XiaoMi-AI文件搜索系统
World File Search System单次
人类棋盘格和导航图像中单次试验表面脑电图和源的黎曼分类
自从发现 [1,2] 以来，EEG 已越来越多地应用于基础研究、临床研究和工业研究。针对每个领域，都陆续开发出了特定的工具。这些工具包括：(i) 利用微电极进行脑内记录 [3,4]，该方法可以识别 EEG 信号的神经元来源，并更好地理解 EEG 活动的生理机制；(ii) 大平均法，包括由重复事件 (视觉、听觉、体感……) 触发的一系列试验的平均值 [5]，该方法开启了诱发相关电位 (ERP) 领域的研究，最近包括 EEG 源发生器 [8–10] 在内的 EEG 动力学工具 [6,7] 丰富了这一研究领域； (iii) 将 EEG 用于神经反馈和脑机接口 (BCI) [ 11 , 12 ]。过去，这些领域及其相关工具是分开发展的，但计算资源和实验数据的日益普及推动了横向方法和方法论桥梁的发展。视觉诱发电位 (VEP) 是一种特殊的 ERP，从枕叶皮质记录的 EEG 信号中提取，可由不同类型的视觉刺激触发，从简单（如棋盘格）[ 13 ，第 14 页，15 ] 到更复杂的视觉刺激（如人脸、3D 或运动图像）[ 14 , 16 – 20 ]。VEP 是通过计算大量正在进行的 EEG 信号试验的总平均值获得的（见公式 1），从而产生精心设计且易于识别的电位，随后可用于更好地理解视觉输入的连续处理阶段。然而，这些诱发反应来自至少两种不同的机制，分别源自加法模型或振荡模型 [8, 21 – 24]。对于加法模型，诱发反应来自对感觉输入的自下而上的连续处理。这会产生特定序列的单相诱发成分峰，这些峰最初嵌入自发 EEG 背景中。后者 EEG 活动被视为噪声，并通过随后的平均排除。对于振荡模型，诱发电位可能是由于特定频带内正在进行的 EEG 节律的相位锁定所致。这种 EEG 相位重组可以通过试验间一致性 (ITC) 来测量，作为对外部刺激的反应。从根本上讲，只有当相关 EEG 功率没有同时变化（增加或减少）时，这种测量才有意义。在这种情况下，我们处于纯相位锁定状态，诱发反应仅归因于正在进行的 EEG 振荡的重组。例如，体感诱发电位的 N30 分量就是这种情况，其中 70% 的幅度归因于纯相位锁定 [ 25 ]。事实上，在大多数 ERP 研究中，会出现混合情况（功率变化和相位锁定），这使得基础和临床解释变得困难。另一个缺点是，在大多数诱发电位研究中，对一组受试者进行的是总体平均值。虽然总体平均值方法可以得到适当的统计数据[26]和关于基本或临床结果的实际结论，但它掩盖了从临床角度来看可能至关重要的个体特性。当诊断工具基于总体平均值诱发电位[27]时，这个问题尤其重要。同样，对总体平均值数据应用逆建模[10,28]可以非常有效地识别ERP发生器[19,29-31]，但不利于确定个体特征。面对这些缺点，
改进单次试验分类中的意图检测......
摘要 — 意图解码是免提人机交互 (HCI) 中不可或缺的过程。传统的眼动追踪系统使用单一模型注视持续时间可能会发出忽略用户真实期望的命令。在本研究中，引入了一种眼脑混合脑机接口 (BCI) 交互系统，通过融合多模态眼动追踪和 ERP（源自 EEG 的测量）特征来检测意图。当 64 名健康参与者在 25 个图标中执行 40 分钟的定制自由搜索任务时，记录了他们的眼动追踪和 EEG 数据。提取了相应的眼动追踪和 ERP 注视持续时间。采用五个已验证的基于LDA的分类器（包括RLDA，SWLDA，BLDA，SKLDA和STDA）和广泛使用的CNN方法从离线和伪在线分析中验证特征融合的有效性，并通过调节训练集和系统响应持续时间来评估最佳方法。我们的研究表明，多模态眼动和ERP特征的输入在主动搜索任务的单次试验分类中实现了意图检测的优异性能。并且与单模型ERP特征相比，该新策略也在不同的分类器之间获得了一致的准确率。此外，与其他分类方法相比，我们发现SKLDA在离线测试（ACC=0.8783，AUC=0.9004）和不同样本量和持续时间长度的在线模拟中融合特征时表现出更优异的性能。总之，本研究揭示了一种利用眼脑混合BCI进行意图分类的新颖有效的方法，并进一步以更精确、更稳定的方式支持了免提HCI的实际应用。
单次试验 MEG 数据可通过交叉去噪...
