XiaoMi-AI文件搜索系统
World File Search SystemInterface
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。
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）。
基于选择性听觉注意解码的脑部计算机界面的无监督精度估计
摘要 - 目的：选择性听觉注意解码（AAD）算法处理大脑数据（例如脑电图），以解码一个人参加的多个竞争声源。例子是神经ste的助听器或通过脑部计算机界面（BCI）进行通信。最近，已经证明可以在无监督的环境中基于刺激重建的刺激重建来训练此类AAD解码器，在这种情况下，没有关于参加哪种声音源的地面真相。在许多实际情况下，这种地面真相标签不存在，因此很难量化解码器的准确性。在本文中，我们旨在开发一种完全无监督的算法，以估算竞争性说话者聆听任务期间基于相关的AAD算法的准确性。方法：我们通过将AAD决策系统建模为具有添加剂白色高斯噪声的二进制相移键通道来使用数字通信原理。结果：我们表明，针对不同量的培训和估计数据以及决策窗口长度，提出的无监督性能估计技术可以准确地确定AAD准确性。此外，由于不同的应用需要不同的目标准确性，因此我们的方法可以估计任何给定目标准确性所需的训练量最小。结论：我们提出的估计技术准确地预测了基于相关的AAD算法的性能，而无需访问地面图标签。在BCIS中，它可以支持强大的沟通范式，并提供护理人员的准确反馈。显着性：在神经启动的助听器中，我们方法提供的准确性估计值可以支持时间自适应解码，动态增益控制和神经反馈。
开放的EEGLAB门户界面：使用EEGLAB进行高性能计算
EEGLAB 信号处理环境是目前处理脑电图 (EEG) 数据的领先开源软件。神经科学网关 (NSG，nsgportal.org) 是一个基于 Web 和 API 的门户，允许用户在美国 XSEDE 网络中的高性能计算 (HPC) 资源上轻松运行各种与神经科学相关的软件。我们最近报道了 (Delorme 等人，2019) Open EEGLAB Portal 扩展了免费 NSG 服务，以允许神经科学界使用 EEGLAB 工具环境构建和运行 MATLAB 管道。我们现在发布了一个 EEGLAB 插件 nsgportal，它可以在任何个人实验室计算机上的 MATLAB 上运行的 EEGLAB 中直接将 EEGLAB 与 NSG 连接起来。该插件具有灵活的 MATLAB 图形用户界面 (GUI)，允许用户轻松提交、交互和管理 NSG 作业，以及检索和检查其结果。支持这些 GUI 功能的命令行 nsgportal 工具允许 EEGLAB 用户和插件工具开发人员构建高度自动化的功能和工作流程，包括可选的 NSG 作业提交和处理。这里我们详细介绍了 nsgportal 的实施和文档，提供了示例应用程序的用户教程，并展示了使用 HPC 与笔记本电脑处理的计算时间的比较示例测试结果。
高功率电动汽车充电集线器集成平台（ECHIP）：基于DC分配充电集线器的设计指南和规格洞察催化剂 - 离子体接口
X射线光电子光谱（XPS）是一种用于研究聚合物电解质膜燃料电池和电解剂中催化剂的表面特性和组成的常用技术。XPS分析催化剂层（CLS）越来越多地使用催化剂和支持组成和结构之间的关系，催化剂墨水组成，CL制造方法和参数以及它们的性能和耐用性。基于IR的CLS的表征由于多种因素，包括对IR 4F光谱的解释，O 1S光谱中的催化剂和离子体物种的解释以及离子体对X射线损伤的敏感性，这会导致催化剂ionomer界面的变化，通常比样本之间的差异更大。本研究报告了一种详细的XPS表征的方法，基于IR的CL，建立定量指标，并提供有关催化剂离子体界面的见解，该界面可以与多种处理和性能指标相关。具体来说，我们已经评估了使用几种常见CL涂层方法制备的CL中的表面组成差异。我们还研究了用不同的催化剂负荷和电化学测试后选定样品制备的CL。通常，我们发现了元素比和从O 1S光谱的详细分析得出的趋势的良好协议。此外，O 1S分析揭示了催化剂组成的差异，解决了与IR 4F光谱解释有关的一些挑战和局限性。
基于残余运动分类的用户界面，用于完全四肢瘫痪患者控制辅助设备
摘要 — 目的：完全性四肢瘫痪会使人失去手部功能。辅助技术可以提高自主性，但用户仍然需要符合人体工程学的界面来操作这些设备。尽管四肢瘫痪的人手臂瘫痪，但他们可能仍保留着残留的肩部运动。在这项研究中，我们探索了这些运动作为控制辅助设备的一种方式。方法：我们用一个惯性传感器捕捉肩部运动，并通过训练基于支持向量机的分类器，将这些信息解码为用户意图。结果：设置和训练过程只需几分钟，因此分类器可以是用户特定的。我们对 10 名身体健全和 2 名脊髓损伤参与者测试了该算法。平均分类准确率分别为 80% 和 84%。结论：提出的算法易于设置，操作完全自动化，所取得的结果与最先进的系统相当。意义：手部功能障碍人士使用的辅助设备在用户界面上存在局限性。我们的工作提出了一种新方法来克服这些限制，即对用户动作进行分类并将其解码为用户意图，所有这些都只需简单的设置和培训，无需手动调整。我们通过对最终用户的实验证明了它的可行性，其中包括完全四肢瘫痪、没有手部功能的人。