XiaoMi-AI文件搜索系统
World File Search Systemcomputer
为被动脑机接口应用开放多会话、多任务脑电图认知数据集
脑机接口，尤其是被动脑机接口 (pBCI)，由于能够估计和监控用户心理状态，越来越受到基础研究和应用研究与开发社区的关注。测试新的管道和基准分类器以及特征提取算法是进一步研究该领域的关键。不幸的是，pBCI 研究中的数据共享仍然很少。COG-BCI 数据库包含 29 名参与者在 3 个独立会话中的记录，这些会话中有 4 个不同的任务 (MATB、N-Back、PVT、Flanker)，旨在引发不同的心理状态，总共超过 100 小时的开放 EEG 数据。该数据集在主观、行为和生理层面进行了验证，以确保其对 pBCI 社区的实用性。此外，还给出了一个概念证明，其中包含心理工作量估计管道和结果的示例，以确保数据可用于 pBCI 管道的设计和评估。这项工作为在开放科学框架中推广 pBCI 的使用做出了巨大努力。
社区对脑机接口的看法
受邀回答问题的 950 人中，有 846 人参与，其中 806 人完成了调查。调查对象的人口结构多种多样，大多数受访者年龄在 36-45 岁之间（26%），性别均衡（52% 为女性），主要为白种人（86%）。大多数受访者（98%）从未使用过 BCI，65% 的人在调查前并不知道 BCI 的存在。人们对 BCI 类型的偏好因情况而异。伦理问题很普遍，尤其是植入风险（98%）和成本（92%）。在人口统计变量和对 BCI 的不平等、监管及其在医疗保健中的应用的看法之间存在显著关联。结论：尽管人们对 BCI 有着浓厚的兴趣，尤其是用于医疗应用的 BCI，但伦理问题、安全和隐私问题仍然十分重要，这凸显了需要明确的监管框架和伦理准则，以及教育举措来提高公众的理解和信任。通过共同设计原则促进公众讨论并让潜在用户、伦理学家和技术专家等利益相关者参与设计过程，有助于使技术发展与公众关注保持一致，同时也帮助开发人员积极解决道德困境。
动态平均场理论算法及量子计算机实验
原子尺度模拟的量子计算算法和实验的发展主要集中在分子的量子化学上，而它们在凝聚态系统中的应用却很少被探索。在这里，我们提出了一种量子算法，用于在目前可用的量子计算机上对凝聚态系统进行动态平均场理论 (DMFT) 计算，并在两个量子硬件平台上进行了演示。DMFT 需要正确描述具有强关联电子的一大类材料。计算上的挑战部分来自于解决与浴耦合的相互作用杂质的有效问题，该问题在传统计算机上随着系统规模呈指数级增长。量子计算机有望实现指数级加速，但迄今为止提出的算法都是基于波函数的实时演化，这需要高深度电路，因此量子硬件的噪声水平必须非常低。我们在此提出了一种替代方法，该方法使用基态和激发态的变分量子本征求解器 (VQE) 方法获得所需的量，作为精确对角化杂质求解器的一部分。我们提出了双位点 DMFT 系统的算法，我们使用传统计算机上的模拟以及超导和捕获离子量子比特上的实验对其进行了基准测试，证明了该方法适用于在当前可用的量子硬件上运行 DMFT 计算。
脑机接口的模拟触觉共享控制改善了人机协作
Nadia Sciacca，Tom Carlson Aspire Create，伦敦大学学院 RNOH，斯坦莫尔，HA7 4LP，英国 电子邮件：{nadia.sciacca.17; t.carlson}@ucl.ac.uk 摘要— 如今，技术为人类提供了许多交流几乎所有事物观点的方式。视觉、听觉和触觉媒体是人类最常用的媒体，它们以如此自然的方式支持交流，以至于我们甚至不会主动考虑使用它们。但是对于那些失去运动或感觉能力的人来说，他们很难或不可能控制或感知这些技术的输出，该怎么办？在这种情况下，也许唯一的交流方式可能是直接使用脑信号。因此，本研究的目标是为四肢瘫痪的人（他们可能被限制在自己的房间或床上）提供一种远程呈现工具，以促进我们许多人认为理所当然的日常互动。在我们的案例中，远程呈现工具是一个远程控制的机器人。它可以作为用户日常生活的一种媒介，通过虚拟方式与位于远程房间或地方的朋友和亲戚联系，或者与不同的环境进行探索。因此，目标是设计一个人机系统，使用户能够仅使用思想来控制机器人。技术部分由脑机接口和视觉界面组成，以实现机器人的“模拟触觉共享控制”。在用户和机器人之间实现共享运动控制，并实现自适应功能分配以管理情况的难度。利用这种“模拟触觉反馈”的控制方案是使用人机合作框架进行设计和评估的，并且已经通过五名参与者评估了这种交互方式的好处。初步结果表明，使用“模拟触觉反馈”的控制和合作比没有“模拟触觉反馈”更好。
通过低功耗蓝牙实现脑机接口学习的理论...
