Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Motor Imagery Performance Through Embodied Digital Twins in a Virtual Reality-Enabled Brain-Computer Interface Environment10:14

Motor Imagery Performance Through Embodied Digital Twins in a Virtual Reality-Enabled Brain-Computer Interface Environment

1.8K
Motor imagery in a virtual reality environment has wide applications in brain-computer interface systems. This manuscript outlines the use of personalized digital avatars that resemble the participants performing movements imagined by the participant in a virtual reality environment to enhance immersion and a sense of body...
1.8K
Motor Imagery Brain-Computer Interface in Rehabilitation of Upper Limb Motor Dysfunction After Stroke09:42

Motor Imagery Brain-Computer Interface in Rehabilitation of Upper Limb Motor Dysfunction After Stroke

2.0K
The purpose of this study is to provide an important reference for the standard clinical operation of motor imagery brain-computer interface (MI-BCI) for upper limb motor dysfunction after...
2.0K
Brain-Computer Interface-controlled Upper Limb Robotic System for Enhancing Daily Activities in Stroke Patients06:11

Brain-Computer Interface-controlled Upper Limb Robotic System for Enhancing Daily Activities in Stroke Patients

1.6K
This study introduces a brain-computer interface (BCI) system for stroke patients, which combines electroencephalography and electrooculography signals to control an upper limb robotic hand, enhancing daily activities. The evaluation used the Berlin Bimanual Test for Stroke...
1.6K
Using an EEG-Based Brain-Computer Interface for Virtual Cursor Movement with BCI200012:07

Using an EEG-Based Brain-Computer Interface for Virtual Cursor Movement with BCI2000

18.4K
In this video, we demonstrate the steps required to run a brain-computer interface experiment, including setting up the EEG cap, calibrating the system, and training the user to move a cursor in two dimensions using imagined...
18.4K
P300-Based Brain-Computer Interface Speller Performance Estimation with Classifier-Based Latency Estimation06:09

P300-Based Brain-Computer Interface Speller Performance Estimation with Classifier-Based Latency Estimation

931
This article presents a method for estimating same-day P300 speller Brain-Computer Interface (BCI) accuracy using a small testing dataset.
931
An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces10:51

An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces

14.2K
We use a closed-loop fly-machine interface to investigate general principles in neuronal...
14.2K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Impact of Exposure Parameters on Deep Learning Models in Chest Radiography and Implications for Deployment.

Radiology. Artificial intelligence·2026
Same author

Discriminating HFrEF vs HFpEF from chest radiographs: Mitigating demographic performance gaps via augmentation and multimodal fusion.

PLOS digital health·2026
Same author

<i>SHORTKIT-ML</i>: A UNIFIED MULTI-PERSPECTIVE FRAMEWORK FOR DETECTING SHORTCUT LEARNING IN MEDICAL IMAGING EMBEDDINGS.

medRxiv : the preprint server for health sciences·2026
Same author

Diffusion-synthesized Chest X-rays improve fairness and diagnostic performance.

PLOS digital health·2026
Same author

A deep learning model based on ultrasound imaging to differentiate malignant from benign pleural effusion: a multicenter cohort study.

Respiratory research·2026
Same author

Interpretable Multi-Attention Fusion Mechanisms for Early Detection of Transitional Phases in Alzheimer's Disease.

Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference·2025

Video Experimental Relacionado

Updated: Jan 20, 2026

Author Spotlight: Enhancing Neurorehabilitation Through EEG, Motor Imagery, and Virtual Reality
10:14

Author Spotlight: Enhancing Neurorehabilitation Through EEG, Motor Imagery, and Virtual Reality

Published on: May 10, 2024

1.8K

Mejora del rendimiento de la interfaz cerebro-computadora a través del mecanismo de atención a nivel de fuente: un

Jia-He Lim1, Po-Chih Kuo1

  • 1Department of Computer Science, National Tsing Hua University, Hsinchu City 30013, Taiwan.

