- 综合排序
- 最热优先
- 最新优先
- 来自专栏脑机接口
运动想象系统的原理
第一部分：运动想象系统的原理及组成[1] ---- ? 图1来源于文献[1] 图1详解：想象左手右手运动的ERD现象。 图片来源于网络 运动想象系统的生理基础是：当人在想象躯体不同部位的运动时，会相应的激活大脑的不同功能区域，从而产生具有不同特性的脑电信号。 图1 展示了想象左手和右手运动时，大脑头皮上检测出的ERD现象。当想象左手运动时，大脑右侧皮层的运动区域出现ERD 现象，相关区域的Mu 波和Beta 波振幅减小，能量降低。 当想象不同部位运动时，EEG信号所包含的特性出现差异，而运动想象系统就是根据这些差异，有效地区分想象运动所产生的EEG信号，从而获知被试的运动意图。 运动想象系统是指对想象运动产生的EEG信号进行解码，从而获知被试的运动意图，将相应的控制命令传给外接设备，达到人机交互的目的。
2.2K20发布于 2020-06-30 - 来自专栏脑机接口
TensorFlow处理运动想象分类任务
本文代码来源于东北电力大学和长春理工大学研究团队的研究成果《A novel approach of decoding {EEG} four-class motor imagery tasks via scout ESI and CNN》。
61930发布于 2020-07-22 - 来自专栏脑机接口
伸手运动想象训练与伸手抓取想象的关系
本研究旨在确定为期4周的目标导向性伸手（抓取任务）的运动想象训练（MIT）是否会以相同的方式影响伸手（MIR）和抓取（MIG）运动想象的皮质活动。 根据《运动想象问卷修订版第二版》的评估，他们也有中等程度的运动感官想象运动任务的能力（32±8）。注意，该模式的最小值为7，最大值为49。此外，志愿者没有运动或神经损伤。 在选定的电极和测量阶段（前后），在达到运动想象（MIR）和抓取运动想象（MIG）期间ERP的个体模式。垂直线表示触发器发生的时间，箭头表示ERP振幅。 热图描述了在运动想象训练前后四周的达到运动想象（MIR）和抓取运动想象（MIG）之间的ERP振幅两两比较的P值。 这种效应在“伸手”的想象上比“抓住”的想象上更为明显。在两个任务和会话中，前运动皮层上方的电极的ERP振幅都高于感觉运动皮层。
37330编辑于 2023-02-14 - 来自专栏CreateAMind
神经网络的运动预测-运动想象 论文、code及视频
、Visual Dynamics: Probabilistic Future Frame Synthesis via Cross Convolutional Networks 运动信息的学习对机器人思维和行动都非常重要 ，这篇论文提出了运动信息的学习和预测。 对不同图片中物体的运动预测提出了新的模型及好的实验结果 代码： https://github.com/tensorflow/models/tree/master/next_frame_prediction
61620发布于 2018-07-25 - 来自专栏脑电信号科研科普
利用fMRI验证运动执行和想象期间辅助运动区fNIRS激活
本研究关注的是辅助运动区（SMA）。共招募16名健康老年人被试完成分离的连续波（CW）fNIRS和fMRI检测。任务包括手部运动执行和运动想象（MI）以及想象全身运动。 在大多数运动神经反馈和运动BCI应用中，大脑激活是通过要求用户想象运动来产生的。对运动感觉的心理模拟被称为动觉运动想象（MI）。 在两项fMR1研究中，患者在接受来自辅助运动区(SMA)的神经反馈的同时，在少数几个疗程中想象全身运动。除了受PD影响的皮层下脑区外，在这些个体中SMA是已知的高度不活跃区域。 为了给未来的fNIRS SMA上调神经反馈训练方案铺平道路，我们在此研究了fNIRS是否能可靠地捕获运动执行和运动想象诱导的SMA激活。 MI任务是想象双侧全身运动，包括手臂和腿，如游泳，并且被试有执行该动作的经验。要求被试自己提供想法，没有提供示例。 fNIRS数据使用NIRScout816设备记录。
68730编辑于 2022-05-23 - 来自专栏脑机接口
运动想象脑机接口编码：运动想象的执行与能力评估及提高方法 || 伏云发教授等