图 2：Sadtler 等人 (2014) 的 BCI 学习任务。a. 任务结构示意图。受试者首先参与“校准任务”，即他们被动观察屏幕上中心向外的光标移动。记录的运动皮层神经活动用于构建基线解码器并估计内在流形。然后指示受试者在 BCI 控制下执行中心向外的光标移动，首先使用基线解码器，然后使用通过扰动基线解码器构建的扰动解码器。这种扰动可以保持基线解码器与内在流形的对齐（流形内扰动，或 WMP），也可以破坏它（流形外扰动，或 OMP）。b. 内在流形的低维图示及其与本任务中使用的解码器（在方程 3 中定义）的关系。彩色点表示在校准任务的不同试验期间记录的活动模式，由该试验中呈现的光标速度着色。这些刺激的光标速度用右上方插图中的颜色匹配箭头表示，后续光标控制任务中使用的光标目标用绿色菱形表示。引起的神经活动模式主要位于灰色矩形所示的二维平面内，即所谓的内在流形。三个假设的一维解码器用彩色箭头表示，分别标记为基线解码器、WMP 和 OMP。通过将各个活动模式投影到相应的解码器向量上，可以可视化这些解码器的线性读数的相应分量 y 1 。这以绿色标记的一个活动模式为例，图中显示了其在三个解码器上的投影。由于该活动模式靠近内在流形，因此它会从基线解码器和 WMP 产生较大的读数（即远离原点，在三个解码器的交点处），而基线解码器和 WMP 都与内在流形很好地对齐。相比之下，此活动模式通过 OMP 的读数要弱得多（即其在此解码器上的投影更接近原点），因为此解码器远离固有流形。重要的是要记住，此插图是真实任务的简化卡通，其中固有流形是高维的（8-12D 而不是 2D），并且 BCI 任务依赖于两个读数（y 1 ，y 2 ），而不是一个。
用（计算机）鼠标查看：如何揭示问题……
1 大学。格勒诺布尔阿尔卑斯, CNRS, 格勒诺布尔 INP, LJK, 38000 格勒诺布尔, 法国 2 雷恩大学 2, LP3C EA 1285, 35000 雷恩, 法国 3 大学格勒诺布尔阿尔卑斯大学。Savoie Mont Blanc，LIP/PC2S，38000 Grenoble，法国 这项工作得到了 Pôle Grenoble Cognition 和法国国家研究机构在“Investissements d'avenir”计划 ANR-15-IDEX-02 和 ANR-11-LABX-0025-01 框架内的支持。我们感谢 Alisée Bruno 在实验 1 中对数据收集的帮助。*通讯作者：Annique Smeding，BP 1104，73011 Chambéry cedex，法国。电话：+33 4 79 75 85 89；电子邮件：annique.smeding@univ-smb.fr Jean-Charles Quinton，LJK - Bâtiment IMAG， 700 Avenue Centrale, 38401 Domaine Universitaire de Saint-Martin-d'Hères，电话：+33 4 57 42 17 78，电子邮件：quintonj@univ-grenoble-alpes.fr
利用大规模大脑启发光子计算机识别人体动作
