XiaoMi-AI文件搜索系统
World File Search Systemrealtime
品牌：使用深网模型进行闭环实验的平台
抽象的人工神经网络（ANN）是用于建模和解码神经活动的最先进工具，但是将它们部署在具有严格的正时限制的闭环实验中，因为它们在现有的实时框架中的支持有限，因此具有挑战性。研究人员需要一个平台，该平台完全支持高级语言的运行ANN（例如Python和Julia），同时维持对低延迟数据获取和处理至关重要的语言的支持（例如C和C ++）。为了满足这些需求，我们介绍了实时异步神经解码（品牌）的后端。品牌包括Linux过程，称为节点，它们通过数据流在图中相互通信。其异步设计允许在可能在不同时间范围内运行的数据流并行执行，并可以在不同的时间范围内并行执行分析。品牌使用REDIS在节点之间发送数据，该节点可以实现快速的过程间通信并支持54种不同的编程语言。因此，开发人员可以轻松地将现有的ANN模型部署在品牌中，并具有最小的实施变化。在我们的测试中，在发送大量数据时，品牌在过程之间达到了<600微秒的潜伏期（在1毫秒块中的1024个频道30 kHz神经数据）。品牌运行一个带有复发性神经网络（RNN）解码器的大脑计算机界面，从神经数据输入到解码器预测，延迟的延迟少于8毫秒。该系统还支持使用动态系统（例如潜在因子分析）进行复杂的潜在变量模型的实时推断。在系统的真实展示中，Braingate2临床试验中的参与者T11执行了标准的光标控制任务，其中30 kHz信号处理，RNN解码，任务控制和图形均在品牌中执行。通过提供一个快速，模块化和语言敏捷的框架，品牌降低了将神经科学和机器学习中最新工具集成到闭环实验中的障碍。
国家电影电视学院研究部，……
目的 本文件阐明了 NFTS 对研究、创新和知识交流的承诺。它陈述了我们的原则、目标以及我们将在未来五年内采取的具体行动，以加强这些领域，并将用于指导我们的规划和实践。 背景 国家电影电视学院成立于 1971 年，当时名为国家电影学院，是业界和政府为英国电影业创建一所教育和培训人才的机构而共同努力的成果。在短短 50 多年的时间里，该学院不仅成为世界上最好的电影学院之一，而且成为电视和游戏设计和开发的卓越中心。它被 BAFTA 授予 2018 年英国电影杰出贡献奖，2017 年获得女王高等教育周年奖，并在 2022 年被授予自己的研究生授课学位授予权。从历史上看，NFTS 一直是一所教学机构，主要专注于实践。 2029 年战略有两个关键驱动因素将改变这一现状：增加研发资金；以及越来越多地认识到如何评估、开发和阐述现有工作作为研究成果。近年来，学院成功联合竞标英国研究与创新 (UKRI) 的 StoryFutures 项目资金，该项目是一项创新的合作工作，旨在探索沉浸式技术在新故事讲述模式中的地位。目前，学院与皇家霍洛威学院、松林制片厂和阿伯泰大学等核心合作伙伴一起领导着融合屏幕技术和实时性能 (CoSTAR) 国家实验室。正是通过这些项目（以及其他项目），学院可以利用其研发活动。战略声明 NFTS 将利用其在提供优质电影、电视和游戏教育方面的专业知识，开发：新技术；现有技术的新应用；来自和关于创造性实践/研究的新知识；以及基于实践的教学方法。它将与更广泛的受众和行业利益相关者分享这些创新。目标 在未来五年内，我们将通过学院课程、制作和研发活动（适当情况下，与其他机构合作）制作和传播研究成果，力争成为电影、电视和游戏领域知识和创新的领先者。我们将通过以下方式发展研究和创新文化：
使用IoT Cloud的电池管理-IJRPR
