XiaoMi-AI文件搜索系统
World File Search SystemInterfaces
感觉运动脑机接口中的神经可塑性
感觉输入和运动输出之间的关系最初是学习的，并不断适应。感觉运动灵活性使我们能够适应新环境、适应受伤后的情况，甚至学习新技能。例如，我们可以很容易地适应力场施加的运动运动学变化以及视觉反馈和运动之间关系的变化（10）。这种适应不仅需要运动控制的可塑性，还需要感觉知觉的可塑性（11），强调运动和感觉是相互交织的功能。鉴于自然系统中感觉和运动控制的闭环功能，优化 BMI 以恢复感觉运动功能需要考虑两个系统之间的密切相互作用。闭环感觉运动功能的灵活性也凸显了在 BMI 中考虑学习的必要性。
人类机器人交流.pdf-智能用户界面
▪HRI是HCI的子场，其中包括一个物理，具体的实体 - 机器人。▪由于包括身体运动，传感器以及了解人类社会暗示的需求，HRI的挑战通常会更加多样化。▪主要区别：
大脑机器界面和道德：从可穿戴到植入的过渡
©Lydia Montalbano，2021。* CRH PLC的法律和合规律师。作者在马德里大学（Computense University of Madrid）（博士学位），联合国犯罪与司法研究所（LLM）和米兰天主教大学（JD/LLM联合学位）学习法律，是认证的数据保护官。蒙塔尔巴诺博士感谢Nisha Jain女士和Maya Jackson女士的社论支持，并感谢Annegien Schilling女士，Maria Vimercati女士，Subhajit Basu博士和Karen Mc Cullagh博士和Karen Mc Cullagh博士的评论和建议，以提高艾米利奥·苏尼奥·萨夫·洛林（EmilioSuitioLlinás）的改善，以通过他的社会和社会的热情。这项工作中解释的想法是作者唯一的，并且并不特别反映她的雇主或客户的想法。1。Velloso，Gabriel T.，脑部计算机界面（BCI）：评估2022年医疗应用影响的方法论建议，8 E NTERP。和w ork i nnov。s tud。，57，58（2012）。2。Mohammad Bani Younes＆Samar al-Zoubi，《技术对社会的影响：评论》，20 IOSR J.H UMANITY＆S OC。 s CI。 82，82（2015）。 3。 脑机界面（BMI），E LEC。 simulation（2018年10月15日），https：// electrical- imporulation.com/2018/10/15/brain-machine-interface-bmi/。 4。 Velloso，前注1，第57页。 5。 id。 在58。H UMANITY＆S OC。s CI。82，82（2015）。3。脑机界面（BMI），E LEC。simulation（2018年10月15日），https：// electrical- imporulation.com/2018/10/15/brain-machine-interface-bmi/。4。Velloso，前注1，第57页。5。id。在58。
平衡 RNN 中的记忆与泛化以实现高性能脑机接口
脑机接口 (BMI) 可以恢复瘫痪患者的运动功能，但目前受限于实时解码算法的准确性。使用现代训练技术的循环神经网络 (RNN) 在根据神经信号准确预测运动方面已显示出良好的前景，但尚未在闭环设置中与其他解码算法进行严格评估。在这里，我们将 RNN 与其他神经网络架构进行了比较，使用来自非人类灵长类动物的皮层内信号对手指运动进行实时连续解码。在一指和两指在线任务中，LSTM（一种 RNN）的表现优于卷积和基于 Transformer 的神经网络，平均吞吐量比卷积网络高 18%。在运动集减少的简化任务中，RNN 解码器被允许记住运动模式并匹配健全人的控制。随着不同运动数量的增加，性能逐渐下降，但并没有低于完全连续的解码器性能。最后，在双指任务中，其中一个自由度的输入信号较差，我们使用经过训练的 RNN 恢复了功能控制，这些 RNN 既可以充当运动分类器，也可以充当连续解码器。我们的结果表明，RNN 可以通过学习和生成准确的运动模式来实现功能性实时 BMI 控制。
沉浸式虚拟现实游戏在脑机接口神经运动康复中的应用：范围审查
