XiaoMi-AI文件搜索系统
World File Search System主体
基于脑电功能连接与深度学习的主体特定认知负荷分类
摘要：认知工作量是涉及动态决策和其他实时和高风险情况的任务中的关键因素。神经成像技术长期以来一直用于估计认知工作量。与 fMRI 和其他神经成像方式相比，EEG 具有便携性、成本效益和高时间分辨率，因此使用 EEG 估计个人工作量的有效方法至关重要。已知多种认知、精神和行为表型与“功能连接”有关，即不同大脑区域之间的相关性。在这项工作中，我们探索了使用不同的无模型功能连接指标以及深度学习来有效分类参与者的认知工作量的可能性。为此，在 19 名参与者执行传统 n-back 任务时收集了他们的 64 通道 EEG 数据。这些数据（预处理后）用于提取功能连接特征，即相位转移熵 (PTE)、相互信息 (MI) 和相位锁定值 (PLV)。选择这三个特征对有向和非有向无模型功能连接指标进行全面比较（允许更快的计算）。利用这些特征，使用三个深度学习分类器，即 CNN、LSTM 和 Conv-LSTM 将认知工作量分类为低（1-back）、中（2-back）或高（3-back）。由于 EEG 和认知工作量的受试者间差异很大，并且最近的研究强调基于 EEG 的功能连接指标是特定于受试者的，因此使用了特定于受试者的分类器。结果显示，MI 与 CNN 的组合具有最先进的多类分类准确率，为 80.87%，其次是 PLV 与 CNN 的组合（75.88%）和 MI 与 LSTM 的组合（71.87%）。PLV 与 Conv-LSTM 的组合和 PLV 与 CNN 的组合实现了最高的受试者特定性能，准确率为 97.92%，其次是 MI 与 CNN 的组合（95.83%）和 MI 与 Conv-LSTM 的组合（93.75%）。结果强调了基于 EEG 的无模型功能连接指标和深度学习相结合对分类认知工作负荷的有效性。这项工作可以进一步扩展，以探索在实时、动态和复杂的现实场景中对认知工作负荷进行分类的可能性。
自由移动大鼠的感觉运动皮层中神经活动的保守结构允许跨主体解码
1的记录细胞的商和估计的细胞总数（植入电极覆盖的区域近似于植入电极覆盖的区域，假设皮质厚度为2mm，密度为90K神经元每毫米3（26））。
用于解码高级视觉图像任务的独立于主体的脑机接口
摘要 — 脑机接口 (BCI) 用于识别人类的状态和意图，实现人与设备之间的通信。使用脑电图 (EEG) 信号进行人与无人机之间的通信是 BCI 领域最具挑战性的问题之一。特别是，与无人机控制相比，无人机群的控制（方向和编队）具有更多优势。视觉意象 (VI) 范式是受试者在视觉上想象特定的物体或场景。减少受试者 EEG 信号之间的变异性对于基于 BCI 的实际系统至关重要。在本研究中，我们提出了子纪元特征编码器 (SEFE)，以通过使用 VI 数据集来提高与受试者无关的任务的性能。本研究是首次尝试展示基于 VI 的 BCI 中受试者之间泛化的可能性。我们使用留一交叉验证来评估性能。包含我们提出的模块比排除我们提出的模块时获得更高的性能。在六种不同的解码模型中，带有 SEFE 的 DeepConvNet 表现出最高的 0.72 性能。因此，我们证明了使用我们提出的模块在与主题无关的任务中解码 VI 数据集并具有稳健性能的可行性。
神经多样性主体间性
自闭症患者在神经学上存在差异，但研究自闭症社交性的方法往往假设神经典型对社交的定义。比较设计通常会导致自闭症行为被解释为与神经典型基准的缺陷，而不是差异（Kapp 等人，2013 年）。同样，民族志研究主要关注自闭症与神经典型之间的互动，这种互动发生在神经典型规范和期望的文化背景下（Heasman 和 Gillespie，2017 年；Kremer-Sadlik，2004 年；Ochs，2015 年）。因此，在理解自闭症患者如何在传统规范之外相互建立社会关系方面存在方法论和经验上的差距，这一点很重要，因为自闭症患者报告称，正是由于缺乏社交礼仪，他们更容易与其他自闭症患者建立关系（Chown，2014；Dekker，1999）。我们调查了一家支持年轻自闭症成年人的慈善机构的 30 名成员之间的互动，以确定
异质主体的汇率和货币政策：评估实际收入渠道 - 2021 年国际经济学会议 - 达拉斯联邦储备银行
* 斯坦福大学、CEPR 和 NBER。电子邮件：aauclert@stanford.edu。 † 西北大学和 NBER。电子邮件：matthew.rognlie@northwestern.edu。 ‡ 斯坦福大学。电子邮件：souchier@stanford.edu。 § 哈佛大学和 NBER。电子邮件：ludwigstraub@fas.harvard.edu。我们感谢 George Alessandria、Manuel Amador、Luigi Bocola、Ariel Burstein、Julian di Giovanni、Sebastian Fanelli、Mark Gertler、Pierre-Olivier Gourinchas、Guido Lorenzoni、Oleg Itskhoki、Sebnem Kalemli-Özcan、Matteo Maggiori、Kurt Mitman、Tommaso Monacelli、Brent Neiman、Pablo Ottonello、 Diego Perez、Fabrizio Perri、Jesse Schreger、Vincent Sterk 和 Iván Werning 提供了有用的评论。 Jan Ertl 提供了出色的研究协助。本研究由美国国家科学基金会拨款 SES-1851717 和 SES-2042691 资助。
