XiaoMi-AI文件搜索系统
World File Search System想象
通过AI重新想象文化：认知现象
在本文中，我们研究了生成性AI驱动的文化转变，探索了其革命性和潜在的人类意识中的认知和认识论转变的潜力。我们介绍了“认知”的概念 - 将生成AI注入各种社会方面 - 并通过精神，社会和技术镜头对其进行分析，与三种类型的人类文化相对应。精神观点调查了生成性AI如何增强人类创造力，促进人类的合作和个性化文化对象。社会镜头探讨了人工智会对人类互动的影响，其创造性努力的民主化以及相关的道德问题，例如AI-ai-ai-tosship纠纷。技术观点强调生成的AI是一种新的认知形式，从而实现了认识论的进步并重塑了我们对知识创造的理解。我们认为，生成的AI不仅是一种工具，而且是一种作为人类的合作伙伴或队友的文化技术，能够重新构想社会与智力和创造力的互动。尽管这种现象为创新提供了机会，但它也提出了与作者身份，道德和监管有关的挑战。通过认知，生成的AI有可能重新定义文化规范并增强人类潜力，从而成为进一步研究的关键领域。
以及基于脑电图的运动想象脑的个体内变异性......
在脑电图 (EEG) 记录中，不同受试者之间和同一受试者内随时间推移都存在普遍且难以捉摸的受试者间和受试者内变异性 ( Saha and Baumert ， 2020 )。受试者间变异性可归因于年龄、性别和生活习惯等因素，这些因素与大脑地形和电生理有关 ( Seghier et al. ， 2004 ； Herzfeld and Shadmehr ， 2014 ； Wu et al. ， 2014 ； Seghier and Price ， 2018 ； Antonakakis et al. ， 2020 )。受试者内部的变异性可以解释为心理和生理的变化，例如疲劳、放松和注意力（Smith 等人，2005 年；Meyer 等人，2013 年；Nishimoto 等人，2020 年；Trinh 等人，2021 年；Hu 等人，2022 年）。受试者间和受试者内部的变异性对基于 EEG 的脑机接口 (BCI) 领域构成了重大挑战（Ray 等人，2015 年；Saha 等人，2017 年；Lee 等人，2019 年；Chikara 和 Ko，2020 年；Wei 等人，2021 年；Huang 等人，2022 年）。通过检测感觉运动节律 (SMR) 中的事件相关去同步/同步 (ERD/ERS)，基于运动想象的 BCI (MI-BCI) 已被提出用于神经康复应用，范围从运动障碍、严重肌肉疾病和瘫痪患者到肢体运动恢复 (Wolpaw and Wolpaw, 2012; Mane et al., 2020)。然而，来自某个受试者的训练有素的 BCI 模型不能直接应用于另一个受试者。此外，先前的研究表明 BCI 效率低下的问题，有 10% 到 50% 的用户无法操作 MI-BCI 系统 (Vidaurre and Blankertz, 2010; Liu et al., 2020)。即使是对同一受试者，BCI 系统的性能也会随着时间的推移而下降。受试者间和受试者内变异性的存在导致传统机器学习泛化能力的下降，从而限制了MI-BCI的实用化应用（Ahn and Jun，2015；Saha等，2017）。在传统机器学习框架下，训练集和测试集需要独立同分布（IID）（Duda and Hart，2006）。然而，受试者间和受试者内的变异性使得IID条件假设不再成立。通过放宽IID假设的限制要求，迁移学习被认为是一种有效的方法，可以提高模型对受试者间和受试者内变异性的可重用性和泛化能力（Jayaram等，2016；Pan，2020）。已经提出了一系列方法将知识从源域迁移到目标域。不变表示的目的是寻找跨不同会话或主题的不变学习模型，例如正则化公共空间模式 (CSP) 和不变 CSP (Blankertz 等，2007；Cheng 等，2017；Xu 等，2019)。随着深度学习技术的发展，领域自适应方法已经提出并几乎完全主导了 BCI 应用领域（Li 等人，2010 年；Liu 等人，2012 年；Samek 等人，2013 年；Fukunaga，2013 年；Dagaev 等人，2017 年；Azab 等人，2019 年；Hong 等人，2021 年）。一些端到端优势和更强的特征学习能力受到了越来越多的关注（Autthasan 等人，2021 年）。虽然受试者间和受试者内的变异性对实际应用的挑战已逐渐被注意到，并且迁移学习可以在一定程度上弥补性能下降，但对受试者间和受试者内变异性的理解仍然有限。大多数研究人员将受试者间和受试者内的变异性视为类似类型的问题（ Jayaram 等人，2016 年）。虽然受试者间和受试者内的变异性都会导致
未来准备就绪：重新想象年轻的有意义的工作...
