XiaoMi-AI文件搜索系统
World File Search System想象
同一肢体不同关节运动想象的EEG信号ANFIS分类
简介：脑机接口 (BCI) 的实验领域正在扩大，包括运动动作，这在解读认知过程方面起着至关重要的作用。无需任何外部刺激，运动想象 (MI) 可用作脑机接口 (BCI) 的强大模型。操作外部设备的一种自然方法是想象移动同一只手臂的各个关节。这些设想的运动在运动脑中具有相似的空间图像，因此很难根据 EEG 数据区分同一腿的各个关节的 MI。方法：本研究使用了 25 名参与者的现有数据集合。参与者想象使用他们的右肢进行三项不同的活动：想象自己操纵右手、想象弯曲右臂以及在放松时闭上眼睛。为了给这些脉冲分配类别，我们求助于自适应神经模糊推理系统。结果：平均准确率为 90%。结论：研究结果表明，该技术对于正确分类 EEG 数据至关重要。本研究使用的数据收集包括肌肉成像中使用的相同肢体的脑电图测量。新的分类方法将应用于这些信号以得出结论。
印度的创造性经济 - 从想象力到...
数字鸿沟：虽然城市地区可能具有强大的数字基础设施，但农村和半城市地区通常缺乏可靠的互联网访问，这对数字创意经济至关重要。这限制了创意数字服务的潜在影响力和增长。网络安全：随着创意产业在线移动；许多创意企业可能没有知识或资源来有效保护其数字资产。数字素养：缺乏数字素养的人群中有很大一部分，这不仅对于消费创意数字内容，而且对于其创建和分销至关重要。技能差距：印度面临的专业人士短缺，在新的数字技术方面接受培训，例如人工智能，机器学习和区块链，可以在创意经济中使用。对知识产权的保护不足：这包括缺乏有效的版权执法框架，不足的知识产权培训和专业知识，繁琐的注册过程，执法机构之间缺乏协调以及昂贵的司法程序。系统性问题：
重新想象明天的供应链的弹性
“美国银行”和“ BOFA Securities”是全球银行和全球市场部门使用的营销名称。贷款，衍生品，其他商业银行活动以及某些金融工具的交易是由美国银行公司的银行分支机构（包括美国银行，N.A。）成员FDIC在全球范围内进行的。由美国银行公司公司（“投资银行分支机构”）的投资银行分支机构（包括在美国，Bofa Securities，Inc。）全球范围内，在全球范围内进行交易，战略咨询和其他投资银行业务，该公司是注册经纪人企业和其他司法部门，以及其他辖区的成员。BOFA Securities，Inc。是CFTC的注册期货委员会商人，也是NFA的成员。
想象可持续能源社区：未来数字技术、场地和参与的设计叙述
越来越多的研究项目描述了能源社区的愿景，描绘了对更可持续、更民主的能源未来的希望。然而，这些研究叙述如何嵌入到日常生活中的公共能源未来的数字技术设计中仍未阐明。虽然可持续人机交互已经确定了相关的设计叙述，但很少有人关注公共能源项目的叙述。在本文中，我们将范围扩大到 ACM 的能源社区文献，以确定讲述如何想象能源社区以及它们为何相关的设计叙述。通过批判性话语分析，我们描述了设计叙述目前如何影响能源社区在场地、参与度和数字技术方面的研究。我们利用这些故事来讨论并提出未来人机交互研究人员和从业者如何探索能源社区未来替代和可持续愿景的三条轨迹。
基于脑电图的运动想象分类的独立于主题的深度架构
摘要 —基于脑电图 (EEG) 的运动想象 (MI) 分类是非侵入式脑机接口 (BCI) 系统中广泛使用的技术。由于 EEG 记录在不同受试者之间具有异质性并且标记数据不足，因此设计一个使用有限的标记样本独立于受试者执行 MI 的分类器是可取的。为了克服这些限制，我们提出了一种新颖的独立于受试者的半监督深度架构 (SSDA)。所提出的 SSDA 由两部分组成：无监督和监督元素。训练集包含来自多个受试者的标记和未标记数据样本。首先，无监督部分，称为列时空自动编码器 (CST-AE)，通过最大化原始数据和重建数据之间的相似性从所有训练样本中提取潜在特征。采用维度缩放方法来降低表示的维数，同时保留其可辨别性。其次，监督部分使用在无监督部分获得的潜在特征，基于标记的训练样本学习分类器。此外，我们在监督部分使用中心损失来最小化类中每个点到其中心的嵌入空间距离。该模型以端到端的方式优化网络的两个部分。在训练阶段模型未见过的测试对象上评估了所提出的 SSDA 的性能。为了评估性能，我们使用了两个基于 EEG 的基准 MI 任务数据集。结果表明，SSDA 优于最先进的方法，并且少量的标记训练样本足以实现强大的分类性能。
想象人工智能设计的未来：动态基础、建设性谈判和可持续动力
我们设想了一种涉及 AI 技术的未来设计工作流程。借鉴活动和通信理论，我们试图分离出与过去的技术相比，大型 AI 模型可以为设计提供的新价值。我们得出了三种可供性——动态基础、建设性谈判和可持续动机，它们总结了自然语言支持的基础模型的潜在品质，这些模型如果明确设计，可以支持设计过程。通过设计虚构，我们将未来的界面想象成一个叙事原型，即《松鼠游戏》的故事，它在现实的使用场景中展示了我们的三种可供性。我们的设计流程、术语和图表旨在为未来关于 AI 技术与人类设计师合作的相对可供性的讨论做出贡献。
基于脑电图的中风患者运动想象和运动执行过程中大脑连接的变化