感知决策中独立于主体和任务的神经相关性以及决策信心的预测
摘要 目的。在许多现实世界的决策任务中，决策者可获得的信息是不完整的。为了解释这种不确定性，我们为每个决策关联一定程度的置信度，表示该决策正确的可能性。在本研究中，我们分析了 68 名参与者进行八个不同感知决策实验的脑电图 (EEG) 数据。我们的目标是调查 (1) 是否存在与受试者和任务无关的决策信心神经相关性，以及 (2) 在多大程度上可以构建能够在逐次试验基础上估计信心的脑机接口。实验涵盖了广泛的感知任务，从而可以将与任务相关的决策特征与与任务无关的特征分开。方法。我们的系统训练人工神经网络，根据 EEG 数据和响应时间预测每个决策的信心度。我们将解码性能与三种训练方法进行了比较：(1) 单个受试者，训练数据和测试数据均来自同一个人； (2) 多主体，所有数据都属于同一任务，但训练和测试数据来自不同的用户；(3) 多任务，训练和测试数据来自不同的任务和主体。最后，我们使用另外两个实验的数据验证了我们的多任务方法，其中未报告置信度。主要结果。我们发现在刺激锁定和反应锁定时期，不同置信度水平的 EEG 数据存在显著差异。我们所有的方法都能够比相应的参考基线好 15% 到 35% 之间的置信度进行预测。意义。我们的结果表明，即使使用迁移学习方法，也可以从神经信号中重建对感知决策任务的置信度。这些置信度估计基于决策过程，而不仅仅是置信度报告过程。
用于运动想象脑电图解码的跨主体深度迁移学习
摘要 — 卷积神经网络 (CNN) 已成为解码 EEG 的强大技术，并已成为运动想象 EEG 脑机接口 (BCI) 解码的基准。然而，在不降低个体表现的情况下在多个受试者的 EEG 上训练 CNN 仍然具有挑战性。这被称为负迁移问题，即从不同的分布中学习会导致 CNN 错误地表示每个受试者的 EEG，而不是学习更丰富的表示。因此，CNN 不能直接使用多个受试者的 EEG 来直接提高模型性能。为了解决这个问题，我们将深度迁移学习技术扩展到 EEG 多受试者训练案例。我们提出了一个多分支深度传输网络，即分离-公共-分离网络 (SCSN)，该网络基于为各个受试者拆分网络的特征提取器。我们还探讨了将最大均值差异 (MMD) 应用于 SCSN (SCSN-MMD) 的可能性，以更好地对齐来自各个特征提取器的特征分布。在 BCI 竞赛 IV 2a 数据集 (BCICIV2a 数据集) 和我们的在线记录数据集上对所提出的网络进行了评估。结果表明，所提出的 SCSN (81.8%，53.2%) 和 SCSN-MMD (81.8%，54.8%) 在使用多个受试者的两个数据集上均优于基准 CNN (73.4%，48.8%)。我们提出的网络显示出利用更大的多受试者数据集来训练 EEG 解码器的潜力，而不会受到负迁移的影响。索引术语 — 脑机接口、EEG、多受试者、深度学习、迁移学习、在线解码 I. 介绍
跨主体辅助：间和主体内最大相关性，以增强基于SSVEP的BCIS
摘要 - 目的：通过使用单个校准数据，当前的最新方法显着提高了稳态诱发电位（SSVEP）的检测性能。但是，耗时的校准会限制了培训试验的数量，并可能导致视觉疲劳，从而削弱了单个培训数据的效率。为解决此问题，本研究提出了一种新型的受试者间和受试者内最大相关性（IISMC）方法，以通过采用跨主体间和受试者的相似性和可变性来增强SSVEP识别的鲁棒性。通过有效的转移学习，在相同任务下的类似经验在主题之间共享。方法：IISMC从自己和其他受试者中提取主题的特定信息和与任务相关的相似信息，通过最大化和内部对象内相关性来执行相同任务。多个弱分类器是由几个现有主题构建的，然后集成以通过平均加权来构建强晶格。最后，为目标识别获得了强大的融合预测指标。结果：在35个受试者的基准数据集上验证了所提出的框架，实验结果表明，IISMC获得的性能要比与TART与任务相关的成分分析（TRCA）的状态更好。明显：所提出的方法具有开发高速BCI的巨大潜力。
赋予人工智能法律主体性
摘要 本文反思了赋予人工智能（AI）法律主观性的问题，特别是在民法方面。有必要拒绝法律主观性的标准是感知和理性的神话。认为人工智能可能具有基于与动物或法人的类比的潜在法律主观性，这表明存在一个单一的层级或实体序列，这些实体根据其与人类的相似程度进行组织；此外，实体在这个层级中的位置决定了赋予它的主观性范围。相反，无论扮演什么角色，参与或存在于社会生活中才是主观性的真正标准。此外，很明显，即使人工智能目前不是社会生活的重要参与者，在不久的将来也会成为重要参与者。尽管赋予人工智能某种主观性存在潜在危险，但这种做法是不可避免的，应该尽早考虑。
通过多主体FMRI数据的张量分析发现隐藏的大脑网络对自然主义刺激的反应
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。该版本的版权持有人于2021年1月17日发布。 https://doi.org/10.1101/2021.01.14.426756 doi：biorxiv Preprint