XiaoMi-AI文件搜索系统
World File Search System想起
语音回忆过程中脑电图回忆间隔的估计
图4显示了使用20倍交叉验证估计每个受试者的回忆间隔的结果。在图 4 中，横轴是时间，纵轴是来自 5 个受试者的 200 个样本（总共 1000 个样本）的准确率。红框内是语音回忆部分。前文研究 [2] 中的方法（图 4 中的蓝线）的准确率在语音回忆片段之间下降到 0.2，而本文提出的方法（图 4 中的橙线）则达到了 0.8 的稳定准确率。 从这些结果可以看出，可以说所提出的方法对于估计回忆间隔是有效的。然而，当我们观察所提出的方法在语音回忆部分之外的准确度时，我们发现与以前的研究相比，该方法将语音回忆部分之外的部分估计为回忆率的情况更为常见。这被认为是由于大脑中噪音的影响。因此，我们旨在通过将增加的 10 个样本应用于所提出的方法来减少这种噪音。结果就是图4中的绿线。在保持回忆部分的准确度的同时，非回忆部分的准确度得到了提高。基于这些结果，我们研究了所提出方法的最佳添加次数。结果如图5所示。图 5 显示了所有受试者对每个加法数字的准确率。蓝线表示整个时间内的平均准确率，橙线表示回忆期间的最大准确率。横轴是添加的样本数量，纵轴是准确率。通过添加 sigma，回忆部分的准确率得到了提高，达到了约 90%。另外，10 次添加等于 1 个样本。
脑电图（EEG）中言语回忆和非回忆间隔的分类
脑机接口 (BCI) 研究已开始用于从脑电图 (EEG) 中识别语音想象过程中的回忆音节。目前，很难从 EEG 数据中识别出真实的回忆持续时间。因此，通常使用不准确的回忆数据（包括非回忆持续时间或通过视觉确定频谱轮廓标记的回忆部分）来识别回忆的音节。由于视觉音节标记耗时费力，因此希望区分正确的语音想象片段的过程能够自动化。在本文中，我们构建了由语音想象片段和非回忆片段组成的每个模型以获得真正的音节片段。我们通过视觉判断从带有音节标记的语音想象/非回忆数据中提取复倒谱，并使用这些特征识别语音想象/非回忆片段。最后，我们报告了通过 10 倍交叉验证的分类结果。
利用脑电信号进行语音回忆中的单词识别
㉳⬻Ἴ䛿Ⓨヰ⬻Ἴ䛸䛿␗䛺䜚䠈ṇ☜䛺㉳้䛜 ᫂░䛷䛒䜛䛸䛔䛖ၥ㢟䛜䛒䜛䠊䛭䛣䛷䠈ᅗ 2 䛾㘓䝥䝻䝖䝁䝹䛻䛚 䛔䛶䠈⿕㦂⪅䛿⣧㡢䛜㬆䜚⤊䜟䛳䛯┤ᚋ䛻㉳䜢㛤ጞ䛧䛶䛔䜛 䛸௬ᐃ䛧䠈 1 ༢ㄒ䛾㉳㛫䜢 400ms 䛸⪃䛘䠈 0-400ms( ⣧㡢┤ ᚋ :0ms) 䜢ゎᯒ༊㛫䛸䛩䜛䠊 3.2 ⠇䛷ㄝ᫂䛧䛯 6 䛴䛾≉ᚩ㔞䛩䜉 䛶䜢⏝䛔䛯䛯䜑䠈ධຊḟඖᩘ䛿䠈 ( ⥺䝇䝨䜽䝖䝹௨እ䛾 5 䛴䛾≉ ᚩ㔞㽢 21ch 䠇⥺䝇䝨䜽䝖䝹 25 ḟඖ ) 㽢 2( ᖹᆒ䛸ᶆ‽೫ᕪ ) 䛾 260 ḟඖ䛷䛒䜛䠊 10 ྡ䛾⿕㦂⪅䛾ᖹᆒṇゎ⋡䜢ᅗ 6 䛾䛂 0- 400ms ༊㛫䛃䛻♧䛩䠊ᅗ 6 䜘䜚䠈ṇゎ⋡䛿 20% 䜋䛹䛷䛒䜚䠈ㄆ㆑ 䛷䛝䛶䛔䛺䛔䛣䛸䛜䜟䛛䜛䠊 ṇゎ⋡䛜ప䛔ཎᅉ䛾୍䛴䛸䛧䛶䠈ṇ☜䛺㉳༊㛫䛜≉ᐃ䛷 䛝䛶䛔䛺䛔Ⅼ䛜ᣲ䛢䜙䜛䠊䛭䛣䛷䠈㉳⬻Ἴ䛸ྠ䛨䝥䝻䝖䝁䝹 䛷㘓䛧䛯Ⓨヰ⬻Ἴ䛻╔┠䛧䛯䠊ྠ䛨䝥䝻䝖䝁䝹䛷㘓䛧䛶 䛔䜛䛣䛸䛛䜙䠈Ⓨヰ䛸㉳䛾㛤ጞ้䜔⥅⥆㛫䛿ᴫ䛽୍⮴䛩 䜛䛸௬ᐃ䛧䛯䠊䛭䛧䛶Ⓨヰ㛫䜢䜒䛸䛻ゎᯒ༊㛫䜢Ỵᐃ䛩䜜䜀䠈 ㉳༊㛫䛷䛾ㄆ㆑ᐇ㦂䛜⾜䛺䛘䜛䛿䛪䛷䛒䜛䠊௨ୖ䛾䛣䛸䛛䜙䠈 Ⓨヰ⬻Ἴ䜢㘓䛧䛯㝿䛻㘓㡢䛧䛯㡢ኌ䝕䞊䝍䛛䜙ྛ⿕㦂⪅ 䛾ᩘᏐ䛤䛸䛾Ⓨヰ㛫䜢⟬ฟ䛩䜛䠊 ⿕㦂⪅䛤䛸䛾Ⓨヰ㛤ጞ㛫䛾ᖹᆒ䜢ぢ䛶䜏䜛䛸䠈䛹䛾⿕㦂⪅ 䜒 250ms ௨㝆䛻Ⓨヰ䜢㛤ጞ䛧䛶䛚䜚䠈⣧㡢䛾㬆䜚⤊䜟䜚┤ᚋ䛻 Ⓨヰ䜢㛤ጞ䛧䛶䛔䜛⿕㦂⪅䛿䛔䛺䛛䛳䛯䠊䜎䛯䠈⿕㦂⪅䛻䜘䛳 䛶㛤ጞ㛫䛿␗䛺䛳䛶䛔䛯䠊䛥䜙䛻䠈ྠ䛨ᩘᏐ䛻䛚䛡䜛⿕㦂⪅ 䛤䛸䛾Ⓨヰ⥅⥆㛫䛾ᖹᆒ䜢ぢ䛶䜏䜛䛸䠈䛣䛱䜙䜒⿕㦂⪅䛻䜘䛳 䛶␗䛺䜛䛣䛸䛜䜟䛛䛳䛯䠊䛣䛾⤖ᯝ䛛䜙䠈ゎᯒ༊㛫䛸䛧䛶䛔䛯 0- 400ms 䛿ᐇ㝿䛾㉳༊㛫䛸䛝䛟␗䛺䛳䛶䛔䜛ྍ⬟ᛶ䛜㧗䛔䠊 䜘䛳䛶䠈㉳䛾ゎᯒ༊㛫䜢ྛ⿕㦂⪅䛾༢ㄒ䛤䛸䛾Ⓨヰ㛤ጞ 㛫䛸⤊㛫䜢䜒䛸䛻ኚ᭦䛧䠈ᨵ䜑䛶㡢ኌ㉳༢ㄒㄆ㆑ᐇ㦂 䜢⾜䛖䠊
语音回忆过程中脑电图音节信息的提取
ᵝ䚻䛺㡿ᇦ䛻ர䜛 Brain Computer Interface 䠄 BCI 䠅䛾◊✲䛜 ┒䜣䛻⾜䜟䜜䛶䛔䜛䠊 BCI ◊✲䛿㐠ື㔝䛾ほ 䛛䜙ᶵჾ᧯స 䜢┠ᣦ䛩䜒䛾䛜ඛ⾜䛧䛶䛔䜛䛜 [1][2] 䠈㡢ኌゝㄒ䛻㛵䜟䜛 BCI ◊✲䜒䠈 fMRI 䜔 PET 䛷㘓䛥䜜䛯䝕䞊䝍䛾ほ 䛛䜙䠈ᴫᛕ ㉳ Æ ゝㄒ⾲⌧䝥䝷䞁䝙䞁䜾 Æ 㡢⠇䞉༢ㄒ䞉ᩥ⾲⌧ Æ Ⓨヰ㐠ື ⚄⤒⣔䛾άື䛻⮳䜛▱ぢ䛜✚䛥䜜䠈◊✲䛜άⓎ䛻䛺䛳䛶䛔 䜛 [3][4] 䠊䛣䛾ศ㔝䛷䛿 ECoG 䜢⏝䛔䛯◊㻌㻌㻌㻌㻌㻌㻌✲䛜ඛ⾜䛧 䛶䛔䜛䛜䠈㠀くⓗ䛻䛛䛴䝸䜰䝹䝍䜲䝮䛻ಙྕ䜢ほ 䛷䛝䜛 EEG 䜔 MEG 䛜ᐇ⏝䜢⪃䛘䜛䛸ᮃ䜎䛧䛔䠊 ሗ࿌⪅䜙䛿㡢ኌ㉳䛾 EEG ಙྕ䜢ᑐ㇟䛻䠈 ” ゝㄒ⾲㇟䛿 ▷㛫 tone-burst Ἴ⩌䛷䛒䜛 ” 䛸䛾௬ㄝ䜢❧䛶䠈⥺䝇䝨䜽䝖䝹≉ ᚩ㔞䜢ᢳฟ䛧䛯ᚋ䠈䝇䝨䜽䝖䝹䝟䝍䞊䞁䛛䜙┠ど䝷䝧䝸䞁䜾䛷 ㉳༊㛫䜢ྠᐃ䛩䜛䛸ඹ䛻䠈 0 䛛䜙 9 䛾 10 ᩘᏐ䛸ẕ㡢㡢⠇䛻ྵ䜎 䜜䜛 17 㡢⠇䜢ศ㢮䛩䜛◊✲䜢⾜䛳䛶䛝䛯 [5] 䠊ᮏሗ࿌䛷䛿䠈᭱ ึ䛻 17 㡢⠇䜢୕䛴䛾㡢⠇䜾䝹䞊䝥 ( ẕ㡢㡢⠇䠈᭷ኌ㡢⠇䠈↓ ኌ㡢⠇ ) 䛻ศ䛡䛶ㄆ㆑䛧䛯㝿䛾ᐇ㦂⤖ᯝ䜢㏙䜉䜛䠊䛣䛾ᐇ㦂䛷 䛿Ꮫ⩦䝕䞊䝍ᩘ䜢ቑ䜔䛩䛯䜑䠈 (i) ᩘᏐ㡢ኌ㉳ ( 䛾ྛ㡢⠇䝕 䞊䝍 ) 䛸ู䛻䠈㡢⠇⾜ (/ga- gi- gu- ge- go/) 䜢㉳䛧䛶᥇ྲྀ䛧䛯䝕 䞊䝍䜢Ꮫ⩦䛧䛯ሙྜ䠈 (ii) 㡢⣲䜢ྵ䜐㡢⠇ (/g/ = /ga, gi, gu, ge, go/, /o/ = /o, ko, so, to, no,…../) 䛛䜙㡢⣲䝕䞊䝍䜢Ꮫ⩦䛧䛯ሙྜ䠈 䛻䛴䛔䛶䜾䝹䞊䝥ෆ䛾㡢⠇䜢ㄆ㆑䛧䛯⤖ᯝ䜢ሗ࿌䛩䜛䠊 ⥆䛔䛶䠈ಶ䚻䛾㡢⠇㆑ู䜢┠ᶆ䛻䠈ከ㔞䝕䞊䝍䛾㞟䜢⾜䛖䠊 ⬻Ἴ㘓䛷䛿䠈⣧㡢䝖䝸䜺䞊䛾┤ᚋ䛻 1 ▷㡢⠇䛾㡢ኌ㉳䜢⾜ 䛖䛣䛸䛷䠈 1 ᅇ䛾㉳㘓㛫䜢▷䛟䛧䠈ከ㔞䝕䞊䝍䜢㘓䛷䛝 䜛䜘䛖䛻䛧䛯䠊䛣䜜䛻䜘䛳䛶䠈␚䜏㎸䜏䝙䝳䞊䝷䝹䝛䝑䝖䝽䞊䜽 (CNN) 䛺䛹䛾῝ᒙᏛ⩦ᑟධ䛜ྍ⬟䛻䛺䜛䠊ᮏᩥ䛷䛿䠊≉ᚩ㔞䛸 䛧䛶⬻ෆ✵㛫䛾 RMS ሗ䜢ᢳฟ䛧䠈 0 䛛䜙 9 䛻ྵ䜎䜜䜛 10 ಶ 䛾ᩘᏐ䛸ẕ㡢㡢⠇䛾 17 㡢⠇䜢䠈ḟඖ␚䜏㎸䜏䝙䝳䞊䝷䝹䝛 䝑䝖䝽䞊䜽䜢⏝䛔䛶㡢⠇ㄆ㆑䛩䜛䠊
流派分类基于听音乐时脑电波的频率分析-Wiss
大脑计算机接口（BCI）作为未来用户界面引起人们的注意。当使用人脑活动作为BCI时，具有反应性优势的运动召回已成为主流。例如，Nishimoto及其同事开发了BCI，在召回手指的开口和关闭期间，将大脑运动皮层的激活应用于康复和其他目的[8]。此外，刺激接受期间的大脑活动和视听信息的回忆也可能适用于BCI。视觉研究的研究可用于在查看错觉图像时根据大脑活动重建图像[3]。听力研究的例子包括基于脑波的方向取向，听取简单的语音和回忆[5]，重建元音“ A”和“ I”时脑波中的“ A”和“ I”，以及召回语音[1]的重建以及FMRI图像中的自然语音[9]。这些相关研究表明，当用户将BCI用作日常生活中的娱乐时，召回对象可能很无聊，并且用户可能会发现它很痛苦。因此，我们提出了一种使用音乐的方法。召回音乐的行为，例如嗡嗡声，是日常生活中的一种常见习俗，并且不如运动召回，图像回忆或简单音调，元音和自然声音的单曲无聊。因此，人们认为这可能会减轻用户的负担。此外，在音乐分类问题中，我们专注于流派分类问题。通过专注于小说，可以根据音乐之间的共同特征将无数音乐分为较小的数字。因此，我们认为分类类别较少，可以简单地作为分类问题。
2021 年创意经济振兴法案
艺术能够让我们想起彼此的共同点。艺术让一个城镇变成了一个社区。随着美国从疫情中逐渐恢复，《创意经济振兴法案》为美国人提供了一个机会，让他们可以创作艺术，让社区团结起来。
Soulder 2022-2023
这次科学聚会的第二天开始了加拿大公园科学家纳迪亚·梅纳德（NadiaMénard）的演讲。nadia首先回想起研究的重要性：“如果我们不知道问题是什么，我们该如何解决？”经过《保护科学》的最后50年的简短回顾，她总结了圣劳伦斯（St. Lawrence）发生的各种变化及其影响，尤其是冬季空气温度的上升，墨西哥湾流的流入增加，减少了拉布拉多电流的流入，并且存在污染物。为了就圣劳伦斯面临的威胁进行平衡讨论，她回想起科学帮助实现的一些积极成果，例如创造了Saguenay-St。劳伦斯海洋公园或指定关键贝卢加人居署。科学家以查尔斯·达尔文（Charles Darwin）的鼓舞人心的名言结尾：“在人类的悠久历史中，那些学会合作和即兴创作的人占了上风。
