XiaoMi-AI文件搜索系统
World File Search System接口
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/）。
TA1.2后端和TA1.3人类计算机接口
今天的AI在许多方面都很出色，但也不可靠。这种不可靠的能力施加了重大的社会安全风险，并限制了我们以强大和合法的方式管理这些系统的能力。保护的AI计划是5900万英镑的R＆D努力，旨在开发通用AI工作流程，用于生产特定领域的AI代理或决策支持工具，用于管理具有定量保证的网络物理系统，与现有操作相比，对性能和鲁棒性提高了。这样做，我们试图证明一种新的，替代的研究和发展途径的生存能力，用于安全和变革性的AI。维护AI设想了利用最新状态“边境” AI以及人类专业知识的研发途径，以构建一个监视其他AI代理商的安全行为，以构建一个看门人系统。一个守门人由有关应用领域的正式世界模型和安全规范组成，以及负责提出有效任务政策并生成可验证的安全保证的几个ML组件等。所得的保护的AI系统将在可靠性是关键的一系列广泛的关键业务或关键的网络物理应用程序域中解锁最先进的机器学习模型的原始潜力。它还将通过提供高保证安全保证并建立大规模的文明弹性来降低边境AI的风险，从而在可接受的时间范围内将人类潜在的未来“流氓AIS”的脆弱性降低到可接受的水平。该计划将开发用于构建此类保护的AI工作流程的工具包，并在能源，运输，电信，医疗保健等一系列应用领域中演示。首先，这将作为概念证明，证明可以通过定量安全保证实现AI在安全关键应用中的好处；其次，催化进一步的研发以复制和扩展其他应用领域以及世界其他部署的结果。保护的AI计划分为三个主要技术领域（TAS）。
深度学习用于 ECoG 脑机接口
Maciej Śliwowski、Matthieu Martin、Antoine Souloumiac、Pierre Blanchart、Tetiana Aksenova。深度学习用于 ECoG 脑机接口：端到端与手工制作的特征。计算机科学讲义，2023 年，13796，第 358-373 页。�10.1007/978-3-031-27181-6_25�。�cea-04574322�
一种用于人类的通用非侵入性神经运动接口......
自计算机出现以来，人类一直在寻求富有表现力、直观且通用的计算机输入技术。虽然已经开发了多种模式，包括键盘、鼠标和触摸屏，但它们需要与中间设备进行交互，这可能会受到限制，尤其是在移动场景中。基于手势的系统利用摄像头或惯性传感器来避免使用中间设备，但它们往往只在不被遮挡或明显的动作中表现良好。几十年来，人们一直在设想脑机接口 (BCI)，通过允许仅通过思维向计算机输入来解决接口问题。然而，高带宽通信仅使用为单个个体设计的解码器的侵入式 BCI 进行了演示，因此无法扩展到普通大众。相比之下，肌肉中的神经运动信号可以访问细微的手势和力量信息。在这里，我们描述了一种非侵入式神经运动接口的开发，该接口允许使用表面肌电图 (sEMG) 进行计算机输入。我们开发了一个高度灵敏且强大的硬件平台，该平台易于佩戴/脱下，可感知手腕上的肌电活动并将有意的神经运动命令转换为计算机输入。我们将此设备与一个经过优化的基础设施配对，该基础设施可从数千名同意的参与者那里收集训练数据，这使我们能够开发通用的 sEMG 神经网络解码模型，该模型适用于许多人，而无需对每个人进行校准。未包括在训练集中的测试用户在连续导航任务中以每秒 0.5 次目标获取、在离散手势任务中以每秒 0.9 次手势检测和每分钟 17.0 个调整字的速度展示手势解码的闭环中值性能。我们证明，通过为个人个性化 sEMG 解码模型，输入带宽可以进一步提高 30%，预计未来人类和机器将共同适应，提供无缝翻译人类意图的功能。据我们所知，这是第一个直接利用生物信号的高带宽神经运动接口，具有跨人群的高性能开箱即用泛化功能。
一种用于人类的通用非侵入性神经运动接口......
