XiaoMi-AI文件搜索系统
World File Search Systemartifact
正在进行的脑电图矫正使用盲源分离Nicole Ille A，*，Yoshiaki Nakao B，Yano Shumpei B，Toshiyuki Taura B，Arndt Ebert A
在过去的几年中，已经描述了许多方法，以减少伪影污染，同时试图保留大多数大脑活动，即使这与伪影活动相关。自从引入眼部伪影校正的ICA以来，大量已发表的方法基于盲源分离（BSS）或独立组件分析（ICA）（Vigário，1997; Jung et al。，1998）。Other successful approaches use for example spatial filters modelling artifact and brain activity (Berg and Scherg, 1991, 1994; Ille et al., 1997, 2002), spatially constrained ICA (SCICA) (Ille, 2001; Ille et al., 2001; Hesse and James, 2006), or hybrid approaches like BSS/ICA in combination with wavelet transformation (WT) (Castellanos and Makarov，2006年； Mammone等，2012年；有关脑电图删除方法的全面审查，请参见Kaya（2022），Urigüen和Garcia-Zapirain（2015），Islam等。（2016）。
基于 AI 的人工制品语音功能对代理的作用 基于 AI 的人工制品语音功能对代理归因的作用
私人、组织和社会领域中基于人工智能 (AI) 的人工制品的普及和日益复杂化正在改变人类与机器的交互方式。例如，关于人类感知基于 AI 的人工制品的方式的理论对于理解为什么以及在多大程度上人类认为这些人工制品能够胜任决策至关重要，但传统上却采取了与模态无关的观点。在本文中，我们理论化了一种特殊的交互情况，即基于语音的与基于 AI 的人工制品的交互。我们认为，在自然语言处理的不断进步的推动下，此类人工制品的能力和感知自然性促使用户认为人工制品能够以目标为导向的方式自主行动。我们表明，人工制品的语音能力与用户的代理归因之间存在正向直接关系，最终掩盖了人工制品的真实性质和能力。这种关系进一步受到工件的实际代理、不确定性和用户特征的影响。
政府中值得信赖的软件供应链
Red Hat® 可信软件供应链 (TSSC) 是一系列功能，可在整个 SDLC 中构建安全护栏，帮助政府软件团队遵守 EO 14028（图 1）。作为 TSSC 的一部分，Red Hat 可信应用程序管道是一组 3 个模块化工具：Red Hat 开发人员中心、Red Trusted Artifact Signer 和 Red Hat Trusted Profile Analyzer。政府软件团队可以使用这些工具来提高软件工件供应链级别 (SLSA) 的成熟度级别，这是一个逐步增强软件供应链安全性的框架。SLSA 提供了一系列标准和控制措施，以防止篡改、提高完整性并使软件
社交媒体的人工智能辅助和可解释仇恨言论检测
摘要 到目前为止，仇恨言论的检测仍然主要由人类进行，但将人类专业知识与自动化方法相结合具有巨大的潜力。然而，由于算法缺乏文化和社会结构等方面的专业知识，已发现的挑战包括人与机器之间的一致性较低。在这项工作中，设计科学方法用于获取设计知识并开发工件，通过该工件将人类融入检测和评估仇恨言论的过程。为此，利用了可解释的人工智能 (XAI)：该工件将提供解释性信息，说明为什么深度学习模型可以预测文本是否包含仇恨。结果表明，以仪表板形式实例化的设计知识被认为是有价值的，并且 XAI 功能增加了对工件有用性、易用性、可信度以及使用意图的感知。
标题：EEG-LLAMAS：一个开源、低延迟、EEG-fMRI 神经反馈平台
同时进行 EEG-fMRI 是一种强大的大脑成像多模态技术，但其在神经反馈实验中的应用受到 MRI 环境引起的 EEG 噪声的限制。神经反馈研究通常需要实时分析 EEG，但扫描仪内获取的 EEG 受到心冲击图 (BCG) 伪影的严重污染，这是一种锁定在心动周期的高振幅伪影。虽然确实存在用于去除 BCG 伪影的技术，但它们要么不适合实时、低延迟应用（例如神经反馈），要么功效有限。我们提出并验证了一种名为 EEG-LLAMAS（低延迟伪影缓解获取软件）的新型开源 BCG 去除软件，该软件调整并改进了现有的伪影去除技术，以用于低延迟实验。我们首先使用模拟在已知基本事实的数据中验证了 LLAMAS。我们发现，在恢复 EEG 波形、功率谱和慢波相位方面，LLAMAS 的表现优于目前最好的公开可用的实时 BCG 去除技术——最佳基组 (OBS)。为了确定 LLAMAS 在实践中是否有效，我们随后使用它对健康成年人进行实时 EEG-fMRI 记录，使用稳态视觉诱发电位 (SSVEP) 任务。我们发现 LLAMAS 能够实时恢复 SSVEP，并且比 OBS 更好地恢复扫描仪外收集的功率谱。我们还在实时记录期间测量了 LLAMAS 的延迟，发现它引入的延迟平均不到 50 毫秒。LLAMAS 的低延迟加上其改进的伪影减少，因此可以有效地用于 EEG-fMRI 神经反馈。该平台实现了以前难以实现的闭环实验，例如针对短时间 EEG 事件的实验，并与神经科学界公开共享。
OMAD：针对物质和非物质用户的设备上心理异常检测
