XiaoMi-AI文件搜索系统
World File Search System拼写
在RSVP范式下，基于BCI的拼写器中具有不同类型的视觉刺激的性能分析
大脑计算机界面（BCI）系统为严重运动残疾患者提供了替代通信通道，可以使用无肌肉运动与环境互动。近年来，与最经常研究的基于BCI的拼写范式相比，对非目光依赖的脑部计算机界面范式的研究的重要性一直在增加。在RCP范式下已经验证了用于通信目的的几种视觉修改尚未在最扩展的非目光依赖的快速串行视觉呈现（RSVP）范式下进行验证。因此，在本研究中，根据RSVP评估了三组不同的刺激，并具有以下交流特征：白色字母（WL），著名面部（FF），中性图片（NP）。11个健康受试者参加了该实验，其中受试者必须经历校准阶段，在线阶段以及最终的主观问卷完成阶段。结果表明，FF和NP刺激在校准和在线阶段促进了更好的性能，在FF范式中稍好。关于主观问卷，与WL刺激相反，参与者再次首选FF和NP，但这次NP刺激得分略高。这些发现表明，与最常用的基于字母的刺激相比，将FF和NP用于基于RSVP的拼写器可能是有益的，可以提高信息传输速率，并且可以代表具有改变眼运动功能的个人的有希望的通信系统。
拼写脑机接口中基于图像刺激的两种范式比较
摘要：基于 P300 的拼写器可用于通过大脑活动控制家庭自动化系统。评估基于 P300 的拼写器中使用的视觉刺激是脑机接口 (BCI) 领域的常见主题。本研究的目的是使用可用性方法比较两种在以前的研究中表现优异的刺激类型。12 名参与者在两种条件下控制 BCI，这两种条件下的刺激类型不同：一个红色名人脸被白色矩形 (RFW) 包围，以及一系列中性图片 (NPs)。可用性方法包括与有效性（准确性和信息传输率）、效率（压力和疲劳）和满意度（愉悦度和系统可用性量表和情感网格问卷）相关的变量。结果表明，有效性没有显著差异，但使用 NPs 的系统报告的愉悦度明显更高。因此，由于在潜在用户可能经常使用的系统中也应该考虑满意度变量，因此对于基于视觉 P300 拼写器的家庭自动化系统的开发来说，使用不同的 NP 可能比使用单个 RFW 更合适。
一种引导方法，用于改善p300拼写中的分类性能
摘要在本文中，我们提出了一种基于P300电位的拼写器中训练分类器的新方法。基于自举的方法是生成新样本的已知策略，但很少在神经科学中使用。该研究首先证明了分类任务的性能（检测P300和非P300类）如何在传统方法中是最佳的。然后，提出了一种从培训数据中获取新样本的新方法。使用单个P300和非P300样品的平衡子组对每个分类器进行重新训练。使用16个脑电图通道从14个健康受试者中收集数据。将这些被过滤在带通中并破坏。随后，使用传统方法随后训练了四个线性分类器，其拟议中的一个分类器，每班有1000、2000和3000个样本。结果表明，使用建议的方法对判别性分类器的准确性和歧视能力有所提高，并在培训数据和测试数据之间保持相同的统计属性。相比之下，对于生成分类器，结果没有显着差异。因此，强烈建议使用拟议的方法来训练基于法术的P300电位中的判别分类器。
阅读障碍：帮助努力成功阅读，写作和拼写的孩子（K-6等级）
您是否正在寻找帮助患有或可能患有阅读障碍的学生成为更成功的读者，作家和拼写者？在本研讨会中，您将获得强大的教学技术，基于研究的策略和许多课堂活动，旨在支持阅读障碍学生的成功。重点将放在增强阅读障碍学生识字能力的最佳实践上。获得了许多实用策略，以提高阅读，写作和拼写成就，并增加学生的信心。借助尖端研究和fMRI大脑研究，扫盲专家Mark Feelland将探讨阅读障碍的发展以及为什么您可以用来帮助激活和增强大脑中特定的阅读，拼写和语言电路的大量实用策略，技术和活动。增强您的指导，并帮助您患有阅读障碍或可能有阅读障碍的学生在阅读，写作和拼写方面经历成功。
无需用户特定训练即可为 SSVEP BCI 拼写者迁移学习一组 DNN
