XiaoMi-AI文件搜索系统
World File Search System机界面
卫生，医学和人类计算机界面的耳式生物电子设备
最新的动力和符合微电子制造的进展为健康监测和疾病治疗开辟了机会。其他材料工程的进步，例如导电，皮肤样水凝胶，液体金属，电动纺织品和压电薄膜的开发提供了安全舒适的方式，可以与人体接口。一起，这些进步使具有集成的多模式感应和刺激能力的生物电子设备的设计和工程能够在身体上的任何地方佩戴。在这里特别感兴趣的是，外耳（耳膜）提供了一个独特的机会来设计具有高度可用性和熟悉程度的可扩展生物电子设备，鉴于耳机的广泛使用。本评论文章讨论了能够生理和生物化学感应，认知监测，靶向神经调节以及对人类计算机相互作用的控制的耳朵生物电子设备开发的最新设计和工程进步。从这个可扩展的基础上讲，研究和工程的增长和竞争将增加，以推动耳态生物电子学。这项活动将导致患者和消费者对这些智能耳机式设备的采用增加，以跟踪健康，治疗医疗状况以及增强人类计算机的相互作用。
探索脑机界面中的协同作用
患有严重神经损伤的个体通常依赖于辅助技术，但是当前的方法在准确解码多度自由度（DOF）运动方面存在局限性。皮质内脑机界面（IBMIS）使用神经信号提供更自然的控制方法，但目前在更高的动作方面挣扎 - 大脑毫不费力地处理。从理论上讲，大脑通过肌肉协同作用简化了高功能运动，这些肌肉将多个肌肉连接起来作为单个单位。已经使用降低性降低技术进行了研究，例如主成分分析（PCA），非负矩阵分解（NMF）和Demixed PCA（DPCA），并成功地用于降低噪声并改善非侵入性应用中的噪声并提高离线解码器的稳定性。然而，它们在改善各种任务的植入记录的解码和普遍性方面的有效性尚不清楚。在这里，我们评估了大脑和肌肉协同作用是否可以在非人类灵长类动物的IBMI表现中提高执行两多手指任务的IBMI表现。具体来说，我们测试了PCA，DPCA和NMF是否可以压缩和降低大脑和肌肉数据，并改善跨任务的解码器概括。我们的结果表明，尽管所有方法在解码准确性时都有最小的损失有效地压缩数据，但没有通过降解来改善性能。此外，这些方法均未增强跨任务的概括。这些发现表明，虽然降低维度可以帮助数据压缩，但仅凭它可能无法揭示提高解码器性能或概括性所需的“真实”控制空间。需要进一步的研究来确定协同作用是最佳控制框架还是是否需要替代方法来增强IBMI应用中的解码器鲁棒性。
通过大脑 - 计算机界面检测情绪时，分析驾驶任务的影响
抽象的交通事故是年轻人中死亡的主要原因，这个问题今天造成了大量受害者。已经提出了几种技术来预防事故，是大脑计算机界面（BCIS）是最有前途的。在这种情况下，BCI被用来检测情绪状态，集中问题或压力很大的情况，这可能在道路上起着基本作用，因为它们与驾驶员的决定直接相关。但是，没有广泛的文献应用BCI来检测受试者在驾驶场景中的情绪。在这种情况下，需要解决一些挑战，例如（i）执行驾驶任务对情绪检测的影响以及（ii）在驾驶场景中哪些情绪更可检测到的情绪。为了改善这些挑战，这项工作提出了一个框架，该框架着重于使用机器学习和深度学习算法的脑电图来检测情绪。此外，已经设计了一个用例，其中有两种情况。第一种情况是聆听声音作为要执行的主要任务，而在第二种情况下，聆听声音成为次要任务，这是使用驾驶模拟器的主要任务。以这种方式，旨在证明BCI在这种驾驶方案中是否有用。结果改善了文献中现有的结果，可用于检测两种情绪（非刺激和愤怒）的准确性99％，三种情绪（非刺激性，愤怒和中性）的93％，四种情绪（非刺激性情绪（非刺激）（非刺激性，愤怒，中立和快乐）的精度为75％。
支持人，机器人和大脑计算机界面交互的合作模式
摘要 - 大脑接口技术将很快向公众提供。在障碍的情况下，将替换或补偿身体残疾。但是，这也适用于所有寻求和平意识的人，从没有其他类型的命令中控制环境，而是直接从大脑中。这种设备可以由未经训练的未经训练和新手用户轻松处理。该公司设计和训练了大脑计算机接口，在本文中，我们提出了一种方法来确定如何使用这种设备来控制机器人。该方法建议确定适合用户状态和机器人在环境约束的能力的合作模式。人机合作原则支持方法论方法。
