XiaoMi-AI文件搜索系统
World File Search SystemCovert
使用 EEG 希尔伯特包络和时间精细结构进行隐性语音分类的迁移学习
脑机接口 (BCI) 可以从神经活动中解码想象中的语音。然而，这些系统通常需要大量的训练，参与者在训练中想象重复单词，这会导致精神疲劳和难以识别单词的开头，尤其是在想象单词序列时。本文通过将在显性语音数据中训练过的分类器转移到隐性语音分类中来解决这些挑战。我们使用了从希尔伯特包络和时间精细结构中得出的脑电图 (EEG) 特征，并使用它们来训练双向长短期记忆 (BiLSTM) 模型进行分类。我们的方法减轻了大量训练的负担，并实现了最先进的分类准确率：使用显性语音分类器，显性语音的准确率为 86.44%，隐性语音的准确率为 79.82%。
揭示隐性言语与显性言语的时空脑动态：同步 EEG-fMRI 研究
隐性言语 (CS) 是指不发出任何声音或动作而自言自语。CS 与多种认知功能和障碍有关。通过脑机接口 (BCI) 重建 CS 内容也是一项新兴技术。但 CS 是显性言语 (OS) 的截断神经过程还是涉及独立模式仍存在争议。在这里，我们进行了一个同时进行 EEG-fMRI 的说话实验。它涉及 32 名参与者，他们公开和隐蔽地生成单词。通过将 fMRI 的空间约束整合到 EEG 源定位中，我们精确估计了神经活动的时空动态。在 CS 期间，EEG 源活动定位在三个区域：左侧中央前回、左侧辅助运动区和左侧壳核。虽然 OS 涉及更多大脑区域且激活更强，但 CS 的特点是左侧壳核中事件锁定激活较早（峰值为 262 毫秒对比 1170 毫秒）。左壳核还被确定为 OS 和 CS 功能连接 (FC) 网络中唯一的中心节点，而在 CS 期间，优势半球中与言语相关的区域的 FC 强度较弱。路径分析揭示了显著的多变量关联，表明左壳核中较早的激活与 CS 之间存在直接关联，这是由与言语相关的区域的 FC 减少介导的。这些发现揭示了 CS 的特定时空动态，为 CS 机制提供了见解，这些见解可能与未来治疗自我调节缺陷、言语障碍和开发 BCI 语音应用有关。
揭示足球守门员隐蔽注意力的脑电图相关性：迈向创新运动训练程序
体育科学和神经科学的进步为设计高效且激励人心的运动训练工具提供了新的机会。例如，使用神经反馈 (NF)，运动员可以学会自我调节特定的大脑节律，从而提高他们的表现。在这里，我们专注于足球守门员的隐性视觉空间注意 (CVSA) 能力，这对于这些运动员取得优异成绩至关重要。我们寻找可用于基于虚拟现实的 NF 训练程序的 CVSA 脑电图 (EEG) 标记，即符合以下标准的标记：(1) 特定于 CVSA，(2) 可实时检测，(3) 与守门员的表现/专业知识相关。我们的结果表明，CVSA 最著名的 EEG 标记——被关注半视野同侧 α 功率增加——由于不符合标准 2 和 3 而无法使用。尽管如此，我们还是强调了运动员 CVSA 能力的提高与静息时 α 功率增加之间存在显著的正相关性。虽然该标记的特异性仍有待证实，但它符合标准 2 和 3。这一结果表明，可以为守门员设计创新的生态训练程序，例如结合使用 NF 和在虚拟现实中执行的认知任务。
GAO-08-48T 航空安全：TSA 乘客筛查流程秘密测试暴露漏洞
2006 年 8 月，美国运输安全管理局 (TSA) 根据英国当局发现的跨大西洋炸弹阴谋，大幅修改了其乘客安检政策。为了弥补这一阴谋所揭示的安全漏洞，修订后的政策严格限制了 TSA 允许乘客携带通过安检站的液体、凝胶和喷雾剂的数量。应委员会的要求，GAO 测试了乘客安检过程中是否存在安全漏洞。为了进行这项工作，GAO 试图 (1) 获取制造恐怖分子可能用来对飞机造成严重损坏并威胁乘客安全的装置的说明和组件；(2) 测试 GAO 调查人员是否能够携带制造这些装置所需的所有组件通过机场安检站而不被发现。GAO 在全国 19 个机场进行了秘密测试，这些机场不具代表性。测试结束后，GAO 及时向 TSA 提供了两次简报，以帮助其采取纠正措施。在这些简报中，GAO 建议 TSA 考虑采取多项措施来改进其乘客安检计划，包括人力资本、流程和技术等方面。GAO 目前正在对这些问题进行更系统的审查，并预计将于 2008 年初发布一份包含对 TSA 建议的综合公开报告。