脑电图 (EEG) 可以记录与运动相关的大脑区域的功能连接，并预测中风后运动恢复的可能性 ( Hoshino et al., 2020 )。PMA 位于皮质运动区前部，中央前回前方。其主要生理功能是运动的准备和计划，这是一个至关重要的运动控制组成部分 ( Park et al., 2011; Wang et al., 2016 )。在 ME 期间，MA 接收来自 PMA 的信号，随后向身体肌肉发送命令来执行动作，从而控制身体运动 ( Fleischmann et al., 2014 )。此外，通过 EEG 测量的运动皮质连接，特别是同侧运动区和同侧运动前区 (PMA) 连接，与运动障碍和中风后治疗的改善密切相关；因此，它可能是皮质功能和可塑性的有用生物标志物 ( Wu et al., 2015 )。与功能性磁共振成像（fMRI）或脑磁图（MEG）相比，电流源估计的可靠性和空间分辨率有限；但脑电图具有低成本和便携性的优势（Xiaogang et al.，2021）。它可用于脑卒中患者的床边评估，其毫秒级的时间分辨率有利于探索神经活动的动态变化（Warbrick，2022）。
基于双向特征金字塔注意的时间卷积网络模型用于运动想象脑电图分类
脑机接口 (BCI) 是一种新兴的交互式通信方法，通过解码大脑活动产生的信号，实现对假肢和外部设备的神经控制，以及中风后运动康复。这种最先进的技术有可能彻底改变生活的各个方面，并显着提高整体生活质量。BCI 具有广泛的应用范围，从医疗援助到人类增强（Ahmed 等人，2022 年；Altaheri 等人，2023 年）。通常，脑电图 (EEG) 信号反映大脑的电活动，并通过在头皮上放置电极阵列来非侵入式地记录。获得真实值（时间和通道）二维 EEG 信号矩阵使人与外部设备之间的直接通信成为可能（Graimann 等人，2010 年）。运动想象 (MI) 是一种思考如何移动身体的某个部位而不移动身体的活动。基于 EEG 的 MI 活动已广泛应用于车辆控制、无人机控制、环境控制、智能家居、安全和其他非医疗领域（Altaheri 等人，2023 年）。然而，解码 MI-EEG 信号仍然是一项具有挑战性的任务。在此任务中，其他生理信号（例如面部肌肉活动、眨眼和环境中的电磁干扰）会污染记录的 MI-EEG 信号并导致信噪比低（Lotte 等人，2018 年）。MI-EEG 模式的个体差异受到参与者大脑结构和功能差异的影响。此外，EEG 系统在信号通道之间表现出一定程度的相关性，这进一步使信号处理过程复杂化（Altaheri 等人，2022 年）。在对 EEG 信号进行分类和识别的传统方法中，通常依赖于领域特定知识。这导致人们更加关注开发有效的特征提取和分类技术，这主要是由于 EEG 信号固有的低信噪比（ Huang et al., 2019 ）。人们通常使用各种特征提取方法，包括独立成分分析（ Barbati et al., 2004 ； Delorme and Makeig, 2004 ； Porcaro et al., 2015 ； Ruan et al., 2018 ）、小波变换（ Xu et al., 2018 ）、共同空间模式（ Gaur et al., 2021 ）和经验模态分解（ Tang et al., 2020 ）。在对 EEG 信号进行预处理后，从处理后的信号中提取基本特征并输入分类器以确定输入实例的类别（ Vaid et al., 2015 ）。传统的特征提取方法通常涉及手工设计的特征提取器，例如滤波器组共享空间模式 (FBCSP) (Ang et al., 2008) 或黎曼协方差 (Hersche et al., 2018) 特征。Ang et al.（2012）使用滤波器组公共空间模式（FBCSP）算法来优化MI-EEG上公共空间模式（CSP）的受试者特定频带，然后采用基于互信息的最佳个体特征（MIBIF）算法和基于互信息的粗糙集约简（MIRSR）算法从信号中提取判别性的CSP特征。最后，我们使用CSP算法进行分类并获得了良好的性能。值得注意的是，所有这些步骤都非常耗时。虽然传统方法通过预处理方法提高了EEG信号的信噪比，但从不同时间戳和受试者采集的EEG信号通常
用于 BCI 运动想象解码的强大而简单的深度学习基线
摘要 — 我们提出了 EEG-SimpleConv，一种用于 BCI 中运动想象解码的简单 1D 卷积神经网络。我们的主要动机是提出一个简单且性能良好的基线来进行对比，仅使用文献中非常标准的成分。我们在四个 EEG 运动想象数据集（包括模拟在线设置）上评估其性能，并将其与最近的深度学习和机器学习方法进行比较。EEG-SimpleConv 至少与其他方法一样好或效率更高，显示出跨学科的强大知识转移能力，但推理时间较短。我们主张使用现成的成分而不是临时解决方案可以极大地帮助 BCI 采用深度学习方法。我们使模型和实验的代码易于访问。
公众想象中的人工智能
[视频] • 机器人不得伤害人类，也不得因不作为而让人类受到伤害。 • 机器人必须服从人类的命令，除非这些命令与第一定律相冲突。 • 机器人必须保护自己的存在，只要这种保护不与第一定律或第二定律相冲突。