在计算机视觉中，视频流中人体动作的识别是一项具有挑战性的任务，其主要应用领域包括脑机接口和监控。深度学习最近取得了显著的成果，但在实践中却很难使用，因为它的训练需要大量数据集和专用的耗能硬件。在这项工作中，我们提出了一种光子硬件方法。我们的实验装置由现成的组件组成，并实现了一个易于训练的循环神经网络，该网络有 16,384 个节点，可扩展到数十万个节点。该系统基于储层计算范式，经过训练，可以使用原始帧作为输入，或者使用定向梯度直方图算法提取的一组特征，从 KTH 视频数据库中识别六种人体动作。我们报告的分类准确率为 91.3%，与最先进的数字实现相当，同时与现有硬件方法相比，处理速度更快。由于光子架构提供的大规模并行处理能力，我们预计这项工作将为实时视频处理的简单可重构和节能的解决方案铺平道路。
利用高性能单光子探测器实现量子计算机、网络和通信
• 高宽带检测效率（接近 1，许多 𝝀） • 超高时间精度（数十皮秒） • 超低暗计数率（< 1 cps） • 超高检测率（> 1 Gcps） • 出色的 PNR 性能
脑机接口标准化与应用...
ADHD 成人注意力缺陷多动障碍 ASD 自闭症谱系障碍 BCI 脑机接口 CBT 认知行为疗法 CNV 偶然负变异 DOC 意识障碍 ECoG 皮层脑电图 EEG 脑电图 ERD 事件相关去同步 ERP 事件相关电位 fMRI 功能性磁共振成像 fNIRS 功能性近红外光谱 ICT 信息和通信技术 LFP 局部场电位 MEG 脑磁图 MDD 重度抑郁症 MCS 微意识状态 MI 运动意象 PTSD 创伤后应激障碍 rTMS 重复经颅磁刺激 SMR 感觉运动节律 SSSEP 稳态体感诱发电位 SSVEP 稳态视觉诱发电位 sEEG 立体脑电图 tACS经颅交流电刺激 tFUS 经颅聚焦超声刺激 UWS 无反应觉醒综合症 XR 扩展现实
涉及感觉运动控制的多任务处理过程中的错误相关电位：脑机接口的 ERP 和离线解码研究
人类通过感知和应对错误来实现高效的行为。错误相关电位 (ErrP) 是在感知错误时发生的电生理反应。有人提出利用 ErrP 来提高脑机接口 (BCI) 的准确性，利用大脑的自然错误检测过程来提高系统性能。然而，外部和环境因素对 ErrP 可检测性的影响仍然不太清楚，特别是在涉及 BCI 操作和感觉运动控制的多任务场景中。在此，我们假设感觉运动控制的困难会导致多任务处理中的神经资源分散，从而导致 ErrP 特征的减少。为了检验这一点，我们进行了一项实验，其中指示参与者将球保持在板上的指定区域内，同时尝试通过运动想象控制显示屏上的光标。BCI 以 30% 的随机概率提供错误反馈。根据感觉运动控制的难度，我们采用了三种场景——无球（单任务）、轻量球（简单任务）和重量球（困难任务）——来描述 ErrP。此外，为了研究多任务对 ErrP-BCI 性能的影响，我们离线分析了单次试验分类准确度。与我们的假设相反，改变感觉运动控制的难度不会导致 ErrP 特征发生显著变化。然而，多任务会显著影响 ErrP 分类准确度。事后分析显示，在单任务 ErrP 上训练的分类器在困难任务场景下准确度降低。据我们所知，这项研究是首次在离线框架内研究在涉及感觉运动控制和 BCI 操作的多任务环境中 ErrP 是如何被调节的。尽管 ErrP 特征保持不变，但观察到的准确度变化表明，在实现基于 ErrP 的实时 BCI 之前，需要设计考虑任务负荷的分类器。