XiaoMi-AI文件搜索系统
World File Search SystemBCIs
光标BCIS的长期无监督重新校准
皮质内脑机构界面（IBCIS）需要频繁地重新校准，以维持由于随着时间的推移积累而导致的神经活动变化而保持稳健的性能。补偿这种非机构性将使您无需进行监督的重新校准期，在这种情况下，用户无法自由使用其设备。在这里，我们介绍了一个隐藏的马尔可夫模型（HMM），以推断用户在IBCI使用期间朝着哪些目标转向。然后，我们使用这些推断的靶标对系统进行重新训练，从而使无监督的神经活动适应。我们的方法在两个月内以大规模的闭环模拟和人类IBCI用户的闭环模拟以优于最高的最新技术。利用跨越五年IBCI记录的离线数据集，我们进一步显示了最近提出的重新校准的数据分配匹配方法如何在长时间尺度上失败；只有目标推断方法似乎能够实现长期无监督的重新校准。我们的结果表明，如何使用任务结构将嘈杂的解码器引导成一个高度表现的解码器，从而克服了临床翻译BCI的主要障碍之一。
迈向多模式BCI：外围控制对运动皮层活动和代理意识的影响
摘要 - 近年来，使用运动图像的大脑计算机界面（BCI）显示出一些局限性在控制质量方面。为了改善这项有前途的技术，一些研究旨在与其他技术（例如眼睛跟踪）开发混合BCI，这些技术显示出更可靠的可靠性。但是，在机器人控制中使用眼动仪可能会自身影响机构感（SOA）（SOA）和用于运动图像（MI）区域的大脑活动。在这里，我们探讨了代理意识与运动皮层活动之间的联系。为此，我们使用了投影在表面上的虚拟臂，该虚拟手臂由运动捕获控制或使用眼迹器凝视控制。我们发现，在凝视控制任务期间，电动机皮层有一项活动，并且对预计的机器人臂的控制会带来显着差异，这与观察机器人移动的情况有很大的差异。
基于类独特性的黎曼流形上基于振荡活动的 BCI 的频带选择：初步结果
摘要 — 众所周知，考虑用户特定设置可以增强脑机接口 (BCI) 的性能。特别是，振荡活动分类的最佳频带高度依赖于用户，过去二十年已经开发了许多频带选择方法。然而，这些传统方法是否可以有效地应用于黎曼 BCI 尚未得到很好的研究，黎曼 BCI 是一类新兴的 BCI 系统，与传统 BCI 管道不同，它利用了数据的非欧几里得性质。在本文中，我们提出了一种基于黎曼流形的新型频带选择方法。选择频带时，考虑到基于流形上的类间距离和类内方差量化的类独特性。该方法的一个优点是可以针对每个人调整频带，而无需进行密集的优化步骤。在使用基于运动想象的 BCI 公共数据集的比较实验中，我们的方法比固定宽频带和流行的传统频带选择方法的平均准确率有显著提高。尤其是，我们的方法显著提高了最初准确度较低的受试者的表现。这一初步结果表明，开发考虑流形属性的新用户特定设置算法的重要性，而不是直接应用在黎曼 BCI 兴起之前开发的方法。
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。
探索丰富环境中的多模式 BCI 策略
摘要 — 脑机接口依赖于看似简单但实际执行起来却很复杂的认知任务。在这种情况下，提供引人入胜的反馈和主体的体现是整个系统性能的关键之一。然而，事实证明，单靠非侵入性大脑活动通常不足以精确控制机械臂等复杂外部设备的所有自由度。在这里，我们开发了一种混合 BCI，它还集成了眼动追踪技术，以提高主体的整体代理感。虽然之前已经探索过这种解决方案，但如何结合凝视和大脑活动以获得有效结果的最佳策略研究甚少。为了解决这一差距，我们探索了两种不同的策略，其中执行运动想象的时间会发生变化；一种策略可能比另一种策略更不直观，这会导致性能差异。
基于异步运动的 BCI 中快速生成训练数据的新范例
简介：基于运动的脑机接口 (BCI) 利用执行或尝试运动期间产生的大脑活动来控制应用程序。通过依赖自然运动过程，这些 BCI 与其他 BCI 系统相比提供了更直观的控制。然而，利用脑电图 (EEG) 信号的非侵入式基于运动的 BCI 通常需要大量训练数据才能在检测运动意图方面达到适当的准确度。此外，运动障碍患者需要基于提示的范例来指示与运动相关的任务的开始。这样的范例往往会在试验之间引入较长的延迟，从而延长训练时间。为了解决这个问题，我们提出了一种新颖的实验范例，可以在 18 分钟内收集 300 次提示运动试验。
通过侵入式脑机接口进行神经元干扰网络攻击，影响需要视觉能力的任务的解决
根据侵入性，BCI 主要分为两类。非侵入式 BCI 无需手术即可从外部刺激大脑。尽管某些技术可以针对大脑的较小区域，但非侵入式 BCI 可以覆盖大脑的较大区域。相比之下，侵入式系统可以应用于小区域，甚至具有单神经元分辨率，但会带来更高的生理风险（Ramadan 和 Vasilakos，2017 年）。基于 BCI 的相关性和扩展性，近年来出现了新的技术和公司，专注于开发新的侵入式系统，以神经元粒度刺激大脑。Neuralink 就是一个例子（Musk 和 Neuralink，2019 年），这家公司设计了颠覆性的 BCI 系统来记录神经元级别的数据，目前正致力于覆盖刺激功能。此外，神经尘埃（Seo 等人，2013）是一种由数百万个位于大脑皮层中的纳米级可植入设备组成的架构，可以进行神经记录。