XiaoMi-AI文件搜索系统
World File Search Systemepochs
使用脑机接口进行基于 P300 的身份验证的数据处理和机器学习技术的评估
摘要 — 脑机接口 (BCI) 用于各种应用场景，允许大脑和计算机之间直接通信。具体而言，脑电图 (EEG) 是获取由外部刺激引起的诱发电位的最常用技术之一，因为 P300 电位是从已知图像中引出的。机器学习 (ML) 和 P300 电位的结合对于验证受试者很有前景，因为每个人在面对特定刺激时产生的脑电波都是独一无二的。然而，现有的身份验证解决方案并未广泛探索 P300 电位，并且在分析最合适的处理和基于 ML 的分类技术时会失败。因此，这项工作提出了 i) 使用 P300 电位验证 BCI 用户的框架；ii) 在十个受试者身上验证该框架，创建采用非侵入性基于 EEG 的 BCI 的实验场景； iii) 框架性能评估，定义两个实验（二元和多类 ML 分类）和三个测试配置，逐步分析不同处理技术的性能以及使用时期或统计值进行分类之间的差异。该框架在两个实验中的最佳分类器都实现了接近 100% f1 分数的性能，突出了其在准确验证用户方面的有效性，并证明了使用 P300 电位进行基于 EEG 的身份验证的可行性。
深度卷积神经网络模型，用于消除不良代码异味
代码异味是指源代码中任何违反设计原则或实现的症状或异常。及早发现不良代码异味可以提高软件质量。如今，几种人工神经网络 (ANN) 模型已用于软件工程的不同主题：软件缺陷预测、软件漏洞检测和代码克隆检测。使用 ANN 模型时，无需了解数据来源，但需要大量训练集。数据不平衡是人工智能技术在检测代码异味方面面临的主要挑战。为了克服这些挑战，本研究的目标是基于一组 Java 项目，提出具有合成少数过采样技术 (SMOTE) 的深度卷积神经网络 (D-CNN) 模型来检测不良代码异味。我们考虑了四个代码异味数据集，即 God 类、数据类、特征嫉妒和长方法，并根据不同的性能指标对结果进行了比较。实验结果表明，所提出的具有过采样技术的模型可以为代码异味检测提供更好的性能，并且当使用更多数据集训练模型时，预测结果可以进一步改善。此外，更多的时期和隐藏层有助于提高模型的准确性。
工件过滤应用程序以增加通信BCI中的在线均等：在日常生活中使用
在开发可靠的脑部计算机界面（BCIS）方面，一个重大挑战是在获得的脑信号中存在伪影。这些文物可能会导致错误的解释，模型拟合不佳以及随后的在线绩效降低。此外，在家庭或医院环境中的BCIS更容易受到环境噪音的影响。伪影处理程序旨在通过过滤，重建和/或消除不良信号污染物来减少信号干扰。虽然在概念上且在很大程度上是无可争议的，但在BCI系统中是必不可少的，合适的人工处理应用程序，在某些情况下仍未解决，并且在某些情况下可能会降低性能。使用这些程序的大多数BCI研究中仍未探索的潜在混杂是缺乏在线使用（例如在线平价）的均等。此手稿比较了使用整个数据集的经常使用的离线数字过滤和在线数字过滤方法之间进行分类性能，在线数字过滤方法中，将对闭环控制过程中将使用的分段数据时期进行过滤。在BCI试点研究中招收的健康成年人样本（n = 30）中，旨在整合新的通信界面，在与在线奇偶校验过滤时，模型性能有很大的好处。在线模拟这项研究中的条件上表现出相似的性能，但在线均等的方法似乎没有任何弊端。
地中海雷吉奥·卡拉布里亚大学
在本文中，提出了基于混合域的深度学习（DL）神经系统，以从脑电图记录（EEG）记录中解释手部运动制备阶段。该系统利用从时间域和时频域中提取的构建，作为混合策略的一部分，以区分暂时窗口（即，EEG时期）前面的手部副群（开放/关闭）和休息状态。对于每个EEG时期，分别通过波束成形和连续的小波变换（CWT）估算了运动皮层中相关的皮质源信号和相应的时频（TF）图。设计了两个卷积神经网络（CNN）：具体而言，第一个CNN在时间（T）数据的数据集（即EEG来源）上进行了训练，并被称为T-CNN；第二个CNN通过TF数据数据集（即脑电图源的TF-MAP）进行了训练，并称为TF-CNN。分别从T-CNN和TF-CNN中提取的两组特征和TF-特征分别在单个特征向量（表示为TTF-Features矢量）中串联，该功能用作输入，用于输入标准的多层clas-si i sii-siie-siifination-Filefips。实验结果表明，与基于时间和仅频率的基准基准方法相比，我们所提出的杂种域DL方法的性能有了显着的性能提高，达到76.21±3.77％的平均准确性。
OpenHD：基于 GPU 的超维计算框架
