nvsirgn的博客

摘 要多式联运的证据表明，大脑区域会随着时间的推移而积累信息，时间尺度会根据解剖结构的层次而变化。因此，这些实验定义的“时间感受窗口”在远离感觉输入的皮质区域中最长。有趣的是，这些区域中的自发活动也在相对较慢的时间尺度上发挥作用（即，表现出较慢的时间自相关衰减），这些发现提出了这样一种可能性：层次时间尺度代表了大脑功能的内在组织原则。在这里，利用静息状态功能磁共振成像，我们表明，持续动力学的时间尺度遵循整个人类大脑皮层的层次空间梯度，这些内在的时间尺度梯度引起了大规模皮层网络之间的系统频率差异，并预测了

摘 要将长期记忆分为语义系统和情景系统是人类记忆组织研究的重要催化剂。然而，可变的认知控制需求对这一经典区别的影响仍有待阐明。在两个独立的实验中，我们直接比较了语义和情景记忆的控制和自动检索的神经过程。在多功能磁共振成像实验中，我们首先确定了一个共同的大脑皮层活动簇，集中在左额下回和前岛叶皮层，用于检索弱相关语义和弱编码的情景记忆痕迹。在一项独立的大规模个体差异研究中，我们进一步揭示了一种常见的神经回路，在这种回路中，已识别的簇和腹内前额叶皮层（默认模式的网络中枢）之间功能性相互作用的减少与两种记忆类型的

摘要脑电图（EEG）信号的高质量分类是在实际应用中使用基于EEG的脑机接口（BCI）技术的先决条件。由于脑电信号不稳定，信噪比差，并受到各种外部电磁波的污染，提取脑电信号的信息特征进行分类并不容易。一种可能的方法是从不同的渠道和角度集成功能以捕获更多信息，但是，更多功能需要更多的计算时间和计算机内存。此外，其中一些功能对分类没有多大作用。在本文中，我们采用Fuzzy-Rough选择方法从候选特征中选择信息量最大的特征，多个分类器用于根据所选特征对EEG信号进行分类，实验分析表明了该方法的有效性和效率。

近年来，脑机接口（BCI）系统的发展受到神经科学家的广泛关注，脑机接口可以作为一种沟通手段，并为运动障碍患者的运动功能恢复。脑机接口（BCI）设计的一个重要部分是正确地对脑信号进行分类，这些信号过去是通过脑电（EEG）采集的，然而，最近的研究表明，当EEG与fNIRS等其他神经成像方法相结合时，分类结果更为可靠。传统的分类方法需要先验特征预处理来训练模型，这样的特征选择是一个困难且研究较多的问题，通过使用深度神经网络（DNN），记录可以直接反馈给算法进行训练，避免了特征选择的需要。本研究探讨了DNNs在运

论文题目：《Real-time dialogue between experimenters and dreamers during REM sleep》摘要梦把我们带到一个不同的现实，一个幻觉世界，感觉和任何清醒的经历一样真实，这些常常离奇的事件是人类睡眠的象征，但尚未得到充分的解释。回顾性的梦境报告容易被扭曲和遗忘，这对梦境的神经科学研究提出了根本性的挑战。在这里，我们展示了处于清醒梦中（意识到他们目前正在做梦）的个体能够感知来自实验者的问题，并使用电生理信号提供答案。我们在36名受试者的多导睡

/ 论文题目 /《Real-time dialogue between experimenters and dreamers during REM sleep》摘要梦把我们带到一个不同的现实，一个幻觉世界，感觉和任何清醒的经历一样真实，这些常常离奇的事件是人类睡眠的象征，但尚未得到充分的解释。回顾性的梦境报告容易被扭曲和遗忘，这对梦境的神经科学研究提出了根本性的挑战。在这里，我们展示了处于清醒梦中（意识到他们目前正在做梦）的个体能够感知来自实验者的问题，并使用电生理信号提供答案。我们在36名受试者的

一个40hz低通滤波电路及其仿真设计40Hz电路f=1/t 40=1/t t=0.025st=0.7（R1+2R2）C2 大约推出R1=R2=32.4Ω C2=370vf仿真如下图联系我们扫描二维码，获取更多本篇由BCIduino脑机接口开源社区整理或撰写。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫码加入社群，备注"BCI"，也欢迎采购BCIduino脑电模块（某宝搜索即可）欢迎大家关注我们...

