In this paper, a hybrid brain-computer interface (BCI) system combining P300 and steady-state visual evoked potential (SSVEP) is proposed to improve the performance of asynchronous control. The four groups of flickering buttons were set in the graphical user interface. Each group contained one large button in the center and eight small buttons around it, all of which flashed at a fixed frequency (e.g., 7.5 Hz) to evoke SSVEP. At the same time, the four large buttons of the four groups were intensified through shape and color changes in a random order to produce P300 potential. During the control state, the user focused on a desired group of buttons (target buttons) to evoke P300 potential and SSVEP, simultaneously. Discrimination between the control and idle states was based on the detection of both P300 and SSVEP on the same group of buttons. As an application, this method was used to produce a “go/stop” command in real-time wheelchair control. Several experiments were conducted, and data analysis results showed that combining P300 potential and SSVEP significantly improved the performance of the BCI system in terms of detection accuracy and response time.

Brain-computer interfaces (BCIs) are used to translate brain activity signals into control signals for external devices. Currently, it is difficult for BCI systems to provide the multiple independent control signals necessary for the multi-degree continuous control of a wheelchair. In this paper, we address this challenge by introducing a hybrid BCI that uses the motor imagery-based mu rhythm and the P300 potential to control a brain-actuated simulated or real wheelchair. The objective of the hybrid BCI is to provide a greater number of commands with increased accuracy to the BCI user. Our paradigm allows the user to control the direction (left or right turn) of the simulated or real wheelchair using left- or right-hand imagery. Furthermore, a hybrid manner can be used to control speed. To decelerate, the user imagines foot movement while ignoring the flashing buttons on the graphical user interface (GUI). If the user wishes to accelerate, then he/she pays attention to a specific flashing button without performing any motor imagery. Two experiments were conducted to assess the BCI control; both a simulated wheelchair in a virtual environment and a real wheelchair were tested. Subjects steered both the simulated and real wheelchairs effectively by controlling the direction and speed with our hybrid BCI system. Data analysis validated the use of our hybrid BCI system to control the direction and speed of a wheelchair.

In this work, a novel theoretical model of the void length probability distribution in 3D printed concrete is established based on a zigzag analog of the layer interface. A quasi-exponential distribution of void length is predicted and subsequently validated on both the zigzag analog and the actual 3D printed concrete, with different void ratios that determine the descending rate and node intervals that decide the horizontal scaling of the distribution. Moreover, the relationships between the interlayer strength, void ratio, and quantity of voids are also studied based on the theoretical model. It is found that the quantity of voids is symmetric about a void ratio of 0.5, and the decrease in the interlayer strength against the void ratio is non-linear which is approximated well by combined exponential and linear functions. This work is believed to reveal the nature of the interfacial void distributions and significantly advance the understanding of the layer interface in 3D printed concrete. The code for the zigzag analog with the computation of its interlayer strength is publicly available at: https://github.com/Human-HLW/Layer-interface.

Abstract. Alzheimers disease (AD) is a degenerative disease which was first discovered in 1907, it has been a far-reaching disease difficult to cure. Hundreds of millions of people have been plaguing AD. The high incidence rate and high death rate of AD has brought tremendous burden to country and society. Human has made significant achievement in pathobiology so far. This article first makes a brief introduction about the history of AD, and the clinical presentation of AD patients. Besides that, some issues may be neglected. Hypotheses about the pathogenicity and new treatment policy of AD have been mentioned in this essay, providing effective remedy of AD, such as primary neuropathologic criteria, amyloid positron emission tomography imaging and targeted therapies. This thesis introduces AD by doing a literature review anlysis. The critical essay summarizes the main body of academic papers, evaluates academic articles in specific fields. But it may also face the problem of what to discuss in a literature review.

Abstract Background Using task-dependent neuroimaging techniques, recent studies discovered a fraction of patients with disorders of consciousness (DOC) who had no command-following behaviors but showed a clear sign of awareness, which was defined as cognitive motor dissociation (CMD). Although many efforts were made to identify the CMD, existing task-dependent approaches might fail when patients had multiple cognitive function (e.g., attention, memory) impairments, and thus lead to false-negative findings. However, recent advances in resting-state fMRI (rs-fMRI) analysis allow investigation of the dynamic change of spontaneous brain activity, which might be a powerful tool to test the patient’s cognitive functions, while its capacity in identifying CMD was unclear. Methods The rs-fMRI study included 119 participants from three independent research sites. A sliding-window approach was used to investigate the dynamic functional connectivity of the brain in two aspects: the global and regional temporal stability, which measures how stable the brain functional architecture is across time. The temporal stability was compared in the first dataset (36/16 DOC/controls), and then a Support Vector Machine (SVM) classifier was built to discriminate DOC patients from controls. Furthermore, the generalizability of the SVM classifier was tested in the second independent dataset (35/21 DOC/controls). Finally, the SVM classifier was applied to the third independent dataset where patients underwent an rs-fMRI and brain-computer interface assessment (4/7 CMD/potential non-CMD), to test its performance in identifying CMD. Results Our results showed that the global and regional temporal stability were impaired in DOC patients, especially in regions from the cingulo-opercular task control, default mode, fronto-parietal task control, and salience network. Using the temporal stability as features, the SVM model not only showed a good performance in the first dataset (accuracy = 90 %), but a good generalizability in the second dataset (accuracy = 82 %). Most importantly, the SVM model generalized well in identifying CMD in the third dataset (accuracy = 91 %). Conclusion The current findings suggested that rs-fMRI could be a potential tool to assist in diagnosing CMD. Furthermore, the temporal stability investigated in this study also contributed to a deeper understanding of the neural mechanism of the consciousness.

Electroencephalograms (EEGs) have garnered immense attention due to their security features, which are difficult to physically counterfeit in the field of person identification. Despite significant achievements in EEG-based person identification, several challenges remain: 1) how to dynamically update the model to identify an increasing number of users; 2) how to more effectively capture and reconstruct the interrelationships of features from different domains in EEG signals; and 3) how to enhance the core capabilities of the backbone network, including the acquisition of global features while mining fine-grained local features. To address these challenges, this paper proposes an affective EEG-based person identification with continual learning, enabling the model to dynamically adapt to the escalating needs of user identification. Furthermore, we developed a multi-domain coordinated attention transformer to serve as the backbone network. This backbone network combines spatial and time-frequency attention mechanisms with domain coordinated mechanisms, enabling it to adaptively capture fine-grained local features and reconstruct interactions across domains on a macro level. We validated our proposed method using the THU-EP dataset, a nine-class affective state dataset involving 80 subjects. Experimental results demonstrate that our method surpasses current advanced benchmarks. Additionally, we analyzed the impact of different affective states and frequency bands on affective EEG-based person identification and found that the neutral state and beta band had minimal impacts on the decay of accuracy in continual learning. Code is publicly available at https://github.com/JerryKingQAQ/AEEG-PI-CL.

This study aimed to determine whether patients with disorders of consciousness (DoC) could experience neural entrainment to individualized music, which explored the cross-modal influences of music on patients with DoC through phase-amplitude coupling (PAC). Furthermore, the study assessed the efficacy of individualized music or preferred music (PM) versus relaxing music (RM) in impacting patient outcomes, and examined the role of cross-modal influences in determining these outcomes.