摘要 — 超维计算 (HDC) 已成为深度神经网络的替代轻量级学习解决方案。HDC 的一个关键特性是高度并行，可以促进硬件加速。然而，以前的 HDC 硬件实现很少关注 GPU 设计，这也导致效率低下，部分原因是在 GPU 上加速 HDC 的复杂性。在本文中，我们提出了 OpenHD，这是一个灵活且高性能的 GPU 驱动框架，用于自动将包括分类和聚类在内的一般 HDC 应用程序映射到 GPU。OpenHD 利用专门针对 HDC 的内存优化策略，最大限度地缩短对不同内存子系统的访问时间，并消除冗余操作。我们还提出了一种新颖的训练方法，以实现 HDC 训练中的数据并行性。我们的评估结果表明，所提出的训练方法可以快速达到目标准确率，将所需的训练周期减少了 4 × 。借助 OpenHD，用户无需领域专家知识即可部署 GPU 加速的 HDC 应用程序。与最先进的 GPU 驱动的 HDC 实现相比，我们在 NVIDIA Jetson TX2 上的评估表明，OpenHD 在基于 HDC 的分类和聚类方面分别快了 10.5 倍和 314 倍。与 GPU 上的非 HDC 分类和聚类相比，由 OpenHD 驱动的 HDC 在准确度相当的情况下快了 11.7 倍和 53 倍。
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。
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。
Frédéric Dehais 和 Imad Rida 和 Raphaëlle N. Roy 和 John Iversen 和 Tim Mullen 和 Daniel E. Callan 的 pBCI，用于在实际飞行条件下发生注意力错误之前进行预测。（2019 年）在：IEEE 系统、人与控制论国际会议 - IEEE SMC BMI，2019 年 10 月 6 日 - 2019 年 10 月 9 日（意大利巴里）。
摘要 — 事故分析表明，飞行员可能无法处理诸如警报之类的听觉刺激，这种现象称为注意力不集中性失聪。这项研究的动机是开发一种被动脑机接口，可以预测在真实飞行条件下这种关键现象的发生。十名配备干脑电图系统的志愿者必须飞行一个具有挑战性的飞行场景，同时通过按下按钮来响应听觉警报。行为结果显示，飞行员错过了 36% 的听觉警报。ERP 分析证实，由于潜在的注意力瓶颈机制，这种现象会影响早期（N100）和晚期（P300）阶段的听觉处理。使用稀疏表示分类 (SRC)、稀疏和密集表示 (SDR) 以及更传统的方法（例如线性判别分析 (LDA)、收缩 LDA 和最近邻 (1-NN)），对警报开始前三秒提取的频率特征进行受试者间分类。在最佳情况下，SRC 和 SDR 分别给出了 66.9% 和 65.4% 的正确平均分类率来预测注意力不集中性耳聋的发生，优于 LDA (60.6%)、sLDA (60%) 和 1- NN (59.6%)。这些结果为神经自适应自动化的实施开辟了光明的前景，最终目标是增强警报刺激传递，以便人们感知和采取行动。
神经计算与应用
摘要：脑电图 (EEG) 记录有助于解码张开/闭合手部的动作准备。为此，通过波束形成解决逆问题，提取运动皮层中的皮层源信号（相对于运动开始提前 1 秒）。EEG 源时期用作源时间图输入到自定义深度卷积神经网络 (CNN)，该神经网络经过训练可执行双向分类任务：手闭合前 (HC) 与静息状态 (RE) 以及手张开前 (HO) 与 RE。虽然深度 CNN 效果很好（HC 与 RE 的准确率高达 89.65+-5.29%，HO 与 RE 的准确率高达 90.50+-5.35%），但在本研究中，我们探索了深度 CNN 的可解释性，以进一步了解手部亚运动准备过程中皮层源的隐藏激活机制。具体来说，进行遮挡敏感性分析以调查哪个皮质区域最好参与分类过程。实验结果显示，受试者的皮质激活具有反复出现的空间模式；特别是靠近纵向裂隙的中央区域以及运动前区和初级运动皮质的右颞区似乎参与程度很高。这些发现鼓励深入研究似乎在手的张开/闭合准备中发挥关键作用的皮质区域。
pBCI 可在真实飞行条件下预测注意力错误
摘要 — 事故分析表明，飞行员可能无法处理诸如警报之类的听觉刺激，这种现象称为注意力缺失性失聪。这项研究的目的是开发一种被动脑机接口，可以预测在真实飞行条件下这种关键现象的发生。十名配备干脑电图系统的志愿者必须飞行一个具有挑战性的飞行场景，同时通过按下按钮来响应听觉警报。行为结果显示，飞行员错过了 36% 的听觉警报。ERP 分析证实，由于潜在的注意力瓶颈机制，这种现象会影响早期（N100）和晚期（P300）阶段的听觉处理。使用稀疏表示分类 (SRC)、稀疏和密集表示 (SDR) 以及更传统的方法（例如线性判别分析 (LDA)、收缩 LDA 和最近邻 (1-NN)）对警报响起前三秒提取的频率特征进行受试者间分类。在最佳情况下，SRC 和 SDR 分别给出了 66.9% 和 65.4% 的正确平均分类率来预测注意力不集中性耳聋的发生，优于 LDA (60.6%)、sLDA (60%) 和 1-NN (59.6%)。这些结果为神经自适应自动化的实施开辟了光明的前景，最终目标是增强警报刺激传递，使其被感知和采取行动。