摘要 —COVID-19 期间的居家令有助于拉平曲线，但具有讽刺意味的是，它却引发了物质使用障碍患者的心理健康问题。使用现成的消费级可穿戴设备（如智能手表）测量大脑中的电活动信号并将其实时映射到潜在的情绪、行为和情绪变化，在假设心理健康异常方面发挥着重要作用。在这项工作中，我们建议实现一种可穿戴的设备心理异常检测 (OMAD) 系统，以检测导致心理健康问题的异常行为和活动，并帮助临床医生设计有效的干预策略。我们提出了一种基于脑电图 (EEG) 信号的内在伪影去除模型，以更好地关联细粒度的行为变化。我们在伪影去除和活动识别（主要）模块上设计了模型压缩技术。我们在卷积神经网络和多层感知器上实现了基于幅度的权重剪枝技术，以在 Nvidia Jetson Nano 上使用推理阶段；可穿戴设备中最受资源限制的设备之一。我们尝试了三种不同的特征提取和伪影去除方法组合。我们使用对照组和治疗组（酒精组）的 EEG 数据，针对不同的物体识别任务，评估了 OMAD 在未剪枝和压缩模型的准确度、F1 分数、内存使用率和运行时间方面的性能。我们的伪影去除模型和主要活动检测模型分别实现了约 ≈ 93% 和 90% 的准确度，模型大小（70%）和推理时间（31%）显著减少。索引术语 — 物质使用障碍、精神异常检测、EEG 伪影、权重剪枝、资源受限设备。
脑电信号伪差自动检测与滤波的初步研究*
摘要 —EEG 记录中最大的问题之一是伪影造成的信号污染，因为这些干扰会阻碍对真实神经信息的分析。因此，在研究 EEG 之前，在尽可能多地保留大脑数据的同时消除伪影是一个关键步骤。为了解决颅面伪影的自动去除问题，本文提出了一个两阶段程序：前一个阶段是检测阶段 - 同时应用 MLP 神经网络和动态阈值法来检测 EEG 的污染区域，而后一个阶段是去除阶段 - 结合 CCA 和 EEMD 算法仅去除伪影数据。实验结果表明，两种检测方法相当，但动态阈值检测略优于 MLP。此外，组合技术可以完全去除散布在所有 EEG 通道中的伪影。本研究将扩展到需要更复杂模型的眼部伪影。索引术语 —癫痫、EEG、伪影检测、伪影去除
使用深度学习去除脑电图中的眼部伪影
摘要 —EEG 信号是复杂的低频信号。因此，它们很容易受到外界因素的影响。EEG 伪影去除在神经科学中至关重要，因为伪影会对 EEG 分析结果产生重大影响。在这些伪影中，眼部伪影的去除最具挑战性。在本研究中，通过开发基于双向长短期记忆 (BiLSTM) 的深度学习 (DL) 模型，提出了一种新颖的眼部伪影去除方法。我们通过结合 EEGdenoiseNet 和 DEAP 数据集创建了一个基准数据集来训练和测试所提出的 DL 模型。我们还通过在不同 SNR 水平下用 EOG 污染地面真实干净的 EEG 信号来增强数据。然后使用通过小波同步压缩变换 (WSST) 获得的高度局部化时频 (TF) 系数将 BiLSTM 网络馈送到从增强信号中提取的特征。我们还将基于 WSST 的 DL 模型结果与传统 TF 分析 (TFA) 方法，即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强原始信号进行了比较。首次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明，与传统 TF 和原始信号方法相比，WSST-Net 模型显著提高了伪影去除性能。此外，所提出的 EOG 去除方法表明，它优于文献中许多传统和基于 DL 的眼部伪影去除方法。索引词 —EEG、眼部伪影、深度学习、LSTM、BiLSTM、WSST、STFT、CWT。
神经计算和应用
摘要：癫痫尖峰是脑电图中互补的信息来源，可以诊断和定位癫痫的起源。但是，不仅对脑电图劳动的视觉检查不仅是耗时，而且耗时且容易出现人为错误，而且还需要长期培训才能获得识别癫痫释放所需的技能水平。因此，采用了计算机辅助方法，目的是节省时间并提高检测和来源定位精度。由于形态相似，可能被混淆为癫痫尖峰的最重要伪影之一是眼睛眨眼。只有少数研究考虑在检测前去除此伪像，并且大多数使用视觉检查或计算机辅助方法需要专家监督。因此，在本文中，开发了一个无监督和基于脑电图的系统，具有嵌入式眼睛眨眼伪影的去除剂，以检测癫痫尖峰。所提出的系统包括三个阶段：眼睛眨眼伪影，特征提取和分类。小波变换均用于移除和特征提取步骤，以及用于分类目的的自适应神经模糊推理系统。使用公开可用的脑电图数据集对所提出的方法进行了验证。与类似的研究相比，结果显示了使用低分辨率EEG使用低分辨率EEG，计算复杂性，最高灵敏度和较小的人类相互作用的低分辨率EEG检测癫痫尖峰的效率。此外，由于癫痫尖峰检测是癫痫源定位的重要组成部分，因此该算法可用于基于脑电图的癫痫病前术前评估。
住院和门诊患者脑电图不同类型伪影的出现频率
已经进行了各种研究来减少脑电图中的伪影。改进脑带记录技术、使用计算机方法去除伪影以及使用各种滤波器都是提高脑电波记录质量的方法 [3, 7-8]。在 Lee One 等人的干预下，使用自动系统去除伪影，其灵敏度为 82.4%，特异性为 83.3%，并在很大程度上消除了伪影。该方法的灵敏度和特异性在很大程度上类似于由受过训练的操作员去除伪影 [9]。在另一项研究中，肉毒杆菌毒素注射用于减少肌源性伪影，这显著减少了肌源性伪影 [10]。去除肌肉伪影已被证明可将癫痫发作定位的灵敏度从 62% 提高到 81%，其最佳效果是在具有中度至重度肌肉伪影的发作带中。去除伪影可以更早地检测到鱼鳞病改变并检测到隐藏在伪影中的物品 [6]。另一方面，也有研究表明，使用一些方法和计算机程序去除伪影的效度较低[11]。