我们为年轻人和十二个有意义的工作标准设计了一个新的定义。这项工作是通过与年轻人和年轻人的协作和同情精心制作的，不仅仅是纸上的一套单词。这是一种通用语言，是一种共同的愿景，我们邀请在工作生态系统中使用利益相关者。从雇主到教育工作者，从决策者到社区组织，从非营利组织到个人联系 - 我们呼吁你们每个人都加入我们的共同努力和责任。年轻人现在比以往任何时候都需要有意义的工作，但是我们不能独自这样做。本报告的核心是采取行动呼吁，提醒我们，有意义的工作的未来取决于集体努力和坚定不移的变革奉献。
独立于受试者的运动想象脑电图分类...
背景：脑机接口（BCI）系统帮助运动功能障碍患者与外界环境进行交互。随着技术的进步，BCI系统已在实践中得到应用，但其实用性和可用性仍然受到很大挑战。使用BCI系统前往往需要大量的校准时间，这会消耗患者的精力和耐心，并容易导致焦虑。针对这一问题，我们提出了一种与受试者无关的零校准方法。方法：提出一种双分支多尺度自编码网络（MSAENet）实现与受试者无关的运动想象分类，旨在实现BCI的即插即用。首先，该网络由一个多尺度分支和一个自动编码器（AE）组成，用于从不同角度进行特征学习。其次，以EEG信号与8-30 Hz频段内常见空间模式之间的协方差作为空谱特征，并将特征预提取信息作为MSAENet的输入。最后，网络引入中心损失函数提升分类能力。在三个公开数据集BCIV2a，SMR-BCI，OpenBMI上测试网络泛化能力。结果：结果表明，所提网络在三个数据集上均表现出良好的效果，在受试者独立的情况下，MSAENet在BCIV2a和SMR-BCI数据集上优于其他四种比较方法，而在OpenBMI数据集上F1得分值高达69.34%；分类性能最好的受试者相关结果明显优于其他四种先进的比较方法。我们的方法在保证较少的参数量和较短的预测时间的同时，能够保持较好的分类精度。结论：MSAENet验证了以下三点：（1）空间频域特征可以从原始EEG信号中提取有效信息。（2）双分支多尺度特征融合可以更全面地提取特征。 (3)中心损失函数的引入弥补了Softmax分类器只考虑类间距而忽略类内距离的缺陷，实现了零校准，有效解决了BCI应用中需要大量校准时间的问题。
改进脑电图信号想象图像的分类和重建
解码与特定任务（例如想象某事）相关的大脑活动对于脑机接口 (BCI) 控制非常重要。虽然之前已有报道在观察视觉图像和想象图像时解码大脑信号（例如功能性磁共振成像 (fMRI) 信号和脑电图 (EEG) 信号），但本研究的目标是进一步开发改进大脑数据训练、性能和解释的方法。我们应用 Sinc-EEGNet 解码感知和想象 EEG 刺激时的大脑活动，并添加注意模块来提取每个电极或频带的重要性。我们还使用生成对抗网络 (GAN) 从大脑活动中重建图像。通过结合视觉任务（感知）和想象任务期间记录的 EEG，我们成功提高了想象任务中对 EEG 数据进行分类的准确性，并提高了 GAN 重建的质量。我们的结果表明，视觉任务期间引起的大脑活动存在于想象任务中，可用于更好地对想象的图像进行分类。通过使用注意模块，我们可以得出每个频带中的空间权重，并从我们的模型中对比任务之间的空间或频率重要性。想象任务通过颞叶皮层的低频脑电图信号进行分类，而感知任务通过枕叶和额叶皮层的高频脑电图信号进行分类。在训练中结合数据集会产生一个平衡的模型，该模型可以改善想象任务的分类，而不会显著改变视觉任务的表现。我们的方法不仅提高了性能和可解释性，而且还可能减轻了训练负担，因为我们可以通过结合相对容易的任务的数据（观察视觉图像）来提高对相对困难且高变异性的任务（想象）进行分类的准确性。
听觉刺激下运动想象任务中大脑的激活