基于对抗过滤的逃避和对基于EEG的脑部计算机界面的后门攻击
大脑计算机接口（BCI）可以在大脑和外部设备之间进行直接通信。电子脑电图（EEG）是BCIS的常见输入信号，因为它的便利性和低成本。对基于EEG的BCIS的大多数研究都集中在EEG信号的准确解码上，同时忽略其安全性。最近的研究表明，BCIS中的机器学习模型容易受到对抗攻击的影响。本文提出了对基于EEG的BCI的基于对抗过滤的逃避和后门攻击，这非常容易实施。在不同BCI范式的三个数据集上进行了实验，证明了我们提出的攻击方法的效果。据我们所知，这是对基于脑电图的BCI的对抗过滤的第一项研究，提出了新的安全问题，并呼吁更多地关注BCIS的安全性。
为突触脑机界面投射轴突。
杰斐逊数字共享将这篇文章带给您免费和开放访问。Jefferson Digital Commons是Thomas Jefferson大学教学中心（CTL）的服务。Commons是杰斐逊书籍和期刊的展示，经过同行评审的学术出版物，大学档案馆的独特历史收藏以及教学工具。Jefferson Digital Commons允许研究人员和感兴趣的读者在世界任何地方学习并与Jefferson奖学金保持最新状态。本文已被杰斐逊数字共享的授权管理员接受，以纳入药理学和实验治疗学院的教师论文。有关更多信息，请联系：jeffersondigitalcommons@jefferson.edu。
被动脑电图脑计算机界面预测飞行模拟期间的心理工作量
本研究的目的是研究脑电图（EEG）脑部计算机界面（BCI），以监测虚拟现实（VR）飞行模拟过程中心理工作量的现实差异。许多航空事故与试点认知和任务需求与认知资源之间的不匹配有关。实时神经生理监测提供了一种方法，可以通过获得连续的客观测量，而无需增加飞行员的工作量，从而识别高工作量的精神状态。在VR飞行模拟期间的导航困难和通信任务改变了工作负载。分析了在模拟飞行过程中收集的EEG数据，以评估被动BCI的性能以分类工作负载水平。BCI方法以EEG工作量文献为指导。获得了75.9％的分类率，α和β频带最有用。结果表明，被动EEG-BCI可能是监控工作量和提高飞行安全性的有效策略。
侵入性脑部计算机界面
使用脑电图（EEG）（EEG）的大脑计算机接口（BCI）为用户提供了一种非侵入性方法，即可与外部设备进行交互而无需肌肉激活。虽然非侵入性BCI有可能提高健康和运动障碍者的生活质量，但由于性能不一致和自由度低，目前它们的应用有限。在这项研究中，我们使用基于深度学习的解码器进行在线连续追踪（CP），这是一项复杂的BCI任务，要求用户在二维空间中跟踪对象。我们开发了一个标签系统，用于使用CP数据进行监督学习，基于两个架构的基于DL训练的解码器，包括对PointNet架构的新提出的改编，并评估了几个在线会话的性能。我们在总共28名人类参与者中严格评估了基于DL的解码器，发现基于DL的模型在整个会话中都改善了，随着越来越多的培训数据获得，并且在上一堂课之前大大优于传统的BCI解码器。我们还进行了其他实验，以测试通过培训模型对来自其他受试者的数据和中期培训的转移学习的实施，以减少会议间的可变性。这些实验的结果表明，预训练并不能显着提高性能，但是更新模型中期可能会带来一些好处。总体而言，这些发现支持使用基于DL的解码器来改善CP等复杂任务中的BCI绩效，从而可以扩大BCI设备的潜在应用，并有助于提高健康和运动障碍者的生活质量。
将其点亮：评估多功能自动驾驶汽车行为外部人机界面
随着自动驾驶汽车（AVS）加入我们的道路，与骑自行车的人交流的社会提示驾驶员交流将消失 - 导致安全问题。车辆上的外部人机界面（EHMI）可以替代驾驶员的社交信号，但是应将其设计以与骑自行车的人进行交流是未知的。我们分为两个阶段在多个TRAFC方案中评估了三个EHMI。首先，我们比较了VR循环模拟器中的EHMI多功能性，可接受性和US能力。骑自行车的人更喜欢颜色编码的信号，可以通过快速瞥了一眼即可传达意图。第二，我们根据我们的fndings进行了介绍，并将它们放在户外。参与者用真正的EHMIS骑自行车骑车。他们更喜欢使用大型表面上的EHMIS，并在车辆上使用大型表面，并增强了颜色变化的动画。我们以