通过电动汽车（EV）的运输电气化已成为一种关键解决方案，以减轻传统内燃机车辆的环境影响。电动汽车不仅能节能，而且有助于减少温室气体排放。然而，电动汽车的广泛采用取决于应对有效的电池管理和充电基础设施等关键挑战。本介绍为对电动汽车设计的电池管理系统（BMS）的全面探索奠定了基础，强调了混合充电解决方案的整合和Arduino IoT云的功能。随着汽车行业经历了向可持续性的变革转变，优化电动汽车电池的性能和寿命变得至关重要。电动汽车中的电池是其命脉，指示范围，效率和整体操作可靠性。精心设计的BMS对于确保电池的安全有效运行，延长其寿命，进而降低电动汽车所有者的总拥有成本至关重要。这项研究的重点不仅在于电池电池的有效管理，还在于解决充电基础设施困境。电动汽车充电，是电动汽车所有权的关键方面，经常会面对用户对可访问性，便利性和速度的担忧。混合充电解决方案结合了有线和无线充电方法，提供了一种有希望的方法来克服这些挑战。本文探讨了此类混合充电系统将其集成到BMS中，以为EV所有者提供更灵活和用户友好的体验。在快速技术进步的时代，物联网（IoT）（IoT）彻底改变了设备和系统的交流方式。Arduino是一个众所周知的开源硬件和软件平台，已使用Arduino IoT Cloud冒险进入IoT域。本文利用Arduino IoT Cloud的功能来实现BMS的实时监视，控制和数据分析。通过将BMS无缝连接到云，电动汽车所有者可以远程访问有关其车辆电池的关键信息，从而使他们有能力做出有关充电，维护和整体车辆操作的明智决定。这项研究代表了实现运输的可持续和生态意识未来的重要一步。通过解决电池管理，充电基础设施和物联网集成，提出的系统有助于更广泛的电动汽车采用，最终减少碳排放并减少我们对化石燃料的依赖。在随后的页面中，我们深入研究了使用Arduino IoT Cloud的混合充电的电动汽车的创新电池管理系统的设计，实现和实验结果。
持续间质葡萄糖监测
连续血糖监测 (CGM) 设备根据其预期用途（专业 CGM 或个人 CGM）获得 FDA 批准。专业用途 CGM 由医疗保健专业人员办公室所有，用于管理糖尿病，类似于 Holter 监测器用于管理心脏病的方式。CGM 在患者进行正常日常生活活动时记录和存储至少 72 小时、最多 7 至 14 天的数据。专业用途 CGM 可以以“盲法”模式收集数据，即患者在佩戴设备期间无法查看数据，或者可以实时显示数据。无论是使用实时模式还是盲法模式，临床医生都可以使用收集的数据来评估当前的血糖状态和变化，进行对话以奠定基础并促进对某些糖尿病管理主题的教育，并确定如何优化治疗，无论是通过行为改变还是通过调整所用药物或处方剂量来实现更有针对性的血糖 (Grunberger 等人，2021)。目前，有两种类型的 CGM 系统技术可供个人使用：rtCGM 和 isCGM，后者过去被称为“闪光”CGM。rtCGM 系统会自动将数据传输到糖尿病患者的接收器和/或智能手机，而 isCGM 系统则要求患者将接收器和/或智能手机“刷”到传感器附近以获取当前和历史传感器葡萄糖数据（因此，根据检查/记录水平的频率而断断续续）。直到最近，这些技术之间的一个关键区别是增加了主动警报/警报的保障，可以警告糖尿病患者即将发生或即将发生的血糖事件，例如低血糖和高血糖。新的 isCGM 系统提供可选警报，当葡萄糖水平低于或高于编程阈值时会警告用户；但是，这些技术的当前迭代不会警告用户预测的低或高血糖水平。rtCGM 和 isCGM 技术均可作为独立设备使用。但是，只有当前的 rtCGM 系统可以连接到传感器增强型胰岛素泵或自动胰岛素输送系统 (Grunberger 等人，2021)。此外，FDA 将连续血糖监测仪 (CGM) 分为治疗性或非治疗性，以及辅助性或非辅助性。治疗性或非辅助性 CGM 可用于做出治疗决策，而无需使用独立的血糖仪 (BGM) 来确认检测结果。非治疗性或辅助性 CGM 要求用户在做出治疗决策之前使用 BGM 验证 CGM 上显示的血糖水平或趋势。现已批准的 CGM 包括适用于儿科的设备以及具有更先进软件、更频繁的血糖水平测量或更复杂的警报系统的设备。最初的设备每 5 至 10 分钟测量一次间质葡萄糖，并存储数据以供临床医生下载和回顾性评估。目前可用的设备测量间质葡萄糖的间隔范围为每 1 至 2 分钟至 5 分钟，大多数提供