摘要 — 目标：用脑电图 (EEG) 测量的稳态视觉诱发电位 (SSVEP) 在脑机接口 (BCI) 拼写器中产生不错的信息传输速率 (ITR)。然而，目前文献中高性能的 SSVEP BCI 拼写器需要对每个新用户进行初始冗长而累人的用户特定训练以适应系统，包括使用 EEG 实验收集数据、算法训练和校准（所有这些都在实际使用系统之前）。这阻碍了 BCI 的广泛使用。为了确保实用性，我们提出了一种基于深度神经网络 (DNN) 集合的全新目标识别方法，该方法不需要任何类型的用户特定训练。方法：我们利用先前进行的 EEG 实验的参与者的现有文献数据集，首先训练一个全局目标识别器 DNN，然后针对每个参与者进行微调。我们将这组经过微调的 DNN 集合转移到新的用户实例，根据参与者与新用户的统计相似性确定 k 个最具代表性的 DNN，并通过集合预测的加权组合来预测目标字符。结果：在两个大规模基准和 BETA 数据集上，我们的方法实现了令人印象深刻的 155.51 比特/分钟和 114.64 比特/分钟 ITR。代码可用于重现性：https://github.com/osmanberke/Ensemble-of-DNNs 结论：在两个数据集上，对于所有刺激持续时间在 [0.2-1.0] 秒内的情况，所提出的方法都明显优于所有最先进的替代方案。意义：我们的 Ensemble-DNN 方法有可能促进 BCI 拼写器在日常生活中的实际广泛部署，因为我们提供最高性能，同时允许立即使用系统而无需任何用户特定的训练。索引词 — 脑机接口、BCI、EEG、SSVEP、集成、深度学习、迁移学习
基于点击的皮层脑电图脑机接口可实现长期高性能开关扫描拼写
患有肌萎缩侧索硬化症 (ALS) 的人由于肌肉无力而难以与家人和护理人员沟通。本研究调查了 ALS 患者的脑信号是否可用于控制拼写应用程序。具体来说，当参与者试图握拳时，计算机算法检测到植入其大脑表面的电极的神经活动增加，从而产生鼠标点击。参与者使用这些自发的点击从拼写应用程序中选择字母或单词来输入句子。我们的算法使用不到一小时的记录脑信号进行训练，然后在三个月内可靠地运行。这种方法可能用于在较长时间内恢复其他严重瘫痪者的沟通，并且只需短暂的训练期即可。
微小的噪音，大错误：对抗性扰动会在脑 - 计算机接口拼写中引起错误
1教育部图像处理和智能控制的主要实验室，人工智能与自动化学院，华恩科学技术大学，武汉430074，中国； 2华盛科技大学土木工程与力学学院，中国武汉430074； 3工程与信息技术学院人工智能中心，悉尼科技大学，悉尼，新南威尔士州，2007年，澳大利亚； 4美国加利福尼亚州加利福尼亚大学圣地亚哥分校神经计算学院Swartz计算神经科学中心，美国加利福尼亚州92093，美国； 5美国加利福尼亚州加利福尼亚大学圣地亚哥大学医学工程学院高级神经工程中心，美国加利福尼亚州，加利福尼亚州92093，美国和6 Zhaw Datalab，ZéurichApplied Sciences of Applied Sciences，Winterthur 8401，瑞士，
视觉脑机接口作为肌萎缩侧索硬化症患者的沟通辅助工具 Verbaarschot，CS；Tump，D.；Lutu，A.；Borhana
目的：对于患有肌萎缩侧索硬化症 (ALS) 的患者，利用代码调制视觉诱发电位 (cVEP) 的脑机接口 (BCI) 拼写器可能为现有的视觉 BCI 拼写器提供一种快速且更准确的替代方案。但到目前为止，cVEP 拼写器仅在健康参与者身上进行过测试。方法：我们评估了 20 名健康参与者和 10 名 ALS 患者的大脑反应、BCI 性能和 cVEP 拼写器的用户体验。所有参与者都执行了提示和自由拼写任务，以及自由选择是/否答案。结果：30 名参与者中有 27 名可以完成提示拼写任务，ALS 患者的平均准确率为 79%，健康老年参与者的平均准确率为 88%，健康年轻参与者的平均准确率为 94%。所有 30 名参与者都可以自由回答是/否问题，平均准确率约为 90%。结论：对于平均每分钟输入 10 个字符的 ALS 患者，本文介绍的 cVEP 拼写器的表现优于其他视觉 BCI 拼写器。意义：这些结果支持 cVEP 信号对 ALS 患者的普遍可用性，这可能远远超出测试的拼写器，例如控制智能家居中的警报、自动门或电视。2021 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
PICOT问题到系统搜索策略
搜索提示：不要忘记复数拼写。示例：导师计划或导师。高级搜索提示：通过将此符号（*）放在主字上来使用截断；例如，导师*将检索所有以下所有内容：导师，导师，指导，指导。不要忘记其他拼写，例如英国血液学拼写与血液学。
