XiaoMi-AI文件搜索系统
World File Search Systeminterfaces
基于脑电图的脑机接口的迁移学习
摘要 — 脑机接口 (BCI) 使用户能够使用脑信号直接与计算机通信。最常见的非侵入式 BCI 方式脑电图 (EEG) 对噪声/伪影敏感，并且存在受试者间/受试者内的非平稳性。因此，很难在基于 EEG 的 BCI 系统中构建一个通用的模式识别模型，该模型对于不同的受试者、不同的会话、不同的设备和任务都是最佳的。通常，需要校准会话来为新受试者收集一些训练数据，这既耗时又不方便用户使用。迁移学习 (TL) 利用来自相似或相关受试者/会话/设备/任务的数据或知识来促进新受试者/会话/设备/任务的学习，经常用于减少校准工作量。本文回顾了近几年（即自 2016 年以来）关于基于 EEG 的 BCI 中的 TL 方法的期刊出版物。本文考虑了六种范式和应用——运动想象、事件相关电位、稳态视觉诱发电位、情感 BCI、回归问题和对抗攻击。对于每个范式/应用，我们将 TL 方法分为跨主题/会话、跨设备和跨任务设置，并分别进行审查。本文最后进行了观察和结论，可能指出未来的研究方向。
抑制金属界面处的自旋泵浦
导电金属通常会传输或吸收自旋电流。本文报告了将两层金属薄膜连接在一起可以抑制自旋传输和吸收的证据。我们研究了铁磁体/间隔层/铁磁体异质结构中的自旋泵浦，其中间隔层（由金属 Cu 和 Cr 薄膜组成）将铁磁自旋源层和自旋吸收层分隔开。Cu/Cr 间隔层在很大程度上抑制了自旋泵浦，即既不传输也不吸收大量自旋电流，尽管 Cu 或 Cr 单独传输了相当大的自旋电流。Cr 的反铁磁性对于抑制自旋泵浦并不是必不可少的，因为我们观察到 Cu/V 间隔层也有类似的抑制作用，其中 V 是 Cr 的非磁性类似物。我们推测，自旋透明金属的多种组合可能形成抑制自旋泵浦的界面，尽管其潜在机制仍不清楚。我们的工作可能会激发人们对理解和设计金属多层中的自旋传输的新视角。
皮层内脑机接口中的人工智能代理
摘要 皮层内脑机接口 (iBCI)（例如 Neuralink 所展示的接口）在实现人脑与外部设备之间的直接通信方面表现出巨大潜力。然而，神经数据的复杂性和高维性对将大脑活动解释和翻译成有意义的命令提出了挑战。本文全面回顾了 iBCI 的现状，包括先进的信号采集和解码技术，并探讨了传统方法在实现无缝脑机交互方面的局限性。我们提出了一种新方法，利用配备反射、分层规划和决策等功能的高级 AI 代理作为大脑和 iBCI 之间的接口。通过结合这些先进的 AI 技术，我们旨在增强对神经信号的解释，提高任务执行效率，并提供更直观、适应性更强的用户体验，以实现以思想为导向的结果。本文详细讨论了所提出的方法，强调了其潜在优势和需要解决的挑战。最后，我们概述了未来的研究方向以及将先进的 AI 代理与 iBCI 相结合用于各种应用的前景，包括神经康复、辅助技术和人类增强。
机器视觉系统摄像头界面
处理器接收到的触发数据的延迟包括触发潜伏期的触发器以及其他几个因素。这些因素之一是曝光时间。在固定曝光时间的视觉系统中，暴露时间不会影响触发触发图像的确定性。在相机曝光时间变化的相当罕见的情况下，曝光的可变性增加了传递图像的延迟变化。图像数据传输时间也是一个主要因素。在许多现有标准中，交货时间有一些差异。数据包上空间接增加了触发器，以达到图像已交付的延迟。如果接口协议包括握手和重传，则延迟可能会变化得多。最后，如果系统设计包括将多个设备联网到一个通用端口，则延迟不确定性会大大增长。
任何时间协作脑部计算机接口用于增强...