使用RL -IJRPR
语言障碍已经挑战了人类的交流数百年来，推动了对有效翻译解决方案桥梁语言鸿沟的持久追求。随着时间的流逝，已经出现了各种方法来解决语言差异的复杂性，从而使跨文化的流体相互作用更多。在当今相互联系的世界中，关键信息和信息通常以各种官方语言传达，具体取决于国家。这种多样性在丰富的同时，可能会阻碍旅行者和专业人士，他们可能很难理解和行动重要的信息，而无需熟练当地语言。传统工具，例如口袋字典和在线翻译服务，提供了一些支持，但通常缺乏实时响应能力和上下文敏感精度所需的细微理解。随着全球化的增长，对高质量，实时翻译的需求变得更加紧迫。这个项目，具有自适应增强学习的实时语言翻译器，介绍了一个突破性解决方案：一个基于Web的应用程序，将实时翻译功能与增强学习结合在一起，以根据用户反馈来提高翻译质量。使用简洁的交互式界面构建，该应用程序利用Google翻译API进行准确的语言翻译，同时实现了Q学习算法，该算法会随着时间的推移适应并增强其性能。通过此系统，用户可以选择源和目标语言，输入文本进行翻译，并接收即时，高质量的翻译输出。机器翻译（MT）是将文本从一种语言转换为另一种语言的过程，随着深度学习模型（例如sequence-tosequence（SEQ2SEQ）和Transformer模型）的进步，已经显着发展。及其编码器模型的Seq2Seq模型将输入句子转换为生成目标语言翻译的上下文向量。与此同时，在“注意就是您需要的全部”中引入的变压器模型（Vaswani等，2017），使用自我注意的机制来指出相关的句子组件，从而大大提高了翻译质量。在此项目中，增强学习（RL）用于通过创建一个自适应反馈循环来增强MT过程，该反馈环将转换为用户需求量。转换模型在此设置中充当“代理”，根据用户评分做出翻译决策并接收反馈或“奖励”。通过QLearning算法处理的此反馈使该模型能够更新其策略，并完善未来翻译以最大程度地提高用户满意度。随着用户的审查和评估翻译，系统将学习输出的输出最佳的用户满意度，个性化体验并随着时间的推移提高整体准确性。这种高级机器翻译和自适应学习的独特混合物不仅增强了翻译质量，而且还创建了一个以用户为中心的工具，该工具对个人偏好有反应，提供了一种无缝，直观的体验。通过MT和RL的这种创新融合，该项目旨在重新定义跨语言交流，创建智能的自适应翻译系统，从而弥合语言差距并增强全球互动。
改变客户体验
银行业的人工智能：改变客户体验 人工智能对银行业最明显的影响之一就是人工智能聊天机器人和虚拟助手，它们全天候可用，为客户提供即时支持和指导。人工智能 (AI) 正在彻底改变银行业，给银行与客户互动的方式带来重大变化。凭借其分析大量数据、预测趋势和自动化流程的能力，人工智能正在以前所未有的方式增强客户体验。通过增强以客户为中心的操作（例如语音银行、聊天机器人/虚拟助手、贷款审批流程）以及加强后端操作（例如欺诈检测和预防、法律文件审查和机器人流程自动化等），彻底改变客户支持。人工智能对银行业最明显的影响之一就是人工智能聊天机器人和虚拟助手，它们全天候可用，为客户提供即时支持和指导。它们可以理解并以自然语言回应客户的查询，提供类似人类的互动，提供个性化的产品推荐，并帮助客户找到适合其需求的解决方案。人工智能显著提高了银行交易的安全性。机器学习算法分析交易模式，以检测实时异常活动和潜在欺诈行为。这种主动方法有助于防止未经授权的交易并保护客户账户。此外，人工智能增强了身份验证流程，确保安全访问银行服务并降低身份盗用的风险。人工智能正在通过分析大量数据（包括信用历史、收入、消费模式等）来改变贷款和信贷决策过程。这种数据驱动的方法使银行能够更准确、更快速地评估信誉。人工智能系统还可以识别可能有资格获得新金融产品的客户，从而通过提供及时和相关的选项来增强客户体验。