​一个555振荡电路及其解释555工作电压为5-18V，555芯片引脚图：内部结构：按分压器、比较器、RS触发器、输出级、放电开关几部分组成R-S触发器图解rs触发器由两个与非门正负反馈形成。R=0，S=1时，假设Q输出高，则与非门G2的一个输入端为高并且杠R=0，所以Q非为高，Q非为与非门G1的输入端并且S=1，所以Q输出低与假设矛盾，反之假设Q输出为低推导出来的结果与假设符合。R=1，S=0时，假设Q输出高，则与非门G2的一个输入端为高并且R=1，所以Q非为低，Q非为与非门G1的输入端并

​脑电数据的独立成分分析通过ICA（或任何线性分解方法，包括PCA及其衍生物）分解数据涉及从单头皮通道收集的数据到空间转换的“虚拟通道”的基础的线性变化。即代替同时记录的单通道数据记录的集合，将数据变换为应用于整个多通道数据的空间滤波器的同时记录的输出的集合。在原始头皮通道数据中，数据记录矩阵的每一行都代表一个源通道到一个数据通道和一个或多个参考通道之间的电压差总和的时间过程。在ICA分解之后，数据激活矩阵的每一行都给出了从通道数据中进行空间过滤的一个组件过程的活动的时程。在ICA分解的情况下，选择独

为了对ERP效应有一个更好理解，EEGLAB 有一个比较有特色的功能，即绘制 ERP图像。这个ERP图像是一个 2-D图像，其中的横轴是每个epoch的时刻值，纵轴是各个epoch的编号，而该图像中的每一点表示相应的epoch的相应时刻的电压值。至于纵轴上的各个epoch的顺序，EEGLAB 默认是按照它们在实验中出现的顺序进行排序。当然，研究者可以依据自己的个人兴趣，对各个epoch的纵轴顺序重新排序（例如，依据 subject reactiontime， alpha-phase at stimulus

选择数据周期并绘制数据平均值1.1 为两个条件选择事件和周期为了比较同一实验中两个或多个条件下受试者的事件相关脑电图动力学，首先需要创建包含每个条件周期的数据集。在我们的样本数据集的实验中，一半的目标出现在位置1，另一半出现在位置2（请参阅样本实验说明）。探索性步骤：为两个条件选择事件和周期选择Edit > Select epochs or events，将显示pop_selectevent.m窗口（如下所示）。在位置旁边的文本框中输入“ 1”，这将选择目标出现在位置1的所有周期。在结果

数据平均以前我们已经讨论了在与某类事件时间锁定的一组数据时期内发生的与事件相关的脑电动力学的方式，不仅限于或完全用其时间特征表示锁定的试验平均值或事件相关电位（ERP）。EEGLAB包含几个用于绘制数据集试验的一维ERP平均值的函数，EEGLAB还具有用于研究单次试验中表达的脑电动力学的功能，这些功能在很大程度上可以通过单次试验数据集的2D（试验的潜在时间序列）ERP图像转换（也称为“提取的数据”）。在ERP图像图中，首先沿某个相关维度对EEG数据周期（试验）进行排序（例如，受试者反应时间，试验内th

​要研究连续记录数据的事件相关脑电图动力学，我们必须通过从EEGLAB主用户界面选择Tools>extract epochs来提取锁定到感兴趣事件的数据周期（例如，锁定到一类实验刺激集的数据周期）。关键步骤7：提取数据周期单击弹出的pop_epoch.m窗口的右上角标记为“…”的按钮，该窗口将调出一个列出可用事件类型的浏览器框。在这里，选择事件类型square（在这个实验中，选择square目标刺激集），然后按OK。您也可以直接在pop_epoch.m窗口的上部文本框中键入选定的事件类型。

要开始处理数据，我们建议首先滚动数据，如图所示，然后拒绝明显“坏”的数据段，然后研究它们的功率谱，以确保加载的数据适合进一步分析。请注意，Matlab信号处理工具箱需要位于Matlab路径中才能使用这些函数。探索步骤：绘制通道功率谱和贴图要绘制通道功率谱和相关的地形图，请选择“图”>“通道功率谱和图”。这将弹出pop_spectopo.m窗口（如下）。保留默认设置，然后按OK。该函数应返回spectopo.m图（如下）。由于我们仅采样了15％的数据（通过上面的Percent data …编辑框

​要以二维或三维格式绘制脑电图头皮图，或估计数据成分的源位置，EEGLAB数据集必须包含有关记录电极头皮位置的信息关键步骤5：加载通道位置信息要加载或编辑数据集中包含的通道位置信息，请选择“编辑>通道位置”。如果以Neuroscan或Biosemi格式导入二进制数据文件，则通道标签将已存在于数据集中（在EEGLAB v4.31及更高版本中）。当您调用“通道编辑”窗口时，将出现一个对话框（如下所示），询问您是否要使用基于使用扩展国际10-20系统从通道位置文件导入的电极位置标签（例如“Fz”）的标

