XiaoMi-AI文件搜索系统
World File Search SystemInterf
脑机接口：挑战与应用
脑机接口于五十年前出现，是一种新的通信技术，允许患有严重神经肌肉疾病的患者与外界进行交流和互动。无线技术的快速发展为实验室外的应用打开了大门，例如娱乐、工业、营销和教育领域。越来越多的脑机技术新应用正在涌现，包括物联网。本期特刊将探讨非侵入式和侵入式脑机接口技术的进展、挑战和未来前景。发行范围包括但不限于：BCI 技术、生物医学信号分析、建模 - 神经信息学、生物医学工程、控制和机器人技术、计算机工程、认知科学 - 生物伦理学、神经生物学 - 神经外科、神经康复 - 生物反馈、生物物理学 - 生物化学。
首届跨会话工作量估计被动式脑机接口竞赛回顾
和许多研究领域的情况一样，脑机接口 (BCI) 领域数据共享仍然很少，尤其是在被动 BCI 领域——即基于从脑部测量估计的用户心理状态实现隐性交互或任务调整的系统。此外，该领域的研究目前面临一个重大挑战，即解决脑信号变异性，例如跨会话变异性。因此，为了在该领域发展良好的研究实践，并使整个社区能够联合起来进行跨会话估计，我们创建了第一个关于跨会话工作量估计的被动脑机接口竞赛。本次竞赛是第三届国际神经人体工程学会议的一部分。数据是从 15 名志愿者（6 名女性；平均 25 岁）获得的脑电图记录，他们进行了 3 次多属性任务组合 II (MATB-II) 测试，每次测试间隔 7 天，每场测试有 3 个难度级别（伪随机顺序）。数据（训练和测试集）与 Matlab 和 Python 玩具代码一起在 Zenodo 上公开提供（https://doi.org/10.5281/zenodo.5055046）。到目前为止，该数据库的下载次数已超过 900 次（2021 年 12 月 10 日所有版本的独立下载次数：911）。来自 3 大洲的 11 个团队（31 名参与者）提交了他们的作品。表现最好的处理流程包括基于黎曼几何的方法。虽然结果优于调整后的随机水平（对于 3 类分类问题，α 为 0.05，结果为 38%），但准确率仍然低于 60%。这些结果清楚地强调了跨会话估计的真正挑战。此外，它们再次证实了黎曼方法对 BCI 的稳健性和有效性。相反，三分之一的方法（4 个团队）基于深度学习获得了随机水平结果。与传统方法相比，这些方法在本次比赛中没有表现出更优的结果，这可能是由于严重的过度拟合。然而，这次比赛是共同努力解决 BCI 变异性并促进包括可重复性在内的良好研究实践的第一步。
通过特征向量联合对齐实现 P300 脑机接口的迁移学习
摘要 — 本文介绍了一种新的迁移学习方法，即群组学习，它可以联合对齐多个域（多对多），以及一种扩展方法，即快速对齐，它可以将任何其他域与先前对齐的域组对齐（多对一）。在脑机接口 (BCI) 数据上评估了所提出的组对齐算法 (GALIA)，并研究了该算法的最佳超参数值以了解分类性能和计算成本。使用了六个公开的 P300 数据库，包含来自 177 个受试者的 333 个会话。与传统的针对特定受试者的训练/测试流程相比，群组学习和快速对齐均显著提高了分类准确率，但临床受试者的数据库除外（平均改进：2.12±1.88%）。GALIA 利用循环近似联合对角化 (AJD) 来找到一组线性变换，每个域一个，联合对齐所有域的特征向量。群组学习实现了多对多迁移学习，同时不会损害非临床 BCI 数据的分类性能。快速对齐进一步扩展了任何未见域的群组学习，从而允许具有相同属性的多对一迁移学习。前一种方法使用来自先前受试者和/或会话的数据创建单个机器学习模型，而后一种方法利用训练后的模型来处理未见域，无需进一步训练分类器。
无线脑机接口 (WBCI) 和 6G...
脑机接口 (BCI) 是一种不依赖于大脑周围神经和肌肉正常输出通路的通信系统。无线脑机接口 (WBCI) 系统是 BCI 系统的一个分支，它采用一种独特的方法来获取大脑的电活动，即脑电图 (EEG)，使用有效的非侵入式植入电极方案，并采用无线通信方案传输获取的 EEG 进行进一步处理。五个最重要的安全和隐私问题是身份验证、访问控制、恶意行为、加密和通信。通过在 6G 技术背景下适当实施无线 BCI，本章全面概述了 WBCI 和 6G 技术，并概述了基于人工智能的方案在解决因 6G 网络部署到围绕 WBCI 的环境中而产生的安全和隐私问题方面的效用。
基于实时视觉分析的低延迟人机听觉接口
本文提出了一种视觉听觉替代方法，以帮助视障人士理解场景。我们的方法侧重于在用户附近进行人员定位，以方便在城市中行走。由于在这种情况下出于用户安全的考虑，需要实时和低延迟，因此我们提出了一种嵌入式系统。该处理基于轻量级卷积神经网络，以执行有效的 2D 人员定位。该测量结果通过相应的人员深度信息得到增强，然后通过头部相关传递函数转录为立体声信号。本文提出了一种基于 GPU 的实现，可以在 640x480 视频流上以 23 帧/秒的速度实现实时处理。我们通过实验表明，该方法可以实现实时准确的基于音频的定位。
使用低成本开源脑机接口和 3D 打印腕外骨骼诱导神经可塑性
摘要：脑机接口 (BCI) 已被证明可用于中风康复，但有许多因素阻碍了该技术在康复诊所和家庭中的使用，主要因素包括 BCI 系统的可用性和成本。本研究的目的是开发一种廉价的 3D 打印腕外骨骼，可由廉价的开源 BCI (OpenViBE) 控制，并确定使用这种设置进行训练是否可以诱导神经可塑性。11 名健康志愿者想象手腕伸展，这些伸展通过单次脑电图 (EEG) 检测到，作为响应，腕外骨骼复制了预期的运动。在使用外骨骼进行 BCI 训练之前、之后立即和 30 分钟后测量使用经颅磁刺激引起的运动诱发电位 (MEP)。BCI 系统的真阳性率为 86 ± 12%，每分钟有 1.20 ± 0.57 次误检。与 BCI 训练前的测量结果相比，MEP 在训练后立即增加了 35 ± 60%，在 BCI 训练 30 分钟后增加了 67 ± 60%。BCI 性能与可塑性诱导之间没有关联。总之，可以使用开源 BCI 设置检测想象运动并控制廉价的 3D 打印外骨骼，当与 BCI 结合时可以诱导神经可塑性。这些发现可能会促进 BCI 技术在康复诊所和家庭中的普及。然而，可用性必须提高，并且需要对中风患者进行进一步测试。
重新考虑：揭示电磁干扰的威胁...