在社区样本中，自我报告的嗜睡与大脑和皮质体积增大以及缺血性隐性脑梗塞患病率降低有关
据观察，自我报告的嗜睡是许多睡眠障碍和健康状况（如痴呆和中风）的结果。然而，当白天嗜睡与睡眠障碍、睡眠不足或疾病无关时，它与大脑衰老和缺血性损伤标志之间的关联仍不清楚。本文表明，在调整大量混杂因素（如睡眠障碍和习惯性睡眠模式、心血管风险因素和抑郁症）后，自我报告的白天嗜睡程度越高，大脑和皮质灰质总体积越大，出现隐性脑梗塞的风险就越低。我们的研究结果挑战了这样一种观点，即白天嗜睡是大脑健康状况较差的标志，除非它能用其他病理或睡眠障碍来解释。
使用多元EEG分析解码秘密空间注意的时间动态：原始振幅和α功率的贡献
可以在不需要眼动的而无需眼睛运动的情况下将注意力定向在空间中。我们使用多元模式分类分析（MVPA）来研究是否可以从EEG Alpha Power和原始活动痕迹中解码秘密空间注意的时间过程。从这些信号中解码注意力可以帮助确定原始的EEG信号和α功率是否反映了注意选择的相同或不同特征。使用经典的提示任务，我们证明了秘密空间注意力的方向可以通过两个信号来解码。但是，原始活动和α功率可能反映出空间注意力的不同特征，而α功率与空间中秘密注意力的方向和原始活动的方向相关，而对感知过程的关注感也影响。
Ari Karchmer
•SAFR AI实验室研讨会，哈佛大学，剑桥，马萨诸塞州2024年，无法检测到的模型窃取以及秘密学习的更多信息•矢量研究所，加利福尼亚州多伦多，加利福尼亚州2024年密码学和复杂性理论，在ML•CIS研讨会的设计和分析中 2024 Undetectable Model Stealing and more with Covert Learning • Encryption for Secure Search and other Algorithms (ESSA 2023), Bertinoro, Italy 2023 Covert Learning and its Applications • Privacy-preserving ML workshop, CRYPTO, Santa Barbara, CA 2022 On the Limits of Provable Security Against Model Extraction • Charles River Crypto Day, MIT, Cambridge, MA 2021 Covert Learning:如何用不信任的中介
文章/书籍信息 - T2R2
人们已经尝试过多次语音脑机接口 (BCI)，在听觉语音感知、显性语音或想象（隐性）语音期间使用侵入性测量（例如皮层电图 (ECoG)）来解码音素、子词、单词或句子。从隐性语音中解码句子是一项具有挑战性的任务。这项研究招募了 16 名颅内植入电极的癫痫患者，在 8 个日语句子的显性语音和隐性语音期间记录了 ECoG，每句句子由 3 个标记组成。具体来说，我们应用 Transformer 神经网络模型来从隐性语音中解码文本句子，该模型使用在显性语音期间获得的 ECoG 进行训练。我们首先使用相同的任务进行训练和测试来检查所提出的 Transformer 模型，然后评估该模型在使用显性任务训练以解码隐性语音时的性能。在隐性语音上训练的 Transformer 模型在解码隐性语音时实现了 46.6% 的平均标记错误率 (TER)，而在显性语音上训练的模型实现了 46.3% 的 TER (p > 0.05 ; d = 0.07)。因此，收集隐性语音训练数据的挑战可以通过使用显性语音来解决。通过使用几种显性语音可以提高隐性语音的性能。
令人遗憾的必需品 - 国家安全学院 | - 澳大利亚国立大学
秘密行动是澳大利亚国际政治中最为未经审查的组成部分，尤其是因为它与间谍活动一起属于澳大利亚秘密情报局 (ASIS) 的高度机密工作。今天，澳大利亚面临着自 70 年前 ASIS 首次成立以来其秘密行动方法中最重要的战略转折点。因此，迫切需要有关澳大利亚使用秘密行动的新研究、辩论和政策，包括帮助应对秘密行动带来的艰难道德和战略挑战。本文提供了资源，以了解澳大利亚的秘密行动方法、它需要如何改变以及哪些政策措施可以实现这一演变。它预示了秘密行动带来的一些道德和战略挑战。