脑成像中普遍存在的一个挑战是噪声的存在，这会阻碍对潜在神经过程的研究，尤其是脑磁图 (MEG) 具有非常低的信噪比 (SNR)。提高 MEG 信噪比的既定策略包括对与同一刺激相对应的多次重复数据进行平均。然而，重复刺激可能是不可取的，因为潜在的神经活动已被证明会在试验过程中发生变化，而重复刺激会限制受试者体验到的刺激空间的广度。特别是，一次观看电影或故事的自然主义研究越来越受欢迎，这需要发现新的方法来提高 SNR。我们引入了一个简单的框架，通过利用受试者在经历相同刺激时神经反应的相关性来减少单次试验 MEG 数据中的噪声。我们在 8 名受试者的自然阅读理解任务中展示了它的用途，在他们阅读同一故事一次时收集了 MEG 数据。我们发现我们的程序可以减少数据中的噪声，并可以更好地发现神经现象。作为概念验证，我们表明 N400m 与单词惊讶的相关性（文献中已证实的发现）在去噪数据中比在原始数据中更明显。去噪数据还显示出比原始数据更高的解码和编码准确度，这表明与阅读相关的神经信号在去噪过程后得到保留或增强。
用于即时单次状态分类的神经网络
为了部署基于神经网络的状态分类，我们使用了开源 PyTorch 库。21 该库面向计算机视觉和自然语言处理，包括实现深度神经网络的能力，并包含用于在图形处理单元 (GPU) 上进行数据处理的内置功能。GPU 集成使我们的管道足够快，可以执行即时数据分类，而无需将原始测量信号传输到硬盘驱动器。除其他优点外，它还允许实时监控读出分配保真度。由于神经网络的初始训练需要几分钟的时间，因此随后的网络权重重新训练需要几秒钟，并允许读出分配保真度返回到最佳值。更重要的是，本研究中使用的卷积神经网络可以设计和训练成能够适应某些实验参数漂移的方式。具体而言，我们提出了一种策略来消除由微波发电设备引起的局部相对相位漂移对读出分配保真度的影响。在我们的实验中，我们使用了电路量子电动力学平台的原始部分：耦合到读出腔的传输器。
单次二维异质结构的进步 -
二维（2D）材料表现出许多显着的物理特性，包括2D超导性，磁性和依赖层的带隙。但是，单个2D材料很难满足复杂的实际要求。通过Verti Cally堆叠不同种类的2D材料获得的异质结构，由于其丰富的电子特征，吸引了研究人员的注意力。使用异质结构，可以克服晶格匹配的约束。同时，已经探索了针对电子和光电设备的高应用电位，包括隧道晶体管，柔性电子和光电视。具体来说，通过插入的基于石墨烯的范德华异质结构（VDWH）正在涌现，以实现各种基于功能异质结构的电子设备。外延石墨烯下的插入原子可以有效地从底物中解脱石墨烯，并有望实现石墨烯中丰富的新型电子性能。在这项研究中，我们系统地回顾了基于石墨烯的VDWH中单元素插入的进展，包括互嵌套机制，互化修饰的电子特性以及2D互化异质结构的实际应用。这项工作将激发2D材料科学前沿中的边缘切割想法。
单次自旋量子比特的稳健且快速的后处理......
建立低误差和快速的量子比特读出检测方法对于有效的量子误差校正至关重要。在这里，我们测试神经网络以对一组单次自旋检测事件进行分类，这些事件是我们的量子比特测量的读出信号。此读出信号包含一个随机峰值，对于该峰值，包括高斯噪声的贝叶斯推理滤波器在理论上是最佳的。因此，我们将通过各种策略训练的神经网络与后一种算法进行了基准测试。使用 10 6 个实验记录的单次读出轨迹训练网络不会提高后处理性能。与贝叶斯推理滤波器相比，由合成生成的测量轨迹训练的网络在检测误差和后处理速度方面表现相似。事实证明，这种神经网络对信号偏移、长度和延迟以及信噪比的波动更具鲁棒性。值得注意的是，当我们使用由合成读出轨迹结合我们设置的测量信号噪声训练的网络时，我们发现 Rabi 振荡的可见性增加了 7%。因此，我们的贡献代表了神经网络的软件和硬件实现在可扩展自旋量子比特处理器架构中可能发挥的有益作用的一个例子。
单次时间分辨的空间充电畸变...