摘要 - 随着可再生能源的繁荣（RES），逆变器的数量增殖。电源逆变器是将直接电流（DC）功率从RES转换为网格上交替电流（AC）功率的关键电子设备，它们的安全性会影响RES甚至电力网格的稳定操作。本文从内部传感器的各个方面分析了光伏（PV）逆变器的安全性，因为它们是安全功率转换的基础。我们发现，尽管电磁兼容性（EMC）对策，但嵌入式电流传感器和电压传感器都容易受到1 GHz或更高电磁干扰（EMI）的影响。这样的漏洞会导致不正确的调查并欺骗控制算法，并且我们设计的重新思考可以通过发射精心制作的EMI（即DERIAL of Service（DOS）（DOS））对PV逆变器产生三种类型的后果，从而对逆变器进行物理损坏或抑制电力输出。，我们通过以100 〜150 cm的距离传输EMI信号，在5个现成的PV逆变器甚至实际微电网上成功验证这些后果，甚至在20 w内传输总功率。我们的工作旨在提高对RES电力电子设备的安全性的认识，因为它们代表了新兴的网络物理攻击面向未来的RES统治网格。最后，为了应对这种威胁，我们提供了基于硬件和基于软件的对策。
打开用于被动脑计算机界面应用程序的EEG数据集：缺乏和观点
摘要 - 随着开放科学的出现，越来越多的研究人员正在共享他们的数据集和处理方法。但并非所有领域都关注，并且有些仍然缺乏开放的数据库，这些数据库可以更快，更相关的研究，更重要的是赞成结果的可复制性和可重复性。对于脑部计算机界面的领域尤其如此，尤其是在被动脑机接口的相对新领域。本文概述了基于脑电图的被动脑机接口应用程序的当前可用数据集。详细介绍了其主要特征，包括参与者的数量，任务，电极设置和电极位置信息。缺乏被突出显示和讨论，并为将来的研究提供了建议。
用于个性化听力学诊所助听器处方的图形 - 用户界面
助听器配件通常是基于基于人群的处方（例如DSLV5和NAL-NL2）进行的。虽然对基线拟合有效，但这些处方并未考虑到个人的听力偏好，尤其是在可能引起个人感兴趣的嘈杂的音频环境中，从而导致听力下降和助听器满意度降低。本文提出了一个图形 - 用户界面（GUI）软件工具，称为助听器放大的个性化（PHAP），用于个性化助听器配件。此GUI结合了一种先前开发的多波段贝叶斯机器学习方法，可通过配对的音频比较达到个性化设置。通过独立地对每个频段进行建模，此方法可大大减少训练时间，从而使该工具实现个性化。通过以时间效率的方式简化个性化过程，开发的GUI提供了一种将用户偏好纳入配件的有效方法，并为更广泛地采用听力学诊所的个性化助听器配件铺平了道路。
TA1.2后端和TA1.3人类计算机接口
今天的AI在许多方面都很出色，但也不可靠。这种不可靠的能力施加了重大的社会安全风险，并限制了我们以强大和合法的方式管理这些系统的能力。保护的AI计划是5900万英镑的R＆D努力，旨在开发通用AI工作流程，用于生产特定领域的AI代理或决策支持工具，用于管理具有定量保证的网络物理系统，与现有操作相比，对性能和鲁棒性提高了。这样做，我们试图证明一种新的，替代的研究和发展途径的生存能力，用于安全和变革性的AI。维护AI设想了利用最新状态“边境” AI以及人类专业知识的研发途径，以构建一个监视其他AI代理商的安全行为，以构建一个看门人系统。一个守门人由有关应用领域的正式世界模型和安全规范组成，以及负责提出有效任务政策并生成可验证的安全保证的几个ML组件等。所得的保护的AI系统将在可靠性是关键的一系列广泛的关键业务或关键的网络物理应用程序域中解锁最先进的机器学习模型的原始潜力。它还将通过提供高保证安全保证并建立大规模的文明弹性来降低边境AI的风险，从而在可接受的时间范围内将人类潜在的未来“流氓AIS”的脆弱性降低到可接受的水平。该计划将开发用于构建此类保护的AI工作流程的工具包，并在能源，运输，电信，医疗保健等一系列应用领域中演示。首先，这将作为概念证明，证明可以通过定量安全保证实现AI在安全关键应用中的好处；其次，催化进一步的研发以复制和扩展其他应用领域以及世界其他部署的结果。保护的AI计划分为三个主要技术领域（TAS）。