科学数据报道 | K-emophone: 一种带有原地情绪、应激和注意力标签的移动和可穿戴数据集 背景介绍 随着低成本移动和可穿戴传感器的普及，许多研究已经利用这些设备来跟踪和分析人类的心理健康、生产力以及行为模式。然而，迄今为止，尽管在实验室环境下采集的数据集已有所发展，仍存在缺少在真实世界情境中采集到情绪、应激和注意力等标签的数据集，这限制了情感计算 (Affective Computing) 和人机交互 (Human-computer Interaction) 领域的研究进展。 研究来源 本文的研究由Soowon Kang、Woohyeok Choi、Cheul Young Park、Narae Cha、Auk Kim、Ahsan Habib Khandoker、Leontios Ha...

基于深度学习的运动想象EEG分类通过利用皮层源成像的功能连接 研究背景与动机 脑-机接口（BCI）是直接解码并输出脑活动信息的系统，无需依赖相关的神经通路和肌肉，从而实现外部设备的通信或控制。在BCI系统中，常用的信号包括脑电图（EEG）、脑磁图（MEG）和功能性磁共振成像（fMRI）。其中，EEG是最常用的信号，因为它具有非侵入性、易于实施、成本低和无伦理挑战等优点。 运动想象（Motor Imagery, MI）是BCI中的一个重要范式，在无刺激条件下，运动想象任务期间会自发地产生运动想象EEG信号（MI-EEG）。MI-EEG信号中可能嵌入了运动皮层在运动意图期间的神经活动模式表示，因此解码MI-EEG信号已成为热门研究课题，以通过BCI系统实现对外部设备的精神控制。 现有的MI-EE...

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...

肌骨模型已经广泛用于生物力学分析，因为它们能够估计难以通过活体直接测量的运动变量（如肌肉力量和关节力矩）。传统的物理驱动计算肌骨模型可以解释神经驱动到肌肉、肌肉动力学、以及身体和关节运动学和动力学之间的动态交互。然而，这些模型由于其复杂性，运行速度较慢，难以实现实时应用。近年来，数据驱动方法以其实现速度快和操作简单的优点成为一种有前途的替代方案，但它们不能反映基础的神经机械过程。 本文提出了一种融合物理知识的深度学习框架，用以实现肌骨建模。在该框架中，将物理领域的知识引入数据驱动模型，作为软约束对其进行罚则/正则化处理。本文采用表面肌电图（SEMG）同步预测肌肉力量和关节运动学作为示例，使用卷积神经网络（CNN）实现该框架，并在两个数据集上进行了实验验证，展示了该框架的有效性和鲁棒性。 论文...

脑机接口（Brain-Computer Interface, BCI）是将神经系统与外部环境连接的一种通讯手段。运动想象（Motor Imagery, MI）是BCI研究的基石，它指在运动执行前的内在演练（Internal Rehearsal）。非侵入性技术如脑电图（Electroencephalography, EEG）因其成本效益高与便利性，可以高时间分辨率记录神经活动。当受试者想象移动身体特定部位时，大脑特定区域会发生能量变化（ERD/ERS），这些变化可以通过EEG记录并用于辨别运动意图。MI基础的BCI系统已经取得显著进展，能够控制外骨骼和光标，特别是与虚拟现实技术结合，用于中风康复的潜力更为显著。 目前，MI解码方法的高性能是这种系统成功的关键。然而，相比于依赖外部刺激的其它BC...

通过EMG驱动的机器人手训练揭示慢性中风患者跨半球平衡恢复的神经机制：来自动态因果建模的见解 中风是一种常见的致残原因，其中大部分中风幸存者会患上上肢瘫痪。上肢功能受损的后果可持续六个月以上，只有少数中风幸存者 (少于12%) 能完全康复。为了恢复这些患者的日常生活能力，提高他们的生活质量，研究人员一直致力于开发中风后运动康复方案。 近年来，使用机器人辅助装置进行上肢康复的研究引起了广泛关注。机器人康复提供了一种一致、密集且互动的训练体验，能够吸引患者积极参与。综合分析显示，接受机器人辅助训练的个体在上肢的Fugl-Meyer 评估 (FMA-UE) 分数以及上肢的功能活动方面都有显著改善。然而，针对腕部和手部功能的机器人在运动控制和日常生活活动的改善方面效果有限。随着意图驱动机器人的引入，...

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...

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...

帕金森病(Parkinson’s Disease, PD)患者通常会经历步态障碍，这种障碍严重影响他们的生活质量。以往的研究表明，基底神经节的β频率(15-30 Hz)振荡活动可能与步态障碍相关，但这些振荡活动在步态过程中的确切动态信息尚不清楚。此外，已有研究发现音频提示可以改善PD患者的步态运动学，如果能更好地了解这一提示的神经生理机制，则可以通过自适应深部脑刺激(ADBS)技术治疗步态障碍。因此，本研究旨在描绘步态过程中丘脑下核(subthalamic nucleus, STN)振荡活动的动态特征，并探索音频提示调节步态的神经生理机制。 来源和作者信息 本文由Chien-Hung Yeh、Yifan Xu、Wenbin Shi、James J. Fitzgerald、Alexander ...