XiaoMi-AI文件搜索系统
World File Search SystemBrainwaves
brainnet：用暹罗网络改善基于脑电波的生物识别识别
摘要 - 通过捕获大脑活动的消费者可穿戴设备的出现，已提出使用脑电波来验证用户身份的使用，以作为密码的方便替代品。最近在脑生物识别方面的工作显示出可行的性能，但考虑实用性的适用性不足。我们提出了一种新的解决方案Brainnet，该解决方案训练一个暹罗网络，以测量两个脑电图（EEG）输入的相似性，并使用时间锁定的大脑反应而不是连续的心理活动来提高准确性。这种方法消除了对脑电波识别系统进行检验的需求，这是当前解决方案中的常见陷阱，促进了实际部署。此外，Brainnet在验证模式下达到0.14％的误差率（EER），在识别模式下达到0.34％，即使在看不见的攻击者场景下进行评估时，也表现出色的状态。索引术语 - 脑生物识别技术，用户身份验证，计算机安全，脑电图（EEG）
基于 脑电信号 身份 认证 系统
摘要：在当今的信息时代，我们通常以远程信息处理的方式访问个人和专业信息，例如银行帐户数据或私人文件。为了确保这些信息的隐私，应准确开发用户身份验证系统。在这项工作中，我们专注于生物特征认证，因为它取决于用户的固有特征，因此可以提供个性化的身份验证系统。具体而言，我们提出了一种基于心电图 (EEG) 的用户身份验证系统，该系统采用单类和多类机器学习分类器。从这个意义上讲，本文的主要创新之处在于引入了孤立森林和局部异常因子分类器作为用户身份验证的新工具，并研究了它们与 EEG 数据的适用性。此外，我们确定了对身份验证贡献较大的 EEG 通道和脑电波，并将它们与传统的降维技术、主成分分析和 χ 2 统计检验进行了比较。在我们的最终提案中，我们详细阐述了一种使用孤立森林和随机森林分类器的抵抗随机伪造攻击的混合系统，最终获得 82.3% 的准确率、91.1% 的精确率和 75.3% 的召回率。
音乐是否会引发大脑间同步？...
摘要 音乐家在音乐活动中分享的情感体验可以与脑波同步相结合。对于患有脑性瘫痪的不会说话的人来说，言语交流可能在表达相互同情方面受到限制。因此，本案例研究通过在四次音乐和四次讲故事环节中同时测量脑性瘫痪患者（女性，18 岁）、其父母和音乐治疗师的脑间同步情况来探索他们之间的脑间同步情况。只有在青少年-父母二元组中，我们观察到音乐条件下的脑间同步水平明显高于讲故事条件下的脑间同步水平。然而，在青少年-父母和青少年-治疗师二元组中，无论条件类型如何，低频带的额叶和颞叶都出现了显著的脑间同步，这与社会情感反应有关。尽管脑间同步可能是由多种因素引起的（例如，外部刺激、共同的共情体验和内部生理节律），但音乐活动设置值得进一步研究，作为促进脑性瘫痪青少年与护理人员/医疗保健提供者之间神经生理同步的潜在因素。
使用遗传编程进行跌倒检测的脑电图小波分类
自主检测身体跌倒的能力是实现更好独立生活的众多支持技术之一。这项工作探索了如何利用遗传编程来开发机器学习管道，以通过 EEG 脑波活动对跌倒进行分类。11 种身体活动（5 种跌倒类型和 6 种非跌倒活动）被聚类为是否发生跌倒的二元分类问题。在探索机器学习模型并对其进行调整以获得更好的 k 倍分类准确度、精确度、召回率和 F1 分数之前，先从脑波中提取小波特征。结果表明，仅从 EEG 脑波数据中，通过遗传编程发现的解决方案就可以检测到跌倒，平均准确度为 89.34%，精确度为 0.883，召回率为 0.908，F1 分数为 0.895。所有三种遗传编程解决方案都选择了主成分分析的进一步步骤，以便从计算出的小波特征中提取额外的特征，每个步骤的迭代次数分别为 6、3 和 7，并且都采用随机奇异值分解方法。最终通过接收者操作特性和精确度-召回率曲线分析最佳模型。提供了每个遗传编程管道的 Python 代码。
廉价的脑电波身份验证：用户接受的新技术和见解
脑电波已被证明在整个个体中都足够独特，可以用作生物识别技术。他们还提供了与传统身份验证手段的优势，例如抵抗外部可观察性，可竞争性和内在的易感检测。但是，到目前为止，大多数研究都是用昂贵，笨重的医学级头盔进行的，这些头盔可用于日常使用。旨在将脑电波身份验证及其收益更接近现实世界的部署，我们使用消费者设备调查了大脑生物识别技术。我们进行了一项全面的体验，该实验比较了用户样本的五个身份验证任务，最大的五倍比以前的研究大10倍，并基于认知语义处理的三种新技术。我们分析了不同选项的性能和可用性，并使用此证据来引起设计和研究建议。我们的结果表明，基于对当前廉价技术的图像的响应，可以实现相等的错误率14.5％（相对于现有方法的37％-44％降低）。关于采用，用户要求更简单的设备，更快的身份验证和更好的隐私。
基于心理命令和面部的无人机控制...
