XiaoMi-AI文件搜索系统
World File Search System传输率
基于 SSVEP 的 BCI 中闪烁刺激的数量和大小的影响
[1] Muse™：Muse 2：脑感应头带 - 技术增强冥想，https://choosemuse.com/muse-2/。（访问日期：2021/12/01）。[2] FocusCalm：FocusCalm — 训练你的大脑以减轻压力 — 冥想头带，https://focuscalm. com/。（访问日期：2021/12/01）。[3] NextMind：NextMind - 实时脑机接口 - 立即订购你的开发套件，https://www.next-mind.com/。（访问日期：2021/12/01）。 [4] Parini, S.、Maggi, L.、Turconi, AC 和 Andreoni, G.: 基于四类 SSVEP 范式的稳健且自定步调的 BCI 系统：高传输率直接脑通信的算法和协议，计算智能与神经科学，第 2009 卷，第 1-11 页 (2009)。[5] Gembler, F.、Stawicki, P. 和 Volosyak, I.: 使用新颖的 BCI 向导对基于 SSVEP 的 BCI 进行自主参数调整，神经科学前沿，第 9 卷，第 474 页 (2015)。[6] Gembler, F.、Stawicki, P. 和 Volosyak, I.: 探索基于多目标 SSVEP 的 BCI 应用的可能性和局限性，2016 年第 38 届国际
通过多尺度增强 P300 检测的性能...
摘要 — 基于 P300 的拼写系统是最流行的脑机接口应用之一。它的成功很大程度上取决于性能，包括信息传输率 (ITR) 和检测率（即准确率）。为了获得良好的性能，我们提出了一个多尺度卷积神经网络 (MS-CNN) 模型，该模型由七层组成。首先，使用前期数据集训练 MS-CNN，旨在获得一个用于 P300 检测的非特定于受试者的模型（通用模型）。其次，通过结合迁移学习技术，利用来自受试者的一部分数据对该通用模型进行调整，以更新模型以获得特定于受试者的模型。我们在 2019 年世界机器人大会的 BCI 控制机器人比赛中应用了所提出的模型，我们的表现是比赛中所有团队中最好的。在比赛中，比赛委员会随机分配了十名健康的年轻受试者来评估该模型。我们的模型实现了最佳的 P300 检测性能（更高的准确率和更少的重复时间）。当重复次数少于六次时，不特定主语情况下的 ITR 为 13.49 位/分钟，而特定主语情况下的 ITR 为 12.13 位/分钟。我们相信我们的方法可能为进一步高效实施基于 P300 的拼写系统铺平道路。
精确建模对语音的反应
可以通过拟合将测量的脑信号（例如脑电图（EEG））与引起它们的刺激的3相关的刺激反应模型2探测感知过程。这些模型还发现了4个控制助听器等设备的控制。通过相关，分类或信息率指标测量的曲目质量指示了模型的值6和设备的实用性。基于规范7相关分析（CCA）的模型达到了超过8个常用线性向前和后向模型的质量拟合。在这里，我们表明9可以使用多种技术进一步提高他们的性能，包括10个自适应波束形成，CCA权重优化以及捕获数据中时间变化和上下文依赖性关系的复发性神经11网络12。我们使用Match-VS不匹配13分类范式证明了这些结果，其中分类器必须确定两个刺激14个ULUS样品中的哪个产生给定的EEG响应，哪些是随机选择的15个刺激样本。此任务捕获了更多其他研究中探讨的更符合16个PLEX听觉注意解码（AAD）任务的基本特征。17新技术的分类错误显着降低，信息传输率提高了18个，这表明这些模型更好地拟合了数据，而这些模型的感知过程反映了数据。这对于改善20个大脑计算机界面（BCI）应用很有用。21
物联网与人工智能助力医疗安全
摘要 近年来，医疗机构正朝着技术进步的方向发展，以实现精确的患者监测和记录管理。尽管技术先进，但医疗信息和通信技术网络的安全性对医疗保健来说是一个重大挑战。借助标准算法，组织数据库之外的非结构化数据（即电子文档和报告）难以整理和保护。现有的聚类方法存在恢复数据传输效率问题的缺点。本文提出了物联网人工智能系统（IoT-AIS）用于医疗保健安全。无线传感器网络是由物联网技术开发的。物联网网络用于连接物理世界和数字世界。IoT-AIS用于监视患者的数据并对其进行加密。加密数据存储在云中，以维护患者数据的远程访问。IoT-AIS仪表板为单个患者提供了个性化的用户界面，以便单个用户访问单独维护他们的记录。本文的模拟分析证明，医疗保健的患者记录可以加密并提供个性化访问。与其他方法相比，IoT-AIS的实验结果实现了最高的数据传输率（98.14%）和最高的交付率（98.90%）、高标准响应周期（93.79%）、更少的延迟估计（10.76%）、更高的吞吐量（98.23%）、有效的带宽监控（83.14%）、能源使用率（8.56%）和最高的性能率（98.4%）。
使用眼动追踪和 SSVEP 的混合拼写器设计......