摘要 — 沉浸式虚拟现实 (VR) 的使用在科学界越来越受欢迎，因为它为康复领域带来了巨大的机遇。通过利用视频游戏机制和基于脑电图 (EEG) 信号的脑机接口 (BCI)，接受神经康复的患者可以更多地参与康复训练。本文回顾了在游戏康复中使用 BCI 和 VR 的现有文献，并分析了每项研究中使用的游戏元素和脑机接口 (BMI)。使用综合搜索策略查询了从成立到 2023 年 10 月的四个数据库 (IEEE Xplore、PubMed、Web of Science、Scopus)，然后由两位独立审阅者进行筛选。总共有 18 篇文章被认定符合定性综合的条件。主要发现如下：(1) 参与者的人口统计数据多样化，涵盖不同的年龄和健康状况；(2) Oculus Rift 作为 VR 设备已成为主流，取代了旧的 CAVE 系统； (3) 所有调查研究一致依赖运动想象 (MI) 范式，反映了其在神经运动康复和神经可塑性中的重要性；(4) 康复游戏表现出不同的特点，强调得分、体现和定制。值得注意的是，一些游戏缺乏游戏化元素，这表明存在潜在的改进和未来研究领域。
增强基于运动意象的脑机接口用于中风康复
在全球范围内，中风幸存者的残疾率超过 80%，其中上肢运动障碍影响了 85% 以上的个人。为了应对这一挑战，基于运动想象 (MI) 的脑机接口 (BCI) 已成为一种有前途的方法，可将个人想象的运动意图转化为外部设备的控制信号。脑电图 (EEG) 信号因其非侵入性、便携性、高时间分辨率和价格实惠而常用于 MI-BCI。本研究利用了公开可用的脑电图运动/图像数据集 (EEGMMIDB)，包括来自 109 名参与者的 64 通道 EEG 记录，采样率为 160 Hz。目的是直接使用长短期记忆 (LSTM) 网络在清理后的 EEG 信号上对手掌和脚的张开/闭合进行分类，从而绕过计算密集且耗时的传统特征提取方法。通过调整与时期和段长度相关的超参数，我们实现了 71.2% 的平均分类准确率。这项研究强调了深度学习方法在生成稳健的控制信号以使用 EEG 信号预测运动意图方面的有效性，从而无需使用费力的特征提取方法。通过利用深度学习模型，MI-BCI 设备可以促进神经康复，尤其是中风患者的神经康复，通过提供运动辅助，使患者能够仅通过想象力来执行动作。
MindCrypt：大脑作为基于SOC的大脑计算机界面的随机数发生器
摘要 - 由于固有的硬件限制，资源约束设备上的真实数量随机数生成具有挑战性。这些局限性会影响找到具有高吞吐量和足够良好的可靠随机性来源的能力。作为脑部计算机界面领域（BCI）领域的最新发展表明，需要随机数的广泛应用，我们研究了基于皮质学的神经数据作为随机数生成的种子的可用性。我们开发了从脑数据中产生随机位的算法，并使用NIST SP 800-22测试套件来评估随机性的质量。我们将算法作为硬件随机位发电机（RBG）实现。然后，我们将这些实现作为硬件加速器集成在MindCrypt，MindCrypt是一种异质的芯片系统（SOC），配备了主机处理器来运行BCI应用程序。在MindCrypt中，应用程序使用我们的RBG加速器作为随机数生成器（RNG）和素数生成器。与使用基于最先进的Linux的RNG相比，在RISC-V处理器上运行软件应用程序的FPGA原型在RISC-V处理器上运行软件应用程序的提高了376倍和4885X的能源效率。通过将RBG加速器和加密加速器之间的点对点（P2P）通信传递随机位，我们在性能中获得6.1倍，与直接存储器访问（DMA）相比，能量效率为12.4倍。最后，我们探索了MindCrypt的部分重新配置的FPGA实现的功效，该实现动态优化了在资源约束的BCI SOC中随机数生成的吞吐量。索引条款 - SOC，HLS，BCI，RISC-V，P2P，FPGA，DPR
测量神经元雪崩以告知脑部计算机界面
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2023年12月14日发布。 https://doi.org/10.1101/2022.06.14.495887 doi：Biorxiv Preprint
通过可扩展软电极阵列实现 AR 持久人机界面
增强现实 (AR) 是一种计算机图形技术，可在现实世界和虚拟世界之间创建无缝界面。AR 的使用迅速扩展到医疗保健、教育和娱乐等不同领域。尽管 AR 潜力巨大，但其界面控制依赖于外部操纵杆、智能手机或易受光线影响的固定摄像头系统。本文介绍了一种集成 AR 的软性可穿戴电子系统，该系统可检测受试者的手势，从而更直观、准确、直接地控制外部系统。具体来说，这种软性一体式可穿戴设备包括可扩展电极阵列和集成无线系统，用于测量肌电图，从而实时连续识别手势。系统中嵌入的先进机器学习算法能够对十种不同的类别进行分类，准确率高达 96.08%。与传统的刚性可穿戴设备相比，由于皮肤贴合性，多通道软性可穿戴系统在多次使用时可提供更高的信噪比和一致性。用于无人机控制的 AR 集成软可穿戴系统的演示抓住了平台技术的潜力，为用户提供大量人机界面机会，实现与外部硬件和软件的远程交互。