1、学习MatlabEEGLAB图形界面建立在强大的Matlab脚本语言之上。要使用EEGLAB构建宏命令和执行自定义和自动化处理的全部功能，就需要能够在Matlab中操纵EEGLAB数据结构。由于时间限制，这个wiki没有提供关于Matlab脚本语言的介绍。相反，用户需要在开始研究之前熟悉Matlab。2、安装EEGLAB和教程文件首先下载包含教程数据集的EEGLAB（30MB），附下载地址。（https://sccn.ucsd.edu/eeglab/downloadtoolbox.php）解压

02 基于肌电图的混合控制方法综述基于EEG-EMG的混合控制接口的基本思想是在控制方法中融合EEG和EMG信号，信号的融合可以以许多不同的方式进行，并且可能取决于特定应用和用户能力等因素。在这个混合接口中，结合了EEG信号和EMG信号，混合方法的应用可能有所不同，从一个简单的游戏控制应用程序，到假肢手臂控制应用程序。这篇综述的主要目的是研究生物机器人学的应用，例如假肢和外骨骼，因此范围缩小到研究混合EEG-EMG方法在生物机器人中的应用。如前所述，有许多可能的方法将肌电图和脑电图信号结合在一种特定的控

EXOduino开源手外骨骼有5个自由度，可以单独控制每一根手指的屈伸。#本篇由BCIduino脑机接口开源社区原创/转载（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫下面码加入社群，也欢迎采购BCIduino脑电模组、EMGduino肌电模组、EXOduino手外骨骼、EDUduino单通道脑电模块等（某宝搜索即可或者扫码详询）。我们的设备BCIduino是一款由航弈生物开发的低成本的面向入

EXOduino是线驱动方式，可以单独控制五个手指每个手指的屈伸。线驱动方式可以提供足够的力量，同时我们也提供了可以更换的手套，以便使用者自主更换长时间磨损之后的手套。#本篇由BCIduino脑机接口开源社区原创/转载（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫下面码加入社群，也欢迎采购BCIduino脑电模组、EMGduino肌电模组、EXOduino手外骨骼、EDUduino单通道脑电模块等（某

是，EXOduino手外骨骼兼容EDUduino单通道脑电设备，使用者可以直接控制外骨骼的抓握和伸掌。同时，EXOduino也兼容BCIduino多通道脑电设备与EMGduino多通道肌电设备，使用者需要对原始脑电与肌电数据进行处理和识别后，进而控制手外骨骼的抓握/伸掌等动作。#本篇由BCIduino脑机接口开源社区原创/转载（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫下面码加入社群，也欢迎采购B

一件EXOduino手外骨骼是单手手套，如果需要双手控制，则需要两套手外骨骼系统，每套可以单独使用串口/蓝牙传输指令进行控制。#本篇由BCIduino脑机接口开源社区原创/转载（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫下面码加入社群，也欢迎采购BCIduino脑电模组、EMGduino肌电模组、EXOduino手外骨骼、EDUduino单通道脑电模块等（某宝搜索即可或者扫码详询）。我们的设备

EXOduino手外骨骼的核心开发板是Arduino，我们同时也提供了外骨骼的代码程序，使用者可以根据自己项目的需求进行指令修改。#本篇由BCIduino脑机接口开源社区原创/转载（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫下面码加入社群，也欢迎采购BCIduino脑电模组、EMGduino肌电模组、EXOduino手外骨骼、EDUduino单通道脑电模块等（某宝搜索即可或者扫码详询）。我们的设

是，EXOduino默认通过HC05系列蓝牙与外界通信，用户可以通过手机APP或电脑等，通过蓝牙远程对外骨骼进行控制抓握等动作。#本篇由BCIduino脑机接口开源社区原创/转载（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫下面码加入社群，也欢迎采购BCIduino脑电模组、EMGduino肌电模组、EXOduino手外骨骼、EDUduino单通道脑电模块等（某宝搜索即可或者扫码详询）。我们的设备

仿生机器人手指本设计基于一个简单但有效的想法：使用主动肌和阻抗方法来实现机器人手指的弯曲和伸展，遵循一种生物启发的方法，即稳定的弹性体材料（硅胶片）对应人体伸肌肌腱，介绍了一种机器人手指的结构。弹性体材料显示在图像的下部（白板），而用于肌腱布线的低摩擦管与刚性指骨一起出现在图像的上部（白色管）。手指的底部也被描绘在图片的右侧。带多个槽的模块化手指基部机器人手有一个模块化的手指基部，配备了5个插槽，可以用来“容纳”总共四个手指。更具体地说，可以开发具有各种几何结构的手指基架的机械手。线和二维多面体几