传输电子显微镜（TEM）已被证明是所有搜索区域中极其强大且通用的工具，这些工具从原子量表空间分辨率下进行成像受益[1-3]。尽管可以从NM和Sub-NM分辨率的样品的静态快照中获得大量信息，但如果可以升级该技术的到达，则在升级该技术的范围以包括对样品结构，组合和对应用程序的响应中的质量变化以及其他元素的响应中的响应方式的研究中有明显的突破性进步，并在4 dectime of Ade aft eq afteremention中进行了四分之一的范围。与空间分辨率的外部进步形成鲜明对比（最近通过引入亚物化校正来打破了子角屏障[5，6]），由于固有的时间需要长时间的曝光时间，因此，TEMS的时间分辨率受到限制，以击败基本的射击限制，以击败基本的射击限制。给定TEM柱中的平均电子电流（通常低于1 µA），以便提供照明剂量足以实现高质量成像，需要以毫秒或更长的时间为单位的时间间隔。已经有多次尝试解决电子成像中的这种缺陷。一种解决方案是在电子柱中主要是非常低的电流，但是将电子在Ob-Ject平面的到达时间进行了综合，并以相同的确切方式重复了效应的发生效应的发生，并重复了数百万的标本照明[4]。这种频道镜检查允许在电子和磁场动力学（Pinem and Magement Vortex）的成像中进行开创性结果[8，9]。当样本动力学不能以相同的方式复制（不可逆的过程）时，就必须诉诸于单个镜头照明，这是一个将所有电子发送到一个时间持续时间
单次试验对视频游戏玩家的专业知识，来自大脑血液动力学和面部情绪反应
摘要：随着消费者对视频游戏娱乐的需求，游戏行业正在探索新颖的游戏互动方式，例如提供游戏与游戏玩家的认知或情感响应之间的直接接口。在这项工作中，游戏玩家的大脑活动是使用近红外光谱（FNIRS）进行成像的，而他们观看了他们玩的视频（英雄联盟）的视频。还记录了15个试验中的每一个中的参与者面孔的视频，其中试验被定义为观看游戏视频。从收集到的数据中，即游戏玩家的FNIRS数据与游戏玩家面部表情的情感状态估计相结合，游戏玩家的专业知识水平已在一个多模式的框架中被解码，其中包括由无培养的深度特征学习和分类通过统一模型来解码。使用随机卷积内核变换（Rocket）特征提取方法和91.44％的Deep Clastifier获得最佳三级分类精度。这是第一项工作，旨在使用非限制性和便携式技术来解码游戏玩家的专业知识水平，以及从游戏玩家的面部表情中获得的情感状态识别。这项工作对未来人类与视频游戏和大脑控制游戏的新型设计具有深远的影响。
编码前和编码期间默认模式网络的单次试验脑电图连接可预测后续记忆结果
成功的记忆过程会在大脑网络中产生特定的活动。由于刺激前和编码阶段的大脑活动对后续的记忆结果（如记住或遗忘）有着至关重要的影响，先前的研究试图预测这一时期的记忆表现。传统研究使用特定区域的频谱功率或事件相关电位作为分类特征。然而，由于多个大脑区域协同处理记忆，使用与记忆相关的大脑网络内的功能连接来预测后续的记忆表现可能是更好的选择。在本研究中，我们在执行记住场景-单词对的联想记忆任务时获取了脑电图信号。对于连接分析，我们使用刺激前和编码阶段的时间频谱来估计默认模式网络内的交叉信息。然后，我们利用连接特征预测后续记忆结果的成功或失败。我们发现，在多个频带和任务阶段中，使用编码阶段的 beta（13–30 Hz）连接，支持向量机分类器实现了最高的分类准确率 80.83% ± 12.65%（平均值±标准差）。使用刺激前 beta 连接，分类准确率也达到了 72.45% ± 12.52%。在这些特征中，与背内侧前额叶皮质相关的连接被发现有助于记忆编码成功。与后扣带皮层相关的连接被发现导致记忆编码失败。本研究首次显示使用单次试验功能连接可以成功且高精度地预测后续记忆结果。
社交 - vrnn：互动行人的单次多模式轨迹预测
摘要：人类动议的预测是对人类自主机器人安全导航的关键。在混乱的环境中，由于其与环境和其他脚步的相互作用，可能会有几种运动假设。以前用于估计多个运动假设的工作需要大量样本，这限制了其在实时运动计划中的适用性。在本文中，我们提出了一种基于深层生成神经网络的相互作用和多模式轨迹预测的变分学习方法。我们的方法可以实现更快的收敛性，并且与最新方法相比，需要更少的样本。对真实和模拟数据的实验结果表明，我们的模型可以有效地学习推断出不同的轨迹。我们将我们的方法与三种基线方法进行了比较，目前的性能结果表明，我们的生成模型可以通过产生各种轨迹来实现轨迹预测的更高准确性。