Journal of neuroscience methods
|January 18, 2026
PubMed
Resumen

Este estudio presenta un marco de estimación de fuente guiado por atención para mejorar las interfaces cerebro-computadora (BCI). El nuevo método mejora la calidad de la señal de electroencefalografía (EEG) y la precisión de la clasificación para aplicaciones BCI más prácticas.

Palabras clave:
AtenciónInterfaz cerebro-computadoraAprendizaje profundoElectroencefalografíaImaginería motoraEstimación de fuente

Más Videos Relacionados

Author Spotlight: Using Motor Imagery Brain-Computer Interface to Improve Motor and Cognitive Function in Stroke Patients
09:42

Author Spotlight: Using Motor Imagery Brain-Computer Interface to Improve Motor and Cognitive Function in Stroke Patients

Published on: September 1, 2023

2.0K
Brain-Computer Interface-controlled Upper Limb Robotic System for Enhancing Daily Activities in Stroke Patients
06:11

Brain-Computer Interface-controlled Upper Limb Robotic System for Enhancing Daily Activities in Stroke Patients

Published on: April 18, 2025

1.6K

Videos de Experimentos Relacionados

Last Updated: Jan 20, 2026

Author Spotlight: Enhancing Neurorehabilitation Through EEG, Motor Imagery, and Virtual Reality
10:14

Author Spotlight: Enhancing Neurorehabilitation Through EEG, Motor Imagery, and Virtual Reality

Published on: May 10, 2024

1.8K
Author Spotlight: Using Motor Imagery Brain-Computer Interface to Improve Motor and Cognitive Function in Stroke Patients
09:42

Author Spotlight: Using Motor Imagery Brain-Computer Interface to Improve Motor and Cognitive Function in Stroke Patients

Published on: September 1, 2023

2.0K
Brain-Computer Interface-controlled Upper Limb Robotic System for Enhancing Daily Activities in Stroke Patients
06:11

Brain-Computer Interface-controlled Upper Limb Robotic System for Enhancing Daily Activities in Stroke Patients

Published on: April 18, 2025

1.6K

Área de la Ciencia:

  • Neurociencia
  • Ingeniería Biomédica
  • Aprendizaje Automático

Sus antecedentes:

  • Las interfaces cerebro-computadora (BCI) facilitan la comunicación humano-máquina a través de señales cerebrales.
  • La electroencefalografía (EEG) ofrece alta resolución temporal no invasiva para BCI, pero sufre de baja relación señal-ruido y baja resolución espacial.
  • Los métodos existentes de estimación de fuentes a menudo requieren datos anatómicos específicos del sujeto, lo que limita su aplicabilidad general.

Objetivo del estudio:

  • Desarrollar un marco novedoso para mejorar las señales de EEG relevantes para la tarea en sistemas BCI.
  • Mejorar la especificidad espacial en BCI basados en EEG sin depender de información anatómica específica del sujeto.
  • Avanzar en el rendimiento y la practicidad de las BCI basados en EEG.

Principales métodos:

  • Se desarrolló una red neuronal guiada por atención para estimar la actividad cerebral a nivel de fuente relevante para la tarea.
  • El modelo utiliza regiones de interés predefinidas para guiar los mecanismos de atención hacia características espaciales informativas.
  • El marco integra una red de estimación de fuente guiada por atención en el pipeline de decodificación de EEG.

Principales resultados:

  • El marco propuesto se validó en conjuntos de datos de EEG de imaginería motora disponibles públicamente.
  • El enfoque demostró un fuerte rendimiento en la mejora de la calidad de la señal de EEG y la precisión de la clasificación.
  • Los análisis comparativos mostraron un rendimiento superior en comparación con los modelos de referencia que utilizan el procesamiento de señales de EEG tradicional.

Conclusiones:

  • El marco de estimación de fuente guiado por atención mejora eficazmente el rendimiento de las BCI basadas en EEG.
  • La independencia del método de los datos anatómicos específicos del sujeto mejora su aplicabilidad general.
  • Este avance tiene un potencial significativo para aplicaciones BCI precisas y prácticas.