XiaoMi-AI文件搜索系统
World File Search SystemDecode
MindReading：一种基于脑电图的人类意图识别的超低功耗光子加速器
摘要——基于头皮记录脑电图 (EEG) 的脑机接口 (BCI) 系统可以极大地改善患有运动障碍的人的生活质量。创建由多个卷积、LSTM 和全连接层组成的深度神经网络来解码 EEG 信号，以最大限度地提高人类意图识别的准确性。然而，之前的 FPGA、ASIC、ReRAM 和光子加速器在处理实时意图识别时无法保持足够的电池寿命。在本文中，我们提出了一种超低功耗光子加速器 MindReading，仅通过低位宽的加法和移位运算即可实现人类意图识别。与之前的神经网络加速器相比，在保持实时处理吞吐量的情况下，MindReading 将功耗降低了 62.7%，并将每瓦吞吐量提高了 168%。
从混沌中解码量子信息
大规模量子信息处理的一个核心挑战是管理量子系统中的噪声。量子纠错 (QEC) 通过在噪声发生之前将量子态编码为量子纠错码 (QECC) 并在之后对其进行解码来解决此问题。最近，QEC 因其与量子混沌和量子引力的潜在联系而在理论物理学中引起了极大关注。随着人们对 QEC 的兴趣越来越广泛，解码问题（如何解码通用 QECC）变得越来越重要。到目前为止，已知的方法很少，但我们最近提出了两种方法：一种是基于稳定器 [1] 扩展标准类 QECC 的解码器，另一种是推广最初用于探索黑洞信息悖论的 Yoshida-Kitaev 解码器 [2]。在本次演讲中，我们将概述这些方法。
使用 Bcrypt 和 salt 修改 SHA-512 以实现安全电子邮件
电子邮件在访问各种在线账户方面发挥着重要作用，因此电子邮件安全，尤其是针对网络钓鱼、欺骗和分布式拒绝服务 (DoS) 攻击的安全保护，已成为当务之急。该研究引入了一种改进的 SHA-512 算法，实现了额外的安全层，包括随机生成的盐和 Bcrypt 算法。对改进的 SHA-512 的哈希构造、计算效率、数据完整性、抗碰撞性和抗攻击性等参数进行了全面评估。结果表明，其雪崩率超过了 50% 的目标，达到了 50.08%。实验性哈希破解无法解码改进算法创建的哈希，从而验证了其保护效率。该算法还成功展示了数据完整性和抗碰撞性。这表明增强型 SHA-512 算法是一种有效、更安全的哈希方法，特别适用于电子邮件地址。
shotcut用户指南目录
编解码器包括两个组件，一个编码器和一个解码器，因此名称。视频编解码器的示例是H.264，H.265，VP9等…编解码器使用各种技术来压缩数据。压缩可以是无损的，在这种情况下，解码数据将产生与编码或有损的数据完全相同的数据，在这种情况下，解码数据的数据将丢失一些编码的数据。压缩越高，丢失的数据越多。通常，使用无损编解码器的使用会导致文件比有损失的文件更大。某些编解码器在制作等效质量的视频所需的数据量中比其他编解码器更有效。H.265以同等质量生产的文件小于H.264；但是，执行此操作所需的更复杂的方法通常意味着它们需要更长的时间来编码和解码视频。
研究论文基于 fNIRS 使用稀疏表示解码步行意象和空闲状态
目的.基于功能性近红外光谱（fNIRS）的脑机接口（BCI）有望为严重影响其生活质量的步行功能障碍患者提供一种可选的主动康复训练方法。利用稀疏表示分类（SRC）氧合血红蛋白（HbO）浓度对步行表象和空闲状态进行解码，构建基于步行表象的 fNIRS-BCI。方法.招募15名受试者，采集步行表象和空闲状态下的 fNIRS 信号。首先对 HbO 信号进行带通滤波和基线漂移校正，提取 HbO 的均值、峰值、均方根（RMS）及其组合作为分类特征；利用 SRC 对提取的特征进行识别，并将 SRC 的结果与支持向量机（SVM）、K 最近邻（KNN）、线性判别分析（LDA）和逻辑回归（LR）的结果进行比较。