在如今的教育环境中，理解学生的学习风格对提高他们的学习效率至关重要。特别是视觉学习风格（visual learning style）的识别，有助于教师和学生在教学和学习过程中采取更有效的策略。目前，自动识别视觉学习风格主要依靠脑电图（Electroencephalogram, EEG）和机器学习技术。然而，这些技术通常需要离线处理来消除伪影和提取特征，从而限制了其在实时应用中的适用性。 这项由Soyiba Jawed、Ibrahima Faye和Aamir Saeed Malik在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表于2024年的研究，提出了一种基于深度学习技术的实时视觉学习者识别模型，...
脊髓损伤（Spinal Cord Injury, SCI）导致的上肢瘫痪大大影响了患者的独立性和生活质量。在SCI的患者群体中，恢复手部和臂部动作的控制被认为是最高优先级的治疗目标，这个需求远超于恢复行走能力。然而，目前改善上肢功能的临床方法并未能达到恢复独立生活的效果。传统的运动疗法和功能性电刺激（Functional Electrical Stimulation, FES）、体感刺激（Somatosensory Stimulation）以及经颅磁刺激（Transcranial Magnetic Stimulation, TMS）等方法在提升运动功能方面的效果较为有限。 近年的研究表明，通过电刺激技术可以激活受损部位下方的脊髓回路，从而恢复主动运动功能。特别是通过植入电极的脊髓电刺激技术展...
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...
研究背景 脑机接口技术（brain-computer interface, BCI）可以实现大脑与外部设备的直接通信，广泛应用于人机交互、运动康复、医疗等领域。BCI的常见范式包括稳态视觉诱发电位（steady-state visual evoked potentials, SSVEP）、P300、运动想象（motor imagery, MI）等。其中，MI-BCI因其广泛应用前景而备受关注。 MI-BCI通常使用脑电图（electroencephalography, EEG）信号检测运动想象，使得用户能够通过想象运动来控制设备，如电动轮椅、光标和上肢机器人。然而，脑活动的不稳定性和低信噪比（signal-to-noise ratio, SNR），以及个体间信号的差异和EEG信道间的相关性，...
研究背景及目的 近年来，脑机接口（Brain-Computer Interface，BCI）系统在神经工程和神经科学领域广泛应用，而脑电图（Electroencephalogram，EEG）作为反映中枢神经系统不同神经元群体活动的数据工具，已经成为这些领域中核心的研究内容。然而，EEG信号具有低空间分辨率、高时间分辨率、低信噪比以及个体差异大等特征，这些都为信号处理和准确分类带来了极大的挑战。尤其在运动想象（Motor Imagery，MI）这一EEG-BCI系统常用范式中，准确分类不同MI任务的EEG信号对于BCI系统的功能恢复和康复具有重要意义。 传统的MI-EEG分类方法通常基于手工特征提取和分类，但这些方法可能在特征提取阶段丢失EEG的有用信息。近年来，深度学习模型因其自动特征提取和...
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）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...
电子电气工程师学会 (IEEE)《神经系统与康复工程事务》2021年第29卷刊登了一篇题为《一种基于注意力深度学习的单通道EEG睡眠阶段分类方法》的文章。本文由Emadeldeen Edele、Zhenghua Chen、Chengyu Liu、Min Wu、Chee-Keong Kwoh、Xiaoli Li及Cuntai Guan等学者撰写。文章的主要目的是提出一种新型的基于注意力的深度学习模型，用于通过单通道的脑电图（EEG）信号进行自动睡眠阶段分类。 研究背景 睡眠是人类重要的生理过程，直接影响到每日生活的各个方面。有研究表明，高质量的睡眠能够促进身体健康和脑功能的提升，而睡眠中断则可能导致失眠或睡眠呼吸暂停等睡眠障碍。睡眠阶段（如浅睡和深睡）对免疫系统、记忆和代谢等起着关键作用，因此...
论文题目：heuristics in risky decision-making relate to preferential representation of information 研究背景 在进行选择时，个体不仅彼此之间存在差异，而且也偏离了规范性理论的建议。这种差异的一个解释是个体在评估选择选项时具有独特的信息表示偏好。本文作者提出的假设是：在选择评估过程中，个体对不同来源信息的依赖反映了对最具信息价值刺激的偏好表示。 近年来，决策理论指出个体应该通过计算预期效用来评估选择的价值。然而，心理学家长期以来观察到参与者通常使用启发式方法，而不是完全依照预期效用的计算策略。这些启发式方法包括不恰当地加权效用或概率信息等。虽然一些模型已经参数化了人们对信息类型的启发式依赖，但具体的神经认知...