使用多波长激发的荧光光谱法稳健估计荧光团的显式基线模型

研究背景 荧光光谱是一种广泛应用于识别和量化荧光物质(荧光团)的方法。然而,当材料中包含其他荧光团(基线荧光团)时,量化感兴趣的荧光团变得具有挑战性,特别是当基线的发射光谱未明确定义且与目标荧光团的发射光谱重叠时。为了准确区分并量化这些荧光物质,研究人员提出了基于多波长激发荧光光谱的新方法。这项研究的主要目标是解决基线荧光干扰这一问题,并提供一种无需先验假设的稳健估计算法。 论文来源 这篇名为《An Explicit Estimated Baseline Model for Robust Estimation of Fluorophores Using Multiple-Wavelength Excitation Fluorescence Spectroscopy》的论文,作者包括A. Ga...

多视角时空图卷积网络与域泛化在睡眠阶段分类中的应用

睡眠阶段分类在睡眠质量评估和疾病诊断中至关重要。然而,现有的分类方法在处理时间延变的多通道脑信号的空间和时间特征、应对个体生物信号差异以及模型的可解释性方面仍然面临诸多挑战。传统的机器学习方法依赖于复杂的特征工程,而深度学习方法尽管在特征表示学习上表现出色,但在空间-时间特征利用、跨个体泛化能力以及模型可解释性方面仍有待提升。 为了应对上述挑战,北京交通大学的Ziyu Jia等人以及麻省理工学院的Li-Wei H. Lehman提出了一种多视角时空图卷积网络(Multi-View Spatial-Temporal Graph Convolutional Networks, MSTGCN),并结合域泛化用于睡眠阶段分类。 论文来源 这篇论文由北京交通大学计算机与信息技术学院的Ziyu Jia,...

具有注意力机制的时间依赖学习卷积神经网络在运动想象脑电解码中的应用

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...

物理信息驱动深度学习用于肌肉骨骼建模:基于表面肌电图预测肌肉力量和关节运动

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...

基于深度学习的实时视觉学习者识别模型

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,...

经皮脊髓刺激恢复脊髓损伤后手臂和手功能

经皮脊髓刺激恢复脊髓损伤后手臂和手功能

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...

多特征注意力卷积神经网络用于运动想象解码

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...

基于Transformer的深度学习网络与时空信息结合的原始EEG分类方法

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...

通过肌电控制的机器人手训练揭示慢性中风中双侧脑半球平衡恢复的神经机制

通过肌电控制的机器人手训练揭示慢性中风中双侧脑半球平衡恢复的神经机制

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,...

基于小波的时间-频谱-注意力相关系数用于运动想象EEG分类

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,...