XiaoMi-AI文件搜索系统
World File Search System机界面
任务上下文对预测脑机界面中的手指运动的影响
用于恢复手机功能的脑机界面（BMI）临床翻译的关键因素将是其任务变化的稳健性。具有功能性电刺激（FES），例如，患者的手将用于在其他相似运动中产生各种力量。为了调查任务变更对BMI性能的影响，我们训练了两个恒河猕猴，用身体的手控制虚拟手，同时我们将弹簧添加到每个手指组（索引或中环或中小型小组）或改变其手腕姿势。使用同时记录的心脏内神经活性，手指位置和肌电图，我们发现跨环境中预测手指运动学和与手指相关的肌肉激活导致预测误差的显着增加，尤其是肌肉激活。但是，关于在线BMI对虚拟手的控制，更改培训任务上下文或在线控制过程中手的身体上下文对在线绩效的影响很小。我们通过表明神经种群活动的结构在新情况下仍然相似，从而解释了这种二分法，这可以在线快速调整。此外，我们发现神经活动在新环境中与所需的肌肉激活成正比移动，可能解释了偏见的运动学预测，并提出了一种可以帮助预测不同幅度肌肉激活的特征，同时产生相似的运动学。
评论文章机器人控制的非侵入式人机界面方法和应用：过去、现在和未来
本研究旨在探索已广泛应用于各个领域，特别是在机器人控制领域的非侵入式人机交互方法。为了深入了解方法的发展，本文采用“知识图谱”（MKD）来寻找该领域的研究热点以展示未来的潜在发展。通过文献综述，本文发现自 2010 年初机器学习、深度学习和传感技术的快速发展以来，用于机器人控制的非侵入式 BCI 技术的研究发生了范式转变。这项研究进一步提供了趋势分析，即数据驱动方法与优化算法和人机感知驱动方法的结合将成为未来机器人控制非侵入式方法发展的关键领域。基于以上发现，本文为医疗保健、机器人系统和媒体等相关领域提供了非侵入式 HCI 方法的潜在发展途径。
社论：脑部计算机界面：新颖的应用和交互式技术
药物 - 靶相互作用（DTI）被认为是基因组药物发现的重要组成部分，DTI的计算预测可以加速到靶标的铅药物，这可以弥补缺乏耗时且昂贵的湿湿技术技术。当前，许多计算方法基于药物和靶标的顺序组成或理化特性来预测DTI，但是需要进一步的努力来改善它们。在本文中，我们提出了一种基于序列的新方法，以准确识别DTI。对于目标蛋白质，我们使用来自变压器（BERT）的预训练的双向编码器表示探索，以提取序列特征，这些序列特征可以提供独特而有价值的模式信息。对于药物分子，使用离散小波变换（DWT）来从药物分子纤维固定物中产生信息。然后，我们将DTI的特征向量加以连接，然后将它们输入由批处理层，矩阵线性激活层和线性层组成的特征提取模块，称为BRL块和称为卷积神经网络模块，以进一步提取DTIS。随后，将BRL块用作预测引擎。基于对比度损失和跨透明镜损失优化模型后，它给出了G蛋白偶联受体，离子通道，酶和核受体的靶族的预测准确性，最高为90.1、94.7、94.9和89％，这表明该建议的方法可以超过现有的预测者。提出的方法也可能是其他DIT的潜在选择。为了使研究人员尽可能方便，新预测器的Web服务器可自由访问：https：//bioinfo.jcu.edu.edu.cn/dtibert或http：//http：//121.36.221.79/dtibert/。
转移学习算法，以减少长期用户的脑部计算机界面校准时间
当前基于运动图像的大脑计算机界面（BCI）系统需要在每个会话开始时进行较长的校准时间，然后才能以足够水平的分类精度使用。特别是，对于长期BCI用户而言，此问题可能是重大负担。本文提出了一种新颖的转移学习算法，称为R-KLWDSA，以减少长期用户的BCI校准时间。建议的R-KLWDSA算法使用一种新的线性比对方法，将以前会话中用户的脑电图数据与当前会话中收集的少数EEG试验相结合。此后，先前会议的EEG试验和当前会话中的少量EEG试验进行了对齐的EEG试验，然后通过加权机制融合了它们在用于校准BCI模型之前。为了验证所提出的算法，使用了一个大型数据集，其中包含来自11名中风患者的脑电图数据，每个患者进行了18个BCI会议。与会议特定算法相比，所提出的框架表明，分类准确性的显着提高了4％以上，而本课程中每个课程可获得的两次试验少于两项试验。所提出的算法在提高初始会议准确性低于60％的会话的BCI准确性方面特别成功，其准确性的平均提高约为10％，导致中风患者具有有意义的BCI康复。
eeg-tnet：端到端的大脑计算机界面框架估计
不同职业群体工人的心理工作量（MWL）是不安全行为的主要和直接因素，这可能会导致严重的事故。估计MWL的新技术之一是基于脑电图信号的大脑计算机接口（BCI），这被视为认知状态的黄金标准。但是，涉及手工脑电图功能的估计系统是耗时的，不适合实时申请。这项研究的目的是提出一个最终的BCI框架以进行MWL估计。首先，提出了一种新的自动数据预处理方法，以消除无人干扰的人工制品。然后，一种名为EEG-TNET的新神经网络结构旨在从原始EEG中提取时间和频率信息。此外，进行了两种类型的实验和消融研究，以证明该模型的有效性。在主题依赖性实验中，双任务估计的估计准确性（无任务与任务）和三任任务估计（LO vs. MI与HI）分别达到99.82和99.21％。相反，在受试者无关的实验中，不同任务的准确性达到82.78和66.83％。此外，消融研究证明，预处理方法和网络结构对估计MWL具有显着贡献。所提出的方法在没有任何人类干预的情况下很方便，并且胜过其他相关研究，这成为降低人为因素风险的有效方法。