![arxiv：2106.10522v2 [Quant-ph] 2021年6月25日](/simg/1\1fcb29489945a417300468eb9e07b60e31611754.webp)
arxiv：2106.10522v2 [Quant-ph] 2021年6月25日
四十年前，理查德·费曼（Richard Feynman）提出利用量子物理学来制造一种更强大的计算机。意识到Feynman的愿景是21世纪科学和技术面临的巨大挑战之一。在本文中，我们会回忆起Feynman的贡献，该贡献启动了量子计算机的追求，并评估了40年后的现场。在SEC中享有快速帐户后。1和2量子计算在过去几十年中的发展方式，我绘制了该主题的基础，讨论了SEC中量子信息的显着特征。3，然后在SEC中制定量子计算的数学模型。4，并突出显示模型的某些含义。sec。 5和SEC。 6，我回顾了Feynman预见的量子计算的两个特别有希望的应用，模拟了复杂量子系统的动力学，并计算其静态属性。 sec。 7，我解释了量子误差校正的概念，即我们认为可以将量子计算机扩展到解决非常严重问题的大型系统的基础。 在第二节中有一些结论性的想法。 8，并回想起我在第二节与Feynman的一些互动。 9。sec。5和SEC。 6，我回顾了Feynman预见的量子计算的两个特别有希望的应用，模拟了复杂量子系统的动力学，并计算其静态属性。 sec。 7，我解释了量子误差校正的概念，即我们认为可以将量子计算机扩展到解决非常严重问题的大型系统的基础。 在第二节中有一些结论性的想法。 8，并回想起我在第二节与Feynman的一些互动。 9。5和SEC。6，我回顾了Feynman预见的量子计算的两个特别有希望的应用，模拟了复杂量子系统的动力学，并计算其静态属性。sec。 7，我解释了量子误差校正的概念，即我们认为可以将量子计算机扩展到解决非常严重问题的大型系统的基础。 在第二节中有一些结论性的想法。 8，并回想起我在第二节与Feynman的一些互动。 9。sec。7，我解释了量子误差校正的概念，即我们认为可以将量子计算机扩展到解决非常严重问题的大型系统的基础。在第二节中有一些结论性的想法。8，并回想起我在第二节与Feynman的一些互动。9。
如何增进你们的关系：14 种方法
忙碌并按部就班。当你们交流时，告诉对方你们的日常生活、孩子、工作、活动以及朋友和家人的最新情况。考虑创建一个在线日志，其中包含你的配偶可以通过互联网访问的图片。这可以建立联系，同时让你的配偶了解家里的最新活动。分享能让你想起彼此的歌曲。