神经尘埃的演变是无线光遗传学纳米网络设备 (WiOptND)（Wirdatmadja 等人，2017），它使用光遗传学来刺激神经元。尽管这些方法很有前景，但 Bernal 等人 (2020) 的作者表明，它们存在漏洞，可能允许攻击者控制两个系统并执行恶意刺激动作，从而改变自发的神经元信号。根据攻击的覆盖范围（就大脑区域和受影响的神经元数量而言），网络攻击者可能会造成永久性脑损伤，甚至导致患者死亡。在同一方向上，Bernal 等人 (2021) 发现 BCI 的网络安全领域还不够成熟，非复杂的攻击可能会造成重大损害。总之，攻击者可以利用 BCI 漏洞来利用这些有前途的神经刺激技术。以这些研究的发现为动机，本文重点关注针对旨在改变神经元行为的网络攻击的稀缺研究。此外，还需要新的方法来衡量和理解这些攻击的影响。特别是，这些问题具有特殊的意义，因为攻击可能会恶化或重现常见神经退行性疾病的影响（Bernal 等人，2021 年）。为了改进以前的挑战，这项工作的主要贡献是定义和实施一种新的神经元网络攻击，即神经元干扰网络攻击 (JAM)，重点关注神经活动的抑制。本研究旨在探索抑制性神经元网络攻击对大脑的影响。然而，文献中缺乏全面的神经元拓扑结构，因此，我们模拟了小鼠视觉皮层的一部分，放置在大脑的枕叶区域，定义了小鼠试图离开特定迷宫的用例。神经元拓扑是使用经过训练以解决此特定用例的卷积神经网络 (CNN)（Géron，2019）构建的。这项工作的第二个贡献是评估了 JAM 网络攻击对特定场景中的神经元和人工模拟造成的影响。为了进行分析，我们使用了现有指标，但也定义了一组新指标，得出结论：JAM 网络攻击可以改变自发的神经元行为，并迫使小鼠做出不稳定的决定以逃离迷宫。
基于对齐的对抗训练 (ABAT) 可提高基于 EEG 的 BCI 的稳健性和准确性
摘要 — 机器学习在基于脑电图 (EEG) 的脑机接口 (BCI) 中取得了巨大成功。现有的大多数 BCI 研究都侧重于提高解码精度，只有少数研究考虑了对抗安全性。尽管在计算机视觉等其他应用领域已经提出了许多对抗性防御方法，但先前的研究表明，将它们直接扩展到 BCI 会降低良性样本的分类精度。这种现象极大地影响了对抗性防御方法对基于 EEG 的 BCI 的适用性。为了缓解这个问题，我们提出了基于对齐的对抗性训练 (ABAT)，它在对抗性训练之前执行 EEG 数据对齐。数据对齐将来自不同领域的 EEG 试验对齐以减少它们的分布差异，而对抗性训练进一步增强了分类边界的鲁棒性。数据对齐和对抗性训练的结合可以使训练后的 EEG 分类器同时更准确、更鲁棒。在两种不同的 BCI 范式（运动想象分类和事件相关电位识别）的五个 EEG 数据集、三个卷积神经网络分类器（EEGNet、ShallowCNN 和 DeepCNN）和三种不同的实验设置（离线受试者内跨块/会话分类、在线跨会话分类和预训练分类器）上进行的实验证明了其有效性。非常有趣的是，通常用于破坏 BCI 系统的对抗性攻击可以在 ABAT 中使用，以同时提高模型准确性和鲁棒性。
计算机接口 (BCI)
近年来，神经科学领域的科学发现与人工智能领域的发展相结合，导致了一系列神经技术的发展。神经成像系统、神经刺激器和脑机接口 (BCI) 的进步正在带来增强、控制和“阅读”大脑的新方法。此外，尽管 BCI 最初是在医学领域开发和使用的，但现在它们越来越多地应用于其他领域（娱乐、营销、教育、国防工业）。我们按照系统评价和荟萃分析的首选报告项目 (PRISMA) 指南进行了文献综述，以提供有关使用 BCI 的伦理问题的背景信息。从所审查研究的主题数据分析中得出的伦理问题包括围绕人类尊严、人格和自主权、用户安全、耻辱和歧视、隐私和安全、责任、研究伦理和社会正义（包括获得这项技术）的问题。本文试图解决这些问题的各个方面。我们发现了许多不同的伦理问题，这些问题大部分与先前研究的结果一致。然而，我们发现了两个细微差别，它们与 BCI 相关的伦理问题实证研究以及 BCI 对国际关系的影响有关。本文还强调了所有利益相关者合作的必要性，以确保这项技术的伦理开发和使用，并提出了几项建议。生物伦理学原则提供了一个初步的指导框架，但在当前的人工智能领域，该框架应该进行修订，以应对 BCI 开发和使用带来的挑战。
BCI、关系伦理和健全主义习性
1 David Kinney 和 Liam Kofi Bright (2023) 认为，特权群体应该忽略告知他们特权的信息，这是 Buchak 的风险规避理性模型 (2010, 2013) 所期望的。也就是说，那些拥有特权社会地位的人应该忽略那些告知他们有利于他们的实际社会不平等的信息。这甚至适用于那些已经努力让自己接受了解特权的潜在情感成本的人，因为在他们的模型中，无知不是源于意图或主动偏见，而是源于风险规避者的行为方式。如果有人预计警察和其他权威人士的审查较少，他们可能会从事风险更大的行为，否则这些行为的预期收益会更高。为了避免这种风险，精英代理人只是“不予理睬”，以免了解可能理性地激励他们承担更大社会风险的社会优势。由此他们认为，信息 DEI 培训成本高昂且无效。