跳到正文

算法、任务与模态

EEG-EMG 最新动态

EEG-EMG 研究索引；按可核对的标签归档，不以热度评价质量。

23 条精选近 30 天 4 条共收录 40 条

更新

精选归档 · 第 2 页

6月15日周三第 21–23 条
  1. OpenReview · EEG70

    使用低成本消费级 EEG 硬件采集的运动想象与静息数据集

    基于摘要分析。本研究面向低成本消费级设备及非受控环境中的 BCI 信号解码，提供优势手抓握运动想象（MI）与静息两种条件的 EEG 数据集，并以同步 EMG 监测筛除肌肉活动超过阈值的试次。 采集协议：作者报告纳入 10 名无 BCI 使用经验的参与者，其中女性 4 名，均为右利手，年龄为 26.1 ± 4.0 岁。每人完成单日约 1.5 小时的会话，共五轮。RUN0 为协议熟悉环节，包含真实抓握动作与静息各 5 个试次，用于帮助参与者理解流程并关注动作感觉；RUN1–RUN4 每轮包含运动想象与静息各 20 个试次，随机呈现。RUN0 的真实动作数据应与后续 MI 数据区分，不能直接视为同一任务。 信号与质量控制：EEG 使用覆盖感觉运动区域的 15 个电极，以 125 Hz 采样，采集期间进行 0.5–45 Hz 数字带通滤波。另以两个电极监测优势手腕屈伸相关拮抗肌的 EMG；作者分析肌电污染程度，并丢弃 EMG 活动高于预设阈值的 EEG 试次。记录在非屏蔽办公室内完成，使用低成本消费级设备及免费、跨平台的开源软件。设备型号、参考方式、EMG 阈值和筛除后有效试次数尚未验证。 研究价值与边界：作者将该数据集定位于运动康复 BCI，并认为其适合探索未来居家使用所需的稳健解码技术；摘要未提供分类结果或居家部署验证。平台推测（待验证）：其采集环境与设备条件可用于考察实际噪声下的 MI/静息解码，但单日会话不能直接支持跨会话稳定性结论，健康、无使用经验参与者的数据也不能替代康复患者验证。复现时需核对数据获取方式、事件标注、EMG 筛除规则，以及被试内与跨被试划分；实验协议细节、基线、消融及统计信息尚未验证。

    阅读价值：该数据集提供低成本设备、非屏蔽办公环境下的运动想象与静息 EEG，并通过同步 EMG 筛查肌肉活动污染，值得用于评估日常环境中的解码稳健性，但居家 BCI 有效性尚未验证。

1月1日周一
  1. OpenReview · EEG73

    使用卷积神经网络的多通道睡眠分期与迁移学习

    基于摘要分析。该研究面向多导睡眠监测中的自动睡眠分期，比较直接处理原始生理波形的 CNN 方法，并针对较少见疾病的数据不足问题，提出在大型公共数据上预训练、再对较小数据集中各被试进行微调的迁移学习流程。研究对象是睡眠分期，而非 BCI 控制任务。 方法与数据：作者在四个包含健康及病理被试的数据库上比较已有 CNN 方法，信号涉及 EEG、EOG 和 EMG。作者报告，增加 EOG、EMG 传感器数据具有优势；但摘要未说明具体通道配置、信号融合方式、模型结构、损失函数及训练设置，这些信息尚未验证。 结果：在上述数据库比较中，作者报告最佳模型在健康被试上的 Cohen's Kappa 为 κ = 0.75，在患有多种睡眠障碍的患者上为 κ = 0.64。摘要未给出被试内或跨被试划分、各数据库对应结果与统计不确定性，因此不能将两组数值直接解释为疾病导致的性能下降。作者还在一个私有 REM Behaviour Disorder 数据库上演示迁移流程，报告睡眠分类改善 24.4%；摘要没有明确这一改善对应的指标，以及是相对提升还是绝对变化，不能换算为 Accuracy 或百分点。 复现与核对重点：应核对公共预训练数据与目标数据的组成、各被试微调所需标签量、训练与测试划分，以及是否存在不使用迁移学习的同协议对照。私有目标数据库的可获取性也会影响独立复现。实验协议、消融及统计信息尚未验证；现有摘要证据不能证明该流程可直接推广至其他 EEG 或 BCI 任务。

    阅读价值：该研究值得阅读的具体原因是比较了原始多通道生理信号的 CNN 睡眠分期，并探索公共数据预训练与小规模疾病数据微调的可行性，但迁移收益的指标定义与评估划分仍需核对全文。

1月1日周日
  1. OpenReview · EEG75

    基于 EEG 皮层电流重建屈肌与伸肌活动

    基于摘要分析。本研究针对 EEG 传感器混合多个皮层区域信号、难以分离单块肌肉活动的问题，使用层次贝叶斯 EEG 逆解方法估计皮层电流，再从这些电流重建主动肌与拮抗肌的活动时间序列。研究对象是实际等长腕部运动中的肌肉活动解码，而非运动想象或已验证的在线 BCI 控制。 技术路径是将传感器空间 EEG 转换为皮层源空间表示，再建立肌肉活动重建模型；目标信号为经过滤波的 EMG。摘要未提供逆解的具体先验、重建模型形式、训练损失或推理设置，不能据此判断如何实现或复现。 作者报告，在 5 名志愿者执行右腕等长屈曲与伸展任务的实验中，使用 EEG 皮层电流能够较好地重建单块肌肉的活动时间序列及不同用力水平下的肌肉活动，且重建准确性显著高于直接使用 EEG 传感器信号的方法。摘要未给出准确性的具体定义、数值、数据划分或统计检验细节，因此不能将这一结论延伸为跨被试、跨会话泛化能力。 作者还报告，重建模型中对屈曲和伸展贡献较高的皮层源在空间上互不重叠，尽管它们被映射到同一皮层区域。作者据此认为，该逆解方法能够较合理地分离 EEG 混合信号，并将结果表述为利用 EEG 皮层电流重建主动肌与拮抗肌活动时间序列的首次证据；该优先性主张尚未独立核对。 复现时需核对 EEG 与 EMG 的采集和滤波流程、皮层源建模所需信息、训练与测试划分，以及源空间与传感器空间对照的匹配条件。实验协议、消融及统计信息尚未验证。摘要所述证据限于上述等长腕部任务，尚不能确认其对自然灵巧运动、在线连续控制或其他被试与会话的适用性。

    阅读价值：值得核对其皮层源空间重建相较直接使用 EEG 传感器信号的增益，以及屈肌与伸肌解码权重的空间分离证据，但验证划分和准确性指标尚未验证。