在本文中，我们介绍并在两个现实的环境中进行测试，即协作脑部计算机界面（CBCIS），它们可以显着提高感知组决策的速度和准确性。这项工作的主要区别特征是：（1）我们的CBCIS结合了行为，生理和神经数据，以便能够在最快的团队成员进行投票后的任何时间提供小组决定，但CBCI-CASS辅助决策的质量可以单调地提高小组决策的时间越长； （2）我们将CBCIS应用于军事相关性的两个现实情况（巡逻黑暗的走廊并在夜间用户需要识别出任何出现的任何身份不明的角色的前哨站），其中决策是基于通过视频供稿传达的信息； （3）我们的CBCIS利用与事件相关的电位（ERP）通过出现潜在威胁引起的大脑活动引起，但独特的是，该系统是自动估计的（而不是不切实际地提供）。由于这些元素，在两个测试环境中，由我们的CBCIS辅助的小组比以更传统的方式整合了单个决策时，使我们的CBCIS辅助更为准确，更快。
智能神经接口和传感系统
3瓦济港科学技术大学，武汉，中国的癫痫发作检测处理器已提议使用机器学习来检测患者的癫痫发作，以提高或刺激目的[1-4]。现有设计可以实现高精度，当可用于培训的大量癫痫发作数据。然而，与收集非赛式数据的收集不同，癫痫发作数据的收集要求患者需要进行时间耗时且昂贵的住院治疗，这在实践中很难。为了解决这个问题，[5]提出了一个零射击癫痫发作检测处理器，在没有患者进行重新训练的情况下达到了相对较高的精度（此处的零照片意味着零癫痫发作数据[5]）。取而代之的是，只需要从患者的2分钟的非Seizure数据来校准用在公共癫痫发作数据集中预先训练的神经网络（NN）提取的聚类特征。尽管这解决了上述问题，但该设计的准确性（敏感性为90.3％＆特定的93.6％）仍然有限用于实际使用，并且能源消耗很大，用于可穿戴的EEG监测设备，例如其他使用NN的癫痫发作检测处理器，如图在这项工作中，我们提出了一个零射的癫痫发作检测处理器，不需要患者的癫痫发作数据以进行[5]中的癫痫发作，但准确性和能量效率更高。图33.1.1显示了所提出的癫痫发作检测处理器的整体体系结构。33.1.2。提取了四个手动特征，包括三个EEG光谱带功率和线长度。它具有两个主要特征：1）杂交驱动的自适应加工体系结构，其片上学习不需要患者的癫痫发作数据即可获得超低的能耗和高精度，以及2）一种基于学习的自适应渠道选择技术，以进一步降低能源消耗，同时保持高精度。It mainly consists of a multi-feature extraction engine (MFEE), a hybrid-feature-driven adaptive processing engine (HAPE), a reconfigurable on-chip learning engine (ROLE), a learning-based channel selection module (LCSM), a data buffer for storing the input data from multiple EEG channels, and a data interface for parameter loading including the NN instructions and weights.一些最新的癫痫发作检测处理器采用基于手动特征提取的分类，以较低的复杂性和更强大的患者性能，而其他人则使用基于端到端的NN基于NN的分类，以提高精确度，以较少的功能工程工作。在这项工作中，我们提出了基于片上学习和自适应处理的基于混合特征的癫痫发作检测处理，以利用两者的优势，如图NN特征提取由深度转换组成，并具有扩张的Cons和Pointwisce Conv。