摘要 - 当它试图控制无人机时，通过各种设备有许多不同的方式，使用面部运动，带有传感器的特殊手套，笔记本电脑上的红色，绿色，蓝色摄像头，甚至通过执行由运动传感器拾取的手势来使用智能手表。本文提出了一项有关如何使用脑电波控制无人机的工作，而无需任何这些设备。当前研究的无人机控制系统是使用Emotiv Insight耳机拍摄的脑电图信号开发的。脑电图信号是从用户的大脑中收集的。然后通过蓝牙将处理后的信号发送到计算机。耳机采用蓝牙低能来进行无线传输。用户的大脑经过训练，以便使用生成的脑电图数据。最终信号通过MQTT消息传递协议传输到Raspberry Pi零。Raspberry Pi从耳机中控制无人机通过传入信号的运动。几年后，大脑控制可以替代许多普通的输入来源，例如键盘，触摸屏或其他传统方式，因此它可以增强交互式体验，并为残疾人与周围环境互动提供新的方式。
为什么人工智能永远不会超越人类智能
摘要 一篇题为“深度学习在人工智能中不合理的有效性”的论文认为，实现通用人工智能（即人类水平的智能）的方法就是复制有机大脑为人类做事的方式。该论文认为，人工智能必须从一个非常有限的二维空间（称为平面国）转移到一个万维空间，这个万维空间代表了人类大脑皮层神经元之间的数百万亿个突触。论文指出，如果他们希望实现通用人工智能，那么从二维人工智能转向万维人工智能实际上是朝着错误的方向迈进。事实上，尽管大脑皮层神经元之间有数百万亿个突触，但人类意识是一维的或整体的。为了实现通用人工智能，机器必须做人类可以做的一切，且输出中没有间隙或接缝。提出了一种人类大脑模型，其中大脑皮层的不同部分专门用于不同的功能，这些不同的区域通过脑电波以光速进行电子通信，这就是大脑在我们体内产生整体一维意识的方式。此外，由于自然界中不存在数字，因此有机大脑与深度学习不同，无需借助数字程序或统计数据即可产生智能输出。
工作场所中的神经技术：未来派现实
想象一个小工具，允许雇主通过隐藏在键盘或鼠标内的微小电极来监视其工人的脑电波，该电极发送实时显示以评估情绪，警觉性，压力和生产率水平。不久前，您认为这个概念太牵强了，无法认真考虑。但是神经科学和人工智能的进步正在融合 - 有人说，增长是“类固醇” 1-提供了负担得起且可广泛的神经技术设备，这些设备将很快成为普遍存在的工作环境的常规部分。我们研究了当今正在开发的神经技术的开创性工作场所应用，包括有可能帮助发现和帮助早期干预工作，以解决疲劳，倦怠，欺诈，欺诈，商业秘密盗用以及其他可严格的工作场所活动，以及提高生产力和工人的发展。，但也存在明显的固有道德风险，法律问题和忧虑，集中在可能不负责任地使用这种强大的技术。法律风险包括与生物识别数据收集，工作场所隐私以及感知或实际残疾歧视有关的风险，以及其他问题。随着科学和技术进入未知领域，雇主将不得不第一次解决这些法律问题，通常很少有先例或指导。
探索三种冥想传统的大脑网络测量方法
对各种冥想练习之间的相似性和差异性的研究仍处于早期阶段。在这里，我们利用功能连接和图形测量，展示了对三种冥想传统的研究：喜马拉雅瑜伽 (HT)、Isha Shoonya (SNY) 和内观 (VIP)。冥想区块的 EEG 活动用于建立功能性大脑连接，以利用各种冥想传统和对照组之间的网络。支持向量机用于二元分类，并使用通过图论测量生成的特征构建模型。我们在 HT、SNY 和 VIP 中分别获得了 84.76% 的最大准确率（gamma1）、90% 的最大准确率（alpha）和 84.76% 的最大准确率（theta）。我们的主要发现包括：（a）内观禅修者的 delta 连接更高，（b）经检查，所有禅修者的左半球前额叶区域的 θ 网络同步性更强，（c）喜马拉雅禅修者和内观禅修者更多地参与了 γ2 处理，（d）所有禅修者的 θ 和 γ 波段左额叶活动贡献增加，（e）所有禅修传统的 γ 处理都广泛涉及模块化。此外，我们还讨论了这项研究对神经技术产品的意义，以便让初学者能够进行引导式冥想。关键词：EEG 信号；冥想；功能连接；图形测量；支持向量机；机器学习；脑电波；喜马拉雅瑜伽；Isha Shoonya；内观
用于个性化癫痫发作预测的自适应、无标记和实时近似学习平台 (AURA)
高性能事件检测系统是进行某些预测研究所需的全部。在这里，我们介绍 AURA：一种使用未标记的实时数据训练的自适应预测模型，使用内部生成的近似标签进行实时训练。通过利用时间序列数据的相关性质，一对检测和预测模型耦合在一起，使得检测模型自动生成标签，然后用于训练预测模型。AURA 依赖于几个简单的原则和假设：(i) 目标应用中事件预测/预报模型的性能仍然低于事件检测模型的性能，(ii) 检测到的事件被视为弱标签，并被认为足够可靠，可用于在线训练预测模型，以及 (iii) 系统性能和/或系统响应反馈特性可以针对被测对象进行调整。例如，在医疗患者监测中，这可以实现个性化预测模型。癫痫发作预测被认为是 AURA 的理想测试案例，因为发作前脑电波因患者而异，根据患者情况定制模型可以显著提高预测性能。AURA 用于为 10 名患者生成个人预测模型，结果显示灵敏度平均相对提高 14.30%，误报率降低 19.61%。本文提出了一个概念验证，证明了在时间序列神经生理数据流上进行在线迁移学习的可行性，为低功耗神经形态神经调节系统铺平了道路。