结果.实验结果表明，三种特征组合的SRC对于步行想象和静止状态的平均分类准确率为91.55±3.30%，显著高于SVM、KNN、LDA和LR的86.37±4.42%、85.65±5.01%、86.43±4.41%和76.14±5.32%，且其他组合特征的分类准确率均高于单一特征的分类准确率。结论研究表明，在fNIRS-BCI中引入SRC能有效识别步行想象和静止状态。同时特征提取的不同时间窗口对分类结果有影响，2～8 s的时间窗口取得了比其他时间窗口更好的分类准确率（94.33±2.60%）。显著性意义。该研究旨在为步行功能障碍患者提供一种新的、可选的主动康复训练方法，此外该实验也是一项罕见的基于fNIRS-BCI利用SRC解码步行意象和静止状态的研究。
在线环境下基于通道优化视觉图像的机械臂控制
摘要 — 脑电图是一种有效的方法，它以非侵入方式在用户和计算机之间提供双向通路。在本研究中，我们采用视觉图像数据来控制基于 BCI 的机械臂。随着用户执行任务，视觉意象会随着时间的推移增加视觉皮层的 alpha 频率范围的功率。我们提出了一种深度学习架构，仅使用两个通道来解码视觉图像数据，并且我们还研究了具有显着分类性能的两个 EEG 通道的组合。使用所提出的方法时，离线实验中使用两个通道的最高分类性能为 0.661。此外，使用两个通道（AF3-Oz）的在线实验中的最高成功率为 0.78。我们的结果提供了使用视觉图像数据控制基于 BCI 的机械臂的可能性。
混沌量子密钥分发
• Alice 准备一组已知偏振基础和状态的光子。 • Bob 在随机基础上进行测量并记录获得的状态。 • Bob 以经典方式向 Alice 传达每个光子在什么基础上进行测量。 • Alice 告诉 Bob 哪些光子是在正确的基础上测量的，这些光子成为两人之间的原始密钥。 • Bob 然后选择其中的一小部分并将它们发送给 Alice 进行错误估计。 • 两人然后纠正他们原始密钥之间的错误。 • Alice 然后使用她的密钥对生成的混沌解进行编码并将其传输给 Bob。 • Bob 然后使用他的密钥解码消息，然后获取该解并使用它来驱动相应的混沌系统以重建一组解。 • Alice 使用她的另外两个解来加密预期消息并将其发送给 Bob。 • Bob 使用他重建的解来解密和阅读消息。
阿拉文德医学研究基金会
莱伯氏先天性黑蒙 (LCA) 是一种早期严重的遗传性视网膜营养不良症，占所有遗传性视网膜病变的 5%。每 30,000 到 81,000 个活产婴儿中就有 1 个患有此病。在全球范围内，29 种基因与 LCA 发病机制有关，占确诊病例的 70%。尽管 LCA 罕见，但我们最近五年的前瞻性调查诊断出了 135 例 LCA 病例，表明由于近亲结婚和族内通婚的普遍做法，南印度人群的患病率更高。使用靶向基因组对 135 例 LCA 病例进行分子诊断，确定了 21 个已知 LCA 候选基因的突变，检出率为 84%。然而，16% 的基因未解决的病例将进一步进行全面的表型分析结合全外显子组测序，以解码与 LCA 相关的潜在遗传因素。
图像隐志：学习如何隐藏图像中的数据
在安全的通信和数据保护领域中，隐身志通过在看似无害的载体文件（例如图像）中隐藏信息来扮演关键角色。本文提出了用于图形用户界面（GUI）和Python Imaging库（PIL）的Python应用程序，旨在实现图像隐肌。所提出的系统允许用户将秘密消息嵌入数字图像中，同时保持载体图像的视觉完整性。此外，它还提供了从地对图像中提取隐藏消息的功能。通过用户友好的界面，用户可以选择图像和编码/解码消息无缝，从而增强了隐形技术的可访问性和可用性。该实施证明了Python在开发数据安全和隐私的实用解决方案方面的有效性，为个人和组织提供了一种多功能工具，以通过掩护通信渠道来保护敏感信息。