手动功能和NN功能首先通过两个完全连接（FC）层（即FC1_1和FC1_2）投影。33.1.2），然后融合为混合特征，以馈入FC2_2进行分类。对于基于片上学习的混合功能，不需要患者的癫痫发作数据。与[5]中一样，NN使用常用的公共数据集（CHB-MIT）进行预训练。对于片上学习，来自患者的1分钟的非Seizure数据和来自公共数据集的1分钟癫痫发作数据被混合为学习数据集。为了降低能量，仅重新训练了杂交分类层和投影层。图33.1.2显示了包含两个阶段的片上学习处理流。基于混合功能NN，我们提出了一个混合驱动的自适应处理体系结构。添加了另一个FC层（FC2_1）以对手动功能进行分类。最初，仅激活手动功能分类，而混合特征分类和NN特征提取被停用。如果Fc2_1的分类结果是非seizure，则分类终止。否则，NN特征提取和混合特征分类被激活以进行进一步的分类。这种显着的同时降低了能源消耗，同时保持高精度，因为与癫痫发作相比，非赛式事件通常是主要的。为了减少由于手动特征分类的分类误差而导致的准确性损失，在培训期间将实现偏差，以将输入分类为癫痫发作以进行进一步分类。图33.1.3用混合驱动的自适应处理流量显示了HAPE和MFEE的硬件体系结构。HAPE合并了16个用于NN计算的多精制MAC单位。在计算过程中，激活数据根据其值将激活数据动态分为4B或8B，对于4B数据，高4B乘法器被禁用以节能。MFEE将4个功能计算器通过16通道脑电图通过时间多路复用重复使用。在混合驱动的自适应处理控制器的控制下，NN计算是自适应的
AI驱动的用户界面中的道德考虑
1。简介什么是AI？AI是一个计算机科学领域，致力于创建智能系统，以模仿人类智能，从数据，原因中学习和做出决策。它包括机器学习，自然语言处理，计算机视觉和机器人技术。AI通过启用个性化，聊天机器人，自然语言处理（NLP），预测分析，语音用户界面（VUI），图像识别和行为分析来显着影响用户体验（UX）设计。在UX中使用AI通过创建直观，以用户为中心和引人入胜的体验来增强它。AI在用户体验设计中的潜在影响很大，具有各种应用程序，但是在这样做时的道德考虑也必须解决。人工智能（AI）近年来见证了许多进步，融入了我们生活的各个方面，并改变了我们与技术互动的方式。AI取得重大进展的一个领域是用户界面（UIS）的开发。AI驱动的UI提供了一系列好处，包括个性化的体验，提高效率和提高决策能力。但是，随着这些进步，还必须仔细检查和解决许多道德考虑。将AI集成到UIS中提出了有关透明度，问责制，公平，隐私和用户同意的重要问题。随着AI系统变得更加先进，理解和解释其决策过程变得越来越具有挑战性，从而导致人们对透明度和解释性的担忧。此外，AI驱动的UIS引入
基于脑电图的脑机接口中的用户身份保护
摘要 —脑机接口 (BCI) 在大脑和外部设备之间建立了直接的通信通路。脑电图 (EEG) 因其便利性和低成本而成为 BCI 中最受欢迎的输入信号。大多数基于 EEG 的 BCI 研究都集中在 EEG 信号的准确解码上；然而，EEG 信号也包含丰富的隐私信息，例如用户身份、情绪等，这些信息应该受到保护。本文首先揭示了基于 EEG 的 BCI 中的一个严重的隐私问题，即 EEG 数据中的用户身份很容易被学习，因此来自同一用户的不同 EEG 数据会话可以关联在一起，以更可靠地挖掘隐私信息。为了解决这个问题，我们进一步提出了两种方法将原始 EEG 数据转换为身份不可学习的 EEG 数据，即删除用户身份信息，同时保持主要 BCI 任务的良好性能。在来自五种不同BCI范式的七个EEG数据集上的实验表明，平均而言，生成的不可学习身份的EEG数据可以将用户识别准确率从70.01％降低到最多21.36％，极大地促进了基于EEG的BCI中的用户隐私保护。