脑电图分析脑电分析是利用数学信号分析方法和计算机技术，从脑电信号中提取信息。脑电图分析的目标是帮助研究人员更好地了解大脑；协助医生进行诊断和治疗；以及促进脑-计算机接口（BCI）技术的使用。有很多方法可以粗略地对脑电图分析方法进行分类。用数学模型来拟合采样的脑电信号的方法可以归类为参数方法，反之就是非参数方法。传统上，脑电信号分析方法主要分为四类：时域、频域、时频域和非线性方法。方法1.频域法频域分析又称频谱分析，是脑电信号分析中最传统、也是最有力、最标准的方法之一。它通过采用统计和傅立叶变换方法来

​一项新的研究表明，调节大脑中电信号"分子体积旋钮（molecular volume knob）"有助于学习和记忆。这一发现可以帮助研究人员寻找管理神经系统疾病的方法，包括阿尔茨海默氏症、帕金森病和癫痫。这个分子系统控制着在神经元间突触间流动的电信号的宽度，这种控制机制的发现，以及调节这种机制的分子的识别，可能有助于研究人员寻找控制神经紊乱的方法，包括阿尔茨海默氏症、帕金森氏症和癫痫。这项研究发表在《美国国家科学院院刊》(Proceedings of The National Academy of Sc

引言​2015 年世界卫生组织指出，全球 60 岁以上的人群已占总人口的 12. 24%，且这一比例正逐年增加。而脑卒中作为老龄化人群中的高发病，其发病率高达 11. 2%，已经严重影响了人们的日常生活。据有关统计，我国每年新增脑卒中患者约为250 万，到 2020 年，我国的脑卒中患者达到 2000万人。在由脑卒中引起的偏瘫患者中，以手部功能障碍的人群居多。科学研究发现，人平均每天要进行约1500 次的抓握动作，是人与外界环境沟通交流的重要工具。因此对于偏瘫患者手部的康复与患者的日常生活辅助都有重要

将设备朝上放置，豁口朝上，通道定义如图所示。#本篇由BCIduino脑机接口开源社区原创/转载（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫下面码加入社群，也欢迎采购BCIduino脑电模块和外骨骼等（某宝搜索即可或者扫码详询）。...

首先需要用python接收并转发数据，然后用Matlab接收，原理：基于lsl。1.python接收并转发数据的代码可以联系管理员(wechat:l20081123456)，在采购设备之后赠送代码。2.Matlab接收数据的代码：addpath(genpath('/home/ibagon/OpenBCI/OpenBCI_MATLAB/Matlab-Python/labstreaminglayer'))%% instantiate the librarydisp('Loading the libra

硬件性能介绍：信号传输方式：Wi-Fi传输采样频率：1000Hz高速传输信号通道数：8通道，1/2/3/4/5/6/7/8，此外有GND和REF兼容上位机：Windows10上位机是否有波形显示功能：是上位机是否有滤波及陷波功能：是上位机数据对外转发方式：lsl，可基于lsl将数据传输至Matlab/Python/OpenVibe等上位机显示延迟：小于40ms电极方案：贴片电极及其导联线（需10根）输入阻抗：1TΩ输入偏置电流：300pA输入参考噪声：1μVpp共模抑制比：-11

认知心理学理论——健脑的6种脑力锻炼方式BCIduino 8通道脑电放大器具体参数如下：输入阻抗：1TΩ输入偏置电流：300pA输入参考噪声：1μVpp采样速率：250 Hz/500Hz共模抑制比：-110dB可调增益放大倍数：1、2、4、6、8、12、2分辨率：24 位 ADC，精度最高可达 0.1μV功耗：正常工作时 39mW，待机时低至仅 10μW采用可充电锂电池供电，进一步降低来自外部的干扰。尺寸：50mm*50mm（实物测量，存在细微误差），实物图如图1图2 BCIdu

第一步，首先下载OpenVibe并将它与BCIduino连接，并检测下数据（如图4所示），打开OpenVibe对应的erp-recording项目，并逐个拖入OpenVibe界面中打开，路径如图2所示。图1 数据获取示意图图2 ERP文件路径示意图第二步，运行范式、数据接收和保存文件（erp-2-record-signal），运行效果如下图3，在此过程中将对受试者展示相关刺激，并记录脑电数据，以便后续进一步分析使用。图3 实验范式和数据保存过程第三步，数据回放过程，运行erp-3-repla