1、实际运动、动觉运动想象 与视觉运动想象 肢体或身体其他部位的运动对人们的日常生活极为重要，运动功能的障碍或丧失会给患者的生活带来极大的不便[5-6]。 BCI 中的 MI 范式涉及肢体或身体其他部位运动的想象，大多数 MI-BCI 文献报道的是动觉运动想象（kinesthetic motor imagery，KMI），但实际上还有另一类 MI 是视觉运动想象 1.4 实际运动、动觉运动想象和视觉运动想象的比较 1.4.1 执行的差异 ME 是自己执行的显式运动，自己和他人往往能够观察到该运动的外在表现，是长期大量训练而习得的自然运动，已习惯或自动化了，容易执行 2、动觉运动想象 和视觉运动想象能力的评估方法 一些被试 MI 能力较强，但也有一些被试 MI 能力较差或没有 MI 能力（MI 盲[23]）。 表4 CMI test 中 1 个任务的 6 个想象控制项示例 CMI test 要求被试想象一种基本的运动姿势（即第 1 个想象控制项），然后根据实验指导语依次想象控制或操纵该姿势。
3.3K40编辑于 2022-09-22 - 来自专栏脑机接口
运用运动想象机制控制用于交流的BCI
在本论文中，我们讨论了两种通过记录与运动想象相关的神经活动的非侵入性BCI来进行交流的方法。第一种方法使用与肢体运动想象相关的感觉运动节律的调控，来连续地修改人工语音合成器的输出。 第二种方法是通过检测单次运动想象试验中与事件相关的神经活动变化，来控制一种增强和替代性的商用通信设备。 该BCI基于之前对脑电感觉运动节律连续二维控制信号的解码[14]。在之前的研究中，参与者通过肢体运动想象来调节感觉运动节奏，从而学会控制二维光标。 参与者被要求在面对/a/刺激时想象移动他们的右手运动，/u/刺激时想象他们的左手移动，/i/刺激的想象他们的脚移动。 在训练过程中，参与者被要求在整个3 s刺激期间想象合适的动作。 3.2 结果 训练卡尔曼滤波解码器的过程揭示了预期运动想象的对侧的左右感觉运动区(C, CP和FC电极)的非对称的线性模型权重分布。
72530编辑于 2023-02-14 - 来自专栏脑机接口
基于脑机接口的闭环运动想象脑电图仿真
一种成熟的方法是基于感觉运动节律（SMR）的运动想象BCI，它允许用户通过检测和解码与真实和想象的运动相关的SMR模式来控制物理或虚拟世界中仿真的运动。 来自宾夕法尼亚州卡内基梅隆大学生物医学工程系的Hyonyoung Shi等人通过正向建模和新的运动想象编码模型，用于在闭环环境中进行基于SMR的连续光标控制实验，从而提出一种生成运动想象脑电图（EEG） 该团队展示了闭环运动想象脑电模拟的优点，并为未来基于闭环SMR的BCI研究提供了一个开源框架。 编码模型被简单地定义为一组Sigmoid函数（图1），其数量取决于所使用的运动想象范式：1D使用2个函数，而2D使用4个函数。 综上所述，他们开发了一个运动想象脑电BCI模拟器，为闭环运动想象脑电生成提供了一个框架。这种框架有助于促进运动想象BCI和非侵入性BCI系统的在线测试。
1.1K30编辑于 2023-02-14 - 来自专栏脑机接口
运动想象，脑电情绪等公开数据集汇总
运动想像数据 Left/Right Hand MI: http://gigadb.org/dataset/100295 Motor Movement/Imagery Dataset: https:/
2.6K30发布于 2020-09-30 - 来自专栏脑机接口
偏手性对感觉运动节律、去同步和运动想象BCI控制的影响
今天Rose小哥分享一篇Nature上的关于偏手性对感觉运动节律、运动想象BCI控制方面的影响。 在涉及到手部运动的BCI实验，比如运动想象实验中，偏手性对实验的影响需要考虑到。 根据该项研究可知在运动想象任务中，SMR的侧向性根据利手性的不同而有所不同。 本项研究填补这一空白，通过比较运动想象和实时反馈BCI控制中的SMR模式，在右(N = 20)和左手(N = 20)。该项研究结果表明，在运动想象任务中，SMR的侧向性根据利手性的不同而有所不同。 离线会话:运动想象任务 想象任务中的脑电图记录程序是根据Hwang, Kwom和Im使用的范例改编的。从显示视觉提示开始记录数据，一直持续到想象任务结束(如下图)。 为了提高识别两类想象运动的效率，还对这些数据进行了空间过滤，即公共空间模式(CSP)。
75320发布于 2020-07-01 - 来自专栏脑机接口
CNN+LSTM--一种运动想象分类新模型
