究背景与目的 植入神经电极虽然有潜在的应用价值，然而其在记录灵敏度和稳定性上仍存...

前运动阶段的脑电图帮助脑机接口识别运动意图 背景与研究目的 脑机接口(Brain-Computer Interface, BCI)是一项通过神经信号直接翻译人类意图以控制设备的技术，具有广泛的应用前景[1]。脑机接口有可能改变日常生活、娱乐、通信、康复以及教育等多个领域。然而，现阶段基于运动意图的脑机接口存在一些挑战，特别是前运动阶段的脑电图（EEG）特征不明显且容易受注意力影响，这制约了运动BCI性能的提升。 基于上述背景，河北工业大学健康科学与生物医学工程学院、可靠性与智能化电气设备国家重点实验室和天津生物电磁技术与智能健康重点实验室的Yuxin Zhang、Mengfan Li、Haili Wang、Mingyu Zhang和Guizhi Xu（通讯作者）针对如何在前运动编码时加入准备...

基于高频稳态视觉诱发场的视觉脑机接口 背景介绍 脑机接口（Brain-Computer Interface, BCI）技术通过解码特定的脑活动信号，使用户能够控制机器。尽管侵入性BCI在捕获高质量脑信号方面表现出色，但其应用主要局限于临床环境。而非侵入性方法，如脑电图（Electroencephalography, EEG），则为广泛应用BCI提供了更具可行性的途径。然而，由于脑脊液和颅骨的影响，EEG信号在传播过程中会变得非常微弱，且颅骨的差异性和各向异性导电性让定位EEG信号位置变得更加困难。 磁源成像（Magnetoencephalography, MEG）是一种非侵入性成像脑活动的方法，它在捕捉精细空间信息方面优于EEG。这种优势主要源自磁通量不会像电流那样受到衰减。然而，传统MEG...

跨主体脑机接口：基于卷积神经网络的领域对抗训练实现实时注意力解码 学术背景 注意力解码在我们日常生活中扮演着至关重要的角色，其基于脑电图（EEG）的实现已经引起了广泛关注。然而，由于EEG信号在个体间的显著差异性，为每个人训练一个通用的模型在实践中是不可行的。因此，本文提出了一种端到端的脑机接口（BCI）框架，旨在解决这一挑战，特别是利用了时间和空间的一维卷积神经网络（1D CNN）及领域对抗训练策略（Domain-Adversarial Training）。 传统注意力解码方法通常依赖于预定义的特征提取和模式分类技术，如线性判别分析（LDA）和支持向量机（SVM），但这些方法在处理跨主体数据时表现出局限。另外，深度学习方法虽然在分类性能上表现出色，但如何处理EEG信号的显著个体差异性依旧是...