在现实生活中，有很多思维正常但是有运动障碍的人无法直接与外界进行沟通。随着脑电技术的发展，脑机接口逐渐成为他们与外界的潜在交流方式，其特点在于直接通过大脑可以控制外设及字符输出等，不用借助外周肌肉组织等。在脑机接口领域，基于P300信号特征的脑机接口系统具有目标多、个体差异较少的优点，常常被广泛应用到BCI中[1]。本文讲述基于BCIduino与OpenVibe的脑电意念打字系统的设计方法及步骤。材料清单BCIduino 8通道脑电放大器*1（1579～1679元），如图1所示。脑电帽（干电极或湿电极

导读上一篇介绍了基于BCIduino做运动想象系统的教程方法，同时也介绍了BCIduino 8通道脑电放大器的具体参数，我们期望将它做成一款性价比比OpenBCI更优的低成本脑电放大器，同时极尽可能提升它的性能，以便用于工业级应用。本篇介绍BCIduino做稳态视觉诱发电位（SSVEP）系统的方法，本文在撰写过程中同时也修改了部分OpenVibe的参数，以便能够用于BCIduino.正文步骤一：连接BCIduino与OpenVibe，OpenVibe官方针对Windows有2个Stable版本的安装

导读：本文基于BCIduino 8通道脑电放大器和OpenVibe框架搭建了一套运动想象脑机接口系统，供读者参考交流。BCIduino 8通道脑电放大器具体参数如下：输入阻抗：1TΩ输入偏置电流：300pA输入参考噪声：1μVpp采样速率：250 Hz/500Hz共模抑制比：-110dB可调增益放大倍数：1、2、4、6、8、12、2分辨率：24 位 ADC，精度最高可达 0.1μV功耗：正常工作时 39mW，待机时低至仅 10μW采用可充电锂电池供电，进一步降低来自外部的干扰。尺寸：5

01.安装python3.7或更高版本;02.安装pip;03.打开cmd，依次运行pip install pylsl，pip install numpy;04.运行openbci_gui产生lsl数据流（名称BCIduino）或者cmd运行python SendData.py或者其他方式产生lsl流;05.cmd运行数据保存文件;06.cmd运行python server2.py（在运行之前根据放大器的采样频率修改s_freq参数，使它等于采样频率数值，并修改host和port数据和eprime

本文介绍用python对航弈生物BCIduino放大器脑电/肌电数据进行滤波及频谱计算。本文介绍如何用python mne对fif格式保存的脑电数据进行读取和简单的滤波，并用numpy对上述数据进行FFT分析，绘制相应的图像。本稿不涉及BCIduino数据如何保存，关于数据如何保存会在之后的文章给出。本文基于一个已经保存好的.fif格式的BCIduino肌电数据，数据保存了大约40s的肌电信号，信号内容是正常人模拟帕金森患者震颤时的肌电信号，采样频率250Hz，一共采集了5次，每次4s，对应fif文件中的

BCIduino文字教程https://mp.weixin.qq.com/s/g7NIU_s6DshSPJbEdtTI2wBCIduino视频教程https://b23.tv/crXhCVCSDN：https://blog.csdn.net/nvsirgn/BCIduino兼容的上位机链接：https://pan.baidu.com/s/1r5KW2HSeOp94B15qIAvvHw提取码：7kqr使用上位机前应当安装Processing|该版测试有效链接：https://pan.bai

BCIduino文字教程https://mp.weixin.qq.com/s/g7NIU_s6DshSPJbEdtTI2wBCIduino视频教程https://b23.tv/crXhCVCSDN：https://blog.csdn.net/nvsirgn/BCIduino兼容的上位机链接：https://pan.baidu.com/s/1r5KW2HSeOp94B15qIAvvHw提取码：7kqr使用上位机前应当安装Processing|该版测试有效链接：https://pan.bai

安装前准备打印模块清单：FRAME_BACK_medium *1FRAME_FRONT_medium *2E_HOLDER *10OCTABOLT *10OCTANUT *10硬件清单：脑电极触脚 10杜邦线母对母1M 10不锈钢弹簧0.51020mm 10M26螺丝 *10M2螺母 *10工具清单：螺丝刀 *1胶枪 *1胶棒 *1安装步骤第一步将螺丝螺母安装在脑电触脚中（如图所示）第二步准备一根杜邦线，将一端的头剪掉并拨开线皮，里面的铜芯留稍长一些。再把铜芯缠绕