摘要：稳态视觉诱发电位 (SSVEP) 因其稳健性、大量命令、高分类准确率和信息传输率 (ITR) 等优点，被广泛应用于开发脑机接口 (BCI)。然而，同时使用多个闪烁刺激往往会导致用户感到非常不适、疲倦、烦恼和疲劳。在这里，我们建议使用脑电图 (EEG) 和基于视频的眼动追踪来设计一种刺激响应混合拼写器，以提高用户在面对大量同时闪烁的刺激时的舒适度。有趣的是，基于典型相关分析 (CCA) 的框架可用于识别闪烁信号持续时间为 1 秒的目标频率。我们提出的 BCI 拼写器仅使用六个频率来对 48 个目标进行分类，从而大大提高了 ITR，而基本的 SSVEP BCI 拼写器使用的频率数量与目标数量相同。使用此拼写器，我们在提示拼写任务中获得了 90.35 ± 3.597% 的平均分类准确率，平均 ITR 为 184.06 ± 12.761 比特/分钟，在自由拼写任务中获得了 190.73 ± 17.849 比特/分钟。因此，我们提出的拼写器在目标分类、分类准确率和 ITR 方面优于其他拼写器，同时产生的疲劳、烦人、疲倦和不适感更少。我们提出的混合眼动追踪和基于 SSVEP BCI 的系统最终将实现真正的高速通信通道。
无线网络中 LDPC 解码的量子信念传播
我们提出了量子信念传播 (QBP)，一种基于量子退火 (QA) 的低密度奇偶校验 (LDPC) 错误控制码解码器设计，该解码器在 Wi-Fi、卫星通信、移动蜂窝系统和数据存储系统中得到了广泛应用。QBP 将 LDPC 解码简化为离散优化问题，然后将简化的设计嵌入到量子退火硬件中。QBP 的嵌入设计可以在具有 2,048 个量子比特的真实最先进的 QA 硬件上支持块长度高达 420 位的 LDPC 码。我们在真实的量子退火器硬件上评估性能，对各种参数设置进行敏感性分析。我们的设计在高斯噪声无线信道上在 SNR 9 dB 下实现了 20 µ s 内的 10 − 8 比特错误率和 50 µ s 内的 1,500 字节帧错误率 10 − 6。进一步的实验测量了在真实无线信道上的性能，需要 30 µ s 才能在 SNR 15-20 dB 下实现 1,500 字节 99.99% 的帧传输率。QBP 的性能优于基于 FPGA 的软信念传播 LDPC 解码器，在 SNR 低 2.5–3.5 dB 时达到 10 − 8 的误码率和 10 − 6 的帧错误率。就局限性而言，QBP 目前无法在当前的 QA 处理器上实现实用的协议大小（例如 Wi-Fi、WiMax）LDPC 码。我们在本工作中的进一步研究提出了未来成本、吞吐量和 QA 硬件趋势方面的考虑。
具有运动意象和错误相关大脑活动的混合脑机接口
摘要 目的 . 脑机接口 (BCI) 系统直接从大脑读取和解释大脑活动。它们可以为患有神经退行性疾病或中风的患者提供一种交流或运动的方式。然而，大脑活动的非平稳性限制了在校准会话期间训练的算法向实时 BCI 控制的可靠转移。非平稳性的一个来源是用户大脑对 BCI 输出 (反馈) 的反应，例如，用户是否将 BCI 反馈视为错误。通过考虑这些非平稳性来源，可以提高 BCI 的可靠性。方法 . 在这项工作中，我们展示了一种混合运动想象 BCI 的实时实现，它同时结合了来自运动想象信号和与错误相关的大脑活动的信息，从而从两个来源中受益。主要结果 . 与传统的运动想象 BCI 相比，我们在 12 名参与者的实时 BCI 控制中表现出显着的提高。分类准确度、目标命中率、控制主观感知和信息传输率等方面都有显著改善。此外，我们对记录的 EEG 数据的离线分析表明，与运动想象信号相比，与错误相关的大脑活动提供了更可靠的信息来源。意义。这项工作首次表明，与运动想象分类器相比，与错误相关的大脑活动分类器在使用校准数据进行训练并在在线控制期间进行测试时更加一致。这可能解释了为什么所提出的混合 BCI 可以为有需要的患者提供更可靠的交流或康复方式。
具有运动想象和...的混合脑机接口