自计算机出现以来，人类一直在寻求富有表现力、直观且通用的计算机输入技术。虽然已经开发了多种模式，包括键盘、鼠标和触摸屏，但它们需要与中间设备进行交互，这可能会受到限制，尤其是在移动场景中。基于手势的系统利用摄像头或惯性传感器来避免使用中间设备，但它们往往只在不被遮挡或明显的动作中表现良好。几十年来，人们一直在设想脑机接口 (BCI)，通过允许仅通过思维向计算机输入来解决接口问题。然而，高带宽通信仅使用为单个个体设计的解码器的侵入式 BCI 进行了演示，因此无法扩展到普通大众。相比之下，肌肉中的神经运动信号可以访问细微的手势和力量信息。在这里，我们描述了一种非侵入式神经运动接口的开发，该接口允许使用表面肌电图 (sEMG) 进行计算机输入。我们开发了一个高度灵敏且强大的硬件平台，该平台易于佩戴/脱下，可感知手腕上的肌电活动并将有意的神经运动命令转换为计算机输入。我们将此设备与一个经过优化的基础设施配对，该基础设施可从数千名同意的参与者那里收集训练数据，这使我们能够开发通用的 sEMG 神经网络解码模型，该模型适用于许多人，而无需对每个人进行校准。未包括在训练集中的测试用户在连续导航任务中以每秒 0.5 次目标获取、在离散手势任务中以每秒 0.9 次手势检测和每分钟 17.0 个调整字的速度展示手势解码的闭环中值性能。我们证明，通过为个人个性化 sEMG 解码模型，输入带宽可以进一步提高 30%，预计未来人类和机器将共同适应，提供无缝翻译人类意图的功能。据我们所知，这是第一个直接利用生物信号的高带宽神经运动接口，具有跨人群的高性能开箱即用泛化功能。
通过分布式光遗传皮层反馈在闭环脑机接口中进行学习
摘要 目的 在通过脑机接口操纵假肢的过程中，皮质表面的分布式微刺激可以有效地向受试者提供反馈。这种反馈可以向假肢使用者传达大量信息，可能是获得假肢的精确控制和实施的关键。然而，到目前为止，人们对解码此类模式的生理限制知之甚少。在这里，我们旨在测试一种旋转光遗传反馈，该反馈旨在有效地编码假肢中使用的机器人执行器的 360° 运动。我们试图评估通过闭环脑机接口控制假肢关节的小鼠对其的使用情况。 方法 我们测试了小鼠优化虚拟假肢关节轨迹的能力，以解决奖励性伸手任务。它们可以通过调节初级运动皮层中单个神经元的活动来控制关节的速度。在任务期间，投射到初级体感皮层上的模式化光遗传刺激不断向小鼠传递有关关节位置的信息。主要结果 我们表明，小鼠能够在任务的主动行为环境中利用连续、旋转的皮质反馈。小鼠通过更频繁地检测奖励机会，以及通过将关节更快地移向奖励角区，并在奖励区停留更长时间，实现了比没有反馈时更好的控制。控制关节加速度而不是速度的小鼠无法改善运动控制。 意义 这些发现表明，在闭环脑机接口的背景下，可以利用具有优化形状和拓扑的分布式皮质反馈来控制运动。我们的研究直接应用于机器人假肢中经常遇到的旋转关节的闭环控制。 1. 简介
脑机接口在中风后运动康复中的可接受性建模：一项针对普通公众的大规模研究
简介：中风后，约 40% 的幸存者在日常生活中依赖他人，尤其是严重的运动障碍。脑机接口 (BCI) 已被证明可有效改善中风后的运动恢复，但这种效率仍远未达到临床医生和患者所期望的临床突破所需的水平。虽然已经确定了改进的技术手段（例如传感器和信号处理），但如果患者和临床医生不能或不想使用，完全优化的 BCI 是毫无意义的。我们假设，提高 BCI 的可接受性将降低患者的焦虑水平，同时提高他们在手术中的积极性和参与度，从而最终有利于学习和运动恢复。换句话说，可接受性可以作为提高 BCI 效率的杠杆。然而，基于可接受性/接受度文献的 BCI 研究尚不完善。因此，我们的目标是在中风后运动康复的背景下对 BCI 的可接受性进行建模，并确定其决定因素。
切线空间对齐：脑机接口的迁移学习...