说到运动想象（motor imagenation, MI), 我们都很熟悉，它是指个体在心理上模拟给定动作时的动态状态。 如何通过运动想象的脑电信号来分类个体的心理意图，一直是研究人员关注的重点，MI信号可以用于控制外部设备，如大脑控制的机器人、大脑控制的外骨骼、自动驾驶汽车等， 因此提高MI信号的分类准确性是极其有意义的 •受眼球运动伪影影响的 EEG 信号分类（数据集 2）。 •MEG 手腕运动方向的分类（数据集 3）。 •ECoG 中需要细粒度空间分辨率的歧视（数据集 4）。 [10个MEG通道（过滤到0.5-100Hz），400Hz采样率，4个班级，2个科目] 数据集 4： 《ECoG 中的手指运动》 由 西雅图华盛顿大学物理和医学系( Kai J. Miller ) 和 纽约州卫生部沃兹沃斯中心 ( Gerwin Schalk ) 提供 个人屈曲期间的 ECoG 数据五个手指；使用数据手套获取的运动。
4K72编辑于 2023-02-14 - 来自专栏脑机接口
EEG-MI 基于EEG信号的运动想象分类实验
近年来，研究脑电信号的任务不断增长，范式主要包括：运动想象数据，情绪识别数据，误差相关电位(ErrP)，视觉诱发电位(VEPs)，事件相关电位(ERPs)，慢皮质电位(SCPs)，休息状态音乐与EEG， 本次实验研究了运动想象（MI-EEG）任务，该任务是人在想象自己肢体（或肌肉）运动但没有实际运动输出时，人的特定脑区仍会有激活，目前常见的运动想象部位为：左右，右手，双脚和舌头。 测试者的状态包括T0：静息态，T1：想象左手松开/握紧，T2：想象右手松开/握紧。 ? 将560个时间戳看成28×20大小的一张图片作为输入，输出是三种类别：T0、T1、T2（静息态，想象左手，想象右手）。一个样本大小为28×20×1，输出为预测类别。batch大小为64。 脑机接口导论[M].北京机械工业出版社.2016-7 [8] 王洪涛.邹鹤良.李达强.何国渊.基于左右手运动想象的在线算法设计与应用.数据采集与处理第28卷第6期2013年11月829-833 文章来源于网络
2.6K30发布于 2020-07-29 - 来自专栏脑机接口
运动想象系统中的特征提取算法和分类算法
（4）鉴于脑电信号的非线性特性和运动想象时的节律特性，提出了小波模糊熵的特征提取方法，利用小波变换将EEG信号进行小波分解，得到对应运动想象EEG信号的alpha和beta节律，然后采用模糊熵方法提取特征 LDA 是运动想象系统中最常用的分类器，在历届的脑机接口竞赛中都被许多参赛者使用。 近年来，结合运动想象的特点，许多基于LDA 的改进方法也被提出来，比如自适应LDA、贝叶斯LDA等，并且都取得了很好的分类性能。 贝叶斯分类器也广泛的使用于运动想象系统，对特征进行分类。 参考: 运动想象脑电信号特征提取与分类研究 基于协方差特征的EEG解码及其在运动想象脑机接口系统的应用研究 [请关注]
2K00发布于 2019-11-04 - 来自专栏脑电信号科研科普
通过沉浸式虚拟现实观察动作增强运动想象训练
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 1、研究背景 增强运动想象的一种方法是动作观察，也就是观察与运动想象任务相关的身体部位的运动。 (2)基于显示器显示的运动想象(MD-MI)：在运动想象训练中使用非沉浸式显示器显示相同场景的实验。 以MD-MI结果为对照，分析VR对运动想象的影响。 每个运动想象实验由六个阶段的10个连续的运动想象实验组成。如果需要，参与者可以在两次阶段之间休息。 在指导期(左手运动想象 t<1.0s，右手运动想象 t<1.4s)和静息期结束时(左手运动想象 t>7.0s，右手运动想象 t>7.2s)，两组间差异无统计学意义。 在通过反复训练练习运动想象方面，不仅证实了重复动作观察会影响受试者的运动想象表现，而且发现使用VR头戴式耳机可能会以更少的时间成本提高运动想象表现。
1.2K00发布于 2020-11-20 - 来自专栏脑机接口
基于深度学习网络的运动想象BCI系统及其应用
研究人员提出了一种基于深度学习模型的运动想象脑机接口(BCI)。运动想象的脑动力学通常通过EEG作为低信噪比的非平稳时间序列进行测量。 运动想象(MI)是BCI领域的一个重要研究课题。所谓运动想象脑电，就是想象某种肢体运动时的脑电模式。 想象肢体运动时，对应皮层投射区域出现脑电节律调制现象。 不同运动想象任务时所激活的脑区如下图1所示，其空间分布符合周围神经纤维与大脑皮层投射关系，与脑功能分区图相一致，因此，运动想象脑电信号具有空间特性。 图1 不同运动想象任务时所激活的脑区 由于运动想象是通过对肢体运动的成像来模拟给定的动作，它会使得大脑皮层神经元之间的连接发生各种变化。