摘要 目的 . 脑机接口 (BCI) 系统直接从大脑读取和解释大脑活动。它们可以为患有神经退行性疾病或中风的患者提供一种交流或运动的方式。然而，大脑活动的非平稳性限制了在校准会话期间训练的算法向实时 BCI 控制的可靠转移。非平稳性的一个来源是用户大脑对 BCI 输出 (反馈) 的反应，例如，用户是否将 BCI 反馈视为错误。通过考虑这些非平稳性来源，可以提高 BCI 的可靠性。方法 . 在这项工作中，我们展示了一种混合运动想象 BCI 的实时实现，它同时结合了来自运动想象信号和与错误相关的大脑活动的信息，从而从两个来源中受益。主要结果 . 与传统的运动想象 BCI 相比，我们在 12 名参与者的实时 BCI 控制中表现出显着的提高。分类准确度、目标命中率、控制主观感知和信息传输率等方面都有显著改善。此外，我们对记录的 EEG 数据的离线分析表明，与运动想象信号相比，与错误相关的大脑活动提供了更可靠的信息来源。意义。这项工作首次表明，与运动想象分类器相比，与错误相关的大脑活动分类器在使用校准数据进行训练并在在线控制期间进行测试时更加一致。这可能解释了为什么所提出的混合 BCI 可以为有需要的患者提供更可靠的交流或康复方式。
具有运动意象和错误相关大脑活动的混合脑机接口
摘要。目的。脑机接口 (BCI) 系统直接从大脑读取和解释大脑活动。它们可以为患有神经退行性疾病或中风的患者提供一种交流或运动方式。然而，大脑活动的不平稳性限制了在校准会话期间训练的算法向实时 BCI 控制的可靠转移。非平稳性的一个来源是用户大脑对 BCI 输出 (反馈) 的反应，例如，BCI 反馈是否被用户视为错误。通过考虑这些非平稳性来源，可以提高 BCI 的可靠性。方法。在这项工作中，我们展示了一种混合运动想象 BCI 的实时实现，它同时结合了来自运动想象信号和与错误相关的大脑活动的信息，从而从两个来源中获益。主要结果。与传统的运动想象 BCI 相比，我们在 12 名参与者的实时 BCI 控制中表现出显着的提高。分类准确度、目标命中率、控制主观感知和信息传输率方面都有显著改善。此外，我们对记录的 EEG 数据的离线分析表明，与运动想象信号相比，与错误相关的大脑活动提供了更可靠的信息来源。意义重大。这项工作首次表明，与运动想象分类器相比，与错误相关的大脑活动分类器在使用校准数据进行训练并在在线控制期间进行测试时更加一致，这可能解释了为什么所提出的混合 BCI 可以为有需要的患者提供更可靠的交流或康复方式。
新型混合视觉刺激将周期性运动融入传统闪烁或模式反转视觉刺激中，用于基于稳态视觉诱发电位的脑机接口
在本研究中，我们提出了一种用于基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的新型混合视觉刺激，该刺激将各种周期性运动融入传统的闪烁刺激 (FS) 或模式反转刺激 (PRS)。此外，我们研究了每种 FS 和 PRS 的最佳周期运动，以增强基于 SSVEP 的 BCI 的性能。通过根据四个不同的时间函数（用无、平方、三角和正弦表示）改变刺激的大小来实现周期性运动，总共产生八种混合视觉刺激。此外，我们开发了滤波器组典型相关分析 (FBCCA) 的扩展版本，这是一种用于基于 SSVEP 的 BCI 的最先进的无需训练分类算法，可提高基于 PRS 的混合视觉刺激的分类准确性。 20 名健康个体参加了基于 SSVEP 的 BCI 实验，以区分四种不同频率的视觉刺激。评估了平均分类准确率和信息传输率 (ITR)，以比较基于 SSVEP 的 BCI 对不同混合视觉刺激的性能。此外，还评估了用户对每种混合视觉刺激的视觉疲劳程度。结果，对于 FS，当除 3 秒外的所有窗口大小都加入正弦波形的周期运动时，报告的性能最高。对于 PRS，方波的周期运动在所有测试窗口大小中显示出最高的分类准确率。两种最佳刺激之间的性能没有观察到显著的统计差异。据报道，正弦波周期运动的 FS 和方波周期运动的 PRS 的平均疲劳分数分别为 5.3 ± 2.05 和 4.05 ± 1.28。因此，我们的结果表明，与传统的 FS 和 PRS 相比，具有正弦波周期运动的 FS 和具有方波周期运动的 PRS 可以有效提高 BCI 性能。