半监督的生成和歧视性对抗性学习，用于基于运动图像的大脑 - 计算机界面
卷积神经网络（CNN）可以识别具有不同体系结构的数据中的结构/配置模式，以进行特征提取。然而，关于在BCIS中利用先进的深度学习方法的挑战。我们专注于小型培训样本的问题以及学习参数的可解释性，并利用半监督的生成和歧视性学习框架有效地利用具有真实样本的合成样本来发现类歧视性特征。我们的框架了解使用生成模型在嵌入空间中EEG信号的分布特性。通过使用人工生成和真实的脑电图信号，我们的框架会发现类别歧视时空特征表示，这些表示有助于正确区分输入EEG信号。值得注意的是，该框架有助于对真实的，未标记的样本的开发，以更好地发现用户的EEG信号中固有的基本模式。为了验证我们的框架，我们通过利用三个现有CNN架构的变体作为生成器网络进行了比较我们的方法与常规线性模型进行比较的实验，并在三个公共数据集上测量了性能。我们的框架在统计学上对竞争方法表现出显着的改进。我们通过激活模式图研究了学习的网络，并可视化的产生的人工样本以经验证明我们模型的稳定性和神经生理学合理性是合理的。
超越主电机皮层以改善脑部计算机界面
大脑 - 用于运动恢复的计算机接口（BCIS）通常会从其主电机皮层（M1）中的神经活动中解码用户的意图，并使用此信息来启用外部设备的“心理控制”。在这里，我们认为M1的活动具有太少和太多的信息，无法进行最佳解码：太少了，因为超出其超出其的许多区域都会贡献独特的电动机，并且具有与运动相关的信息，而与运动相关的信息缺乏或以其他方式从M1活动中解析；太多了，在那个电机命令中，与注意力和反馈处理等非运动过程纠缠在一起，从而极大地阻碍了解码。我们认为，通过整合来自多个大脑区域的其他信息来开发BCIS，可以更好地解释用户的意图，从而规避这两个挑战。
在Cybathlon锦标赛锦标赛上竞争残疾运动员：长期运动图像脑部计算机界面训练四边形CYB
我们测试了MAD7表达质粒的共转染和GRNA表达质粒作为RNP方案的替代方案。质粒转染具有不需要先前产生和纯化MAD7蛋白的优势。我们使用与RNP实验相同的GRNA序列靶向相同的基因。如图2所示，基于质粒的协议也可以生成indels，但显示的Indels水平低于RNP协议。类似于RNP协议，尽管不太明显，但4XNLS版本优于1XNLS版本。
大脑计算机界面：一种新的存在风险因素
1型BCIS能够读取神经数据，但也出于多种目的报告并发送此数据。这些已被用来实时转化神经模式的语音（Allison等，2007; Guenther等，2009; Moses等，2019），并从神经模式中检测阳性和负面的情绪状态（Wu等，2017）。可以预期，这种此类的近任期BCI将能够检测出故意的欺骗，甚至检测潜意识的识别，并检测到更精确且复杂的思想含量（Bellman等，2018； Bunce等，2005； Evers和Sigman； Evers and Sigman，2013; Roelfsema，Roelfsema，Roelfsema，denys＆Klink＆Klink＆Klink，2018）。记录和解释神经数据有许多实际用途。到目前为止，BCIS已被用于灵长类动物，以使他们能够通过直接将心理命令直接发送到相关设备来控制假肢和智能设备（Carmena等，2003； Ifft，2013； Moore，2003）。这些相同的技术也已被用来帮助截瘫或四肢瘫痪的人，通过为它们提供一个神经分流，该神经分流记录大脑的信息并将这些信息直接发送到激活肌肉的地方，从而使患者可以使用先前残疾的四肢（Moore，2003）。许多公司还具有长期目标，即允许用户心理向其他BCI用户传输消息，从而仅允许使用思想的静音通信（Kotchetkov等，2010）。
大脑计算机界面的研究文章效果 -
目的。观察脑部计算机界面的下肢康复机器人（BCI-LLRR）对中风的功能恢复并探索机制的影响。方法。亚急性相卒中患者被随机分为两组。除了常规干预外，治疗组的患者在BCI-LLR上接受了培训，并在对照组进行了下肢踏板训练，均在同一时间（30分钟/天）。所有患者均通过诸如美国国立卫生研究院量表（NIHSS）和FUGL -MEYER上和下肢运动功能和平衡测试等工具进行评估。在治疗前还对患者进行了4周的测试。结果。4周后，在治疗组和对照组中，FUGL – Meyer腿部功能和NIHSS得分显着提高（P <0。01）。在3个月时，观察到进一步的显着改善。te MEP振幅和治疗组的潜伏期显着改善了对照组。对分数各向异性值的治疗效果不是显着的。结论。te bci-llrr在中风后促进了腿部功能恢复，并改善了日常生活的活动，这可能是通过改善脑皮质兴奋性和白质连接性来促进了腿部恢复。