受试者之间和会话之间的脑电图 (EEG) 统计差异是脑机接口 (BCI) 领域面临的一个常见问题。这种差异阻碍了预先训练的机器学习模型的使用，并且需要对每个新会话进行校准。本文介绍了一种处理这种差异性的新迁移学习 (TL) 方法。该方法旨在通过在正定矩阵黎曼流形的切线空间中将一个受试者的 EEG 数据与另一个受试者对齐，来减少校准时间甚至提高 BCI 系统的准确性。我们在 18 个 BCI 数据库上测试了该方法，这些数据库总共包含 349 名受试者，属于三个 BCI 范式，即事件相关电位 (ERP)、运动想象 (MI) 和稳态视觉诱发电位 (SSVEP)。我们使用支持向量分类器进行特征分类。结果表明，与传统的训练-测试流程相比，在 ERP 范式中，分类准确度显著提高，而对于 MI 和 SSVEP 范式，性能均未下降。与之前发布的黎曼方法黎曼普鲁克勒斯分析 (RPA) 相比，总体准确度提高了 2.7%。有趣的是，切线空间对齐具有处理具有不同通道数的数据集的迁移学习的内在能力，自然适用于数据集间的迁移学习。
高功率电动汽车充电集线器集成平台（ECHIP）：基于DC分配充电集线器的设计指南和规格洞察催化剂 - 离子体接口
X射线光电子光谱（XPS）是一种用于研究聚合物电解质膜燃料电池和电解剂中催化剂的表面特性和组成的常用技术。XPS分析催化剂层（CLS）越来越多地使用催化剂和支持组成和结构之间的关系，催化剂墨水组成，CL制造方法和参数以及它们的性能和耐用性。基于IR的CLS的表征由于多种因素，包括对IR 4F光谱的解释，O 1S光谱中的催化剂和离子体物种的解释以及离子体对X射线损伤的敏感性，这会导致催化剂ionomer界面的变化，通常比样本之间的差异更大。本研究报告了一种详细的XPS表征的方法，基于IR的CL，建立定量指标，并提供有关催化剂离子体界面的见解，该界面可以与多种处理和性能指标相关。具体来说，我们已经评估了使用几种常见CL涂层方法制备的CL中的表面组成差异。我们还研究了用不同的催化剂负荷和电化学测试后选定样品制备的CL。通常，我们发现了元素比和从O 1S光谱的详细分析得出的趋势的良好协议。此外，O 1S分析揭示了催化剂组成的差异，解决了与IR 4F光谱解释有关的一些挑战和局限性。
双被动反应脑机接口
本研究提出了一种新的神经自适应技术概念，即双被动-反应脑机接口 (BCI)，可实现人与机器之间的双向交互。我们在逼真的飞行模拟器中实现了这样一个系统，使用 NextMind 分类算法和框架来解码飞行员的意图（反应性 BCI）并推断他们的注意力水平（被动 BCI）。12 名飞行员使用反应性 BCI 执行检查单以及由被动 BCI 监督的防撞雷达监控任务。当后者检测到飞行员没有遇到即将到来的碰撞时，它会模拟自动避让动作。当仅执行检查单任务时，反应性 BCI 的分类准确率达到 100%，平均反应时间为 1.6 秒。当飞行员还必须驾驶飞机并监控防撞雷达时，准确率高达 98.5%，平均反应时间为 2.5 秒。被动 BCI 的 F 1 − 得分为 0.94。首次演示展示了双 BCI 改善人机协作的潜力，可应用于各种应用。