将数据分为α波段、β波段和γ波段，分析初级听觉皮层和高级运动皮层在不同频带的活动特征。如图2、图7所示，我们发现听觉刺激下运动想象任务中大脑主要激活的区域是左颞叶和额顶叶。在真实意义刺激下，左额顶叶的激活范围显著强于无意义刺激，均在β和γ波段内（F=4.512 p=0.041，F=5.508 p=0.031）[表1]。同时，真实意义声音刺激组的认知皮层激活水平高于无意义声音刺激组（F=4.561 p=0.040，F=5.002 p=0.032）[表1]。3.2 失配负性（MMN）
重新想象物理空间在未来的人类繁荣
这款开放访问的顶峰是由波士顿UMass Workerworks的批判性和创意思维计划免费提供给您的。已被波士顿UMass Worksworks的授权管理员纳入批判性和创造性思维Capstones收集。有关更多信息，请联系Scholarworks@umb.edu。
使用...的焦点和运动想象脑机接口
脑机接口是一种无需肌肉和声音，直接通过处理过的电信号从大脑操作设备的技术。该技术的工作原理是捕获大脑的电信号或磁信号，然后对其进行处理以获取其中包含的信息。通常，BCI 使用基于各种变量的脑电图 (EEG) 信号中的信息。这项研究提出了基于 EEG 信号信息的 BCI 来移动外部设备，例如无人机模拟器。从 EEG 信号中提取运动想象 (MI) 和焦点变量，使用小波。然后，通过循环神经网络 (RNN) 对它们进行分类。为了克服 RNN 记忆消失的问题，使用了长短期记忆 (LSTM)。结果表明，BCI 使用小波，而 RNN 可以驱动非训练数据的外部设备，准确率为 79.6%。实验表明，AdaDelta 模型在准确性和价值损失方面优于 Adam 模型。而在计算学习时间方面，Adam 模型比 AdaDelta 模型更快。
偏差反馈影响运动想象 BCI 的学习
简介：提出了各种用户训练来帮助用户完成运动想象（MI）BCI 任务，例如，使用正（有偏见）反馈（它是对一个人标记的大脑活动的乐观表示）已被证明可以提高表现[1]或学习[2]。相反，在[3]中，正反馈减少，而负反馈增加用户在一次会话中的学习。为了更好地理解有偏见的反馈对BCI训练期间的表现和学习的好处，我们考虑了用户状态，例如工作量和心流状态，一种最佳认知控制、沉浸和愉悦的状态，这些状态已被证明与表现相关[4]。材料、方法和结果：30名参与者（12名女性，平均年龄：28.56岁，SD：6.96）分为3组：1.无偏见，2.正偏见和3.负偏见，其中SVM分类器输出使用累积beta分布函数实时偏置。参与者参加了 2 个环节，每个环节包括校准（2 次运行）和测试（6 次运行）。一次运行包含每个类 20 次试验，持续约 5 分钟。用户使用左右手 MI 玩 Tux Racer 游戏。每次运行后，分别使用 NASA-TLX [5] 和 EduFlow [6] 问卷评估工作量和流动状态。在线表现被计算为分类器的峰值表现。学习率是环节内在线表现与运行的线性回归的斜率，例如高于零表示积极学习，而低于零表示学习下降。我们发现学习率在组×环节之间存在显着的相互作用（双向方差分析，p <0.01），图 1.A；但组间表现没有差异。我们发现流动状态与表现（Pearson's r = 0.30）和学习率（r = - 0.20）之间存在相关性（p <0.05，用 FDR 校正）；工作量与绩效之间没有相关性，但与学习率有相关性（r=0.13）。最后，我们发现各组之间存在显著差异，EduFlow 分数的认知控制维度 p<0.05，如 [4] 图 1.B 所示。
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。