1.6K10发布于 2020-07-07 - 来自专栏脑机接口
运动想象脑机接口控制机器人的研究概述
内源性BCI是基于大脑节律的自我调节，不需要任何外部刺激，它们与人类的运动意向密切相关，可更好地反映主体的自主意向，因此也被称为主动BCI。运动想象（MI）是最常用的外源BCI范式。 图1 由运动想象BCI控制的机器人的唤起范式、信号处理和应用概述图。 西安科技大学的Jincai Zhang和Mei Wang撰写的这篇综述从三个方面回顾了基于运动想象BCI的机器人的发展历程：唤起范式、信号处理算法和应用场景。图1具体显示了这篇综述中涉及的研究内容。 运动想象任务下的特征提取主要是针对频域和空间信息。常见的方法包括傅里叶变换、自动回归模型、小波变换、普通空间模式等。傅里叶变换的类型包括快速傅里叶变换和离散傅里叶变换。 为了解决这个问题，Choi等人利用MI-BCI系统将运动想象的EEG信号转化为轮椅运动的控制指令，为那些残疾人提供了一种独立运动的方式，提高了患者的日常生活质量。
1.1K50编辑于 2023-09-28 - 来自专栏脑电信号科研科普
NeuroImage：步行动作观察和运动想象中EEG相位依赖性调制
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 神经影像研究主要研究运动的动作观察(AO)和运动想象(MI)期间的皮质活动在哪里被激活，以及它们是否与动作执行时激活的区域相匹配。 然而，目前还不清楚大脑皮层活动是如何被调节的，尤其是活动是否取决于观察或想象的运动相位。 1、背景 动作观察(AO)可以被定义为“对他人动作的感知”，而运动想象(MI)可以被定义为“没有任何运动输出的心理模拟或排练”。AO和MI都是运动模拟，激发与实际运动的计划和执行相关的皮质区域活动。 因此，相比AO，AO+MI将以一种与步行更相关的方式增强运动模拟。 在AO+MI和AO时，右侧感觉运动皮质的相位调制不明显。感觉运动皮质的偏侧化是因为受试者被要求观察和想象右腿，而不是左腿。 前扣带回皮质被认为在MI期间阻止实际动作的执行，因此，前扣带回皮质在AO+MI时的激活可能反映了对想象过程中实际运动的抑制。
76600发布于 2021-01-25 - 来自专栏脑机接口
深度神经网络对脑电信号运动想象动作的在线解码
近年来，深度学习方法的快速发展使得无需任何特征工程的端到端学习成为可能，这有利于BCI运动想象应用的发展。 基于BCI的运动想象(MI)描述了这样一个心理过程，在该过程中，一个人仅想像要执行某种动作，例如伸开或收缩左手或右手而不执行左手或右手。 深度学习方法的快速发展使得无需任何特征工程的端到端学习成为可能，这有利于BCI运动想象应用的发展。 将深度学习模型直接用于从原始EEG信号中解码运动想象，而无需任何人工特征工程。 要求受试者根据显示的提示想象一个动作(向左或向右)，持续4秒钟。MI任务之后是1.5s的放松期，这两个试验是分开的。在实验记录期间，未请求执行任何移动。
1.1K30发布于 2020-06-30 - 来自专栏脑机接口
运动想象系统的原理以及常见的特征提取算法和分类算法
Rose小哥今天给大家介绍一些运动想象系统的原理以及运动想象系统中常见的特征提取算法和分类算法。 第一部分：运动想象系统的原理及组成[1] ? 图片来源于网络 运动想象系统的生理基础是：当人在想象躯体不同部位的运动时，会相应的激活大脑的不同功能区域，从而产生具有不同特性的脑电信号。 当想象不同部位运动时，EEG信号所包含的特性出现差异，而运动想象系统就是根据这些差异，有效地区分想象运动所产生的EEG信号，从而获知被试的运动意图。 运动想象系统是指对想象运动产生的EEG信号进行解码，从而获知被试的运动意图，将相应的控制命令传给外接设备，达到人机交互的目的。 [3] 基于运动想象的脑-机接口的算法研究 [4]运动想象脑电信号特征提取与分类研究
4.4K20发布于 2020-07-01 - 来自专栏脑机接口
基于脑启发前向机制的图神经网络用于运动想象分类
其中，电脑图（EEG）作为BCI的重要组成部分，利用信号处理和深度学习技术，特别是在识别和分类运动想象信号方面发挥着重要作用。
45210编辑于 2024-05-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号