AI 正在实现常规银行业务流程的自动化，从而释放人力资源以专注于更复杂的任务。例如，AI 可以处理文档验证、数据输入和交易处理等任务。这种自动化不仅可以加快操作速度，还可以降低人为错误的可能性，确保为客户提供无缝的银行体验。AI 工具可以分析客户数据，以更深入地了解客户的行为和偏好。银行可以利用这些洞察来制定有针对性的营销策略并提高客户参与度。通过了解客户需求和偏好，银行可以创建更相关、更个性化的服务，提高客户满意度和忠诚度。借助人工智能，银行可以提供无缝的全渠道体验，确保客户在移动应用、网站和实体分支机构等各种接触点获得一致、集成的体验。人工智能系统可以跟踪跨渠道的客户互动并提供统一的视图，从而实现更具凝聚力和便捷的客户旅程。人工智能驱动的预测分析可以帮助客户做出明智的财务决策。通过分析消费模式和预测未来的财务需求，人工智能工具可以提供个性化的
自主移动机器人中的 3D 感知、抽象和解释方面
在慕尼黑工业大学自动控制工程研究所 (LSR) 的过去三年半是令人兴奋和振奋的时光。这段时间充满了许多见解和启示、最后期限和里程碑、失败和成功，对我来说，这是一段学习、实验和分享的不可思议的时期。似乎很平常，这段旅程以更好地了解我的无知程度而结束。尽管如此，这段时间获得的一些见解最终形成了这篇论文，它代表了我进行的很大一部分研究。如果没有过去几年中无数人的帮助和支持，这项工作不可能实现。首先，我要感谢我的导师 Martin Buss 教授，他不仅激发了我在本科学习期间对机器人技术的兴趣，更重要的是，在我攻读博士学位期间，他提供了出色的研究环境、激动人心的讨论和有益的建议 1 。我还要衷心感谢我的联合导师 Dirk Wollherr 博士，感谢他的务实评论、满足我经常提出的非传统要求的能力，以及在我准备在西班牙进行研究期间提供的宝贵支持。后者得益于 G¨unther Schmidt 教授，我感谢他慷慨地让我与萨拉戈萨的机器人研究小组取得联系。如果没有一群优秀的同事和重要的优秀办公室伙伴，LSR 的日常生活就不会一样了。在短暂访问 CoTeSys 中央机器人实验室期间，我与 Hasan Esen 和许多人愉快地相遇，之后我终于回到了与 Raphaela Groten 和 Georg B¨atz 的旧“住所”。谢谢 Georg 和 Raphi，这些年来，你们让我度过了非常有益和激励的讨论、许多欢笑（尽管经常是关于非常糟糕的笑话）以及一天中随机时间的团结进食。我非常感谢 Ulrich Unterhinninghofen 教会了我大部分关于软件和硬件开发的知识，最重要的是，你们是我非常好的朋友。在“自治城市探索者”项目中，我要感谢 Georgios Lidoris 让深夜调试变得有趣，当然还要感谢 Florian Rohrm¨uller、Quirin M¨uhlbauer、Andrea Bauer、Tinging Xu、Tianguang Zhang 和 Stefan Sosnoswki，感谢他们与我们一起花费了无数的时间，让机器人来到了慕尼黑的中心广场。在我攻读博士学位的最后阶段，我在萨拉戈萨大学的机器人和实时小组进行了为期三个月的研究，这是一次非常富有成效且令人振奋的经历。与 Michael Bernhard、Michael Scheint、Moritz Große-Wentrup、Matthias Rungger、Omiros Kourakos、Martin Kuschel 和 Thomas Schauß 进行激动人心的科学和非科学讨论也让我的日常生活变得更加愉快。最重要的是，我要感谢 Jos´e Neira 教授提供的这次机会以及一系列非常富有成效的讨论，这些讨论帮助我形成了物体识别框架的想法。我衷心感谢 Ana Cristina Murillo、C´esar Cadena、H´ector Becerra 和 Luis Puig 的热烈欢迎和快速融入团队。我也会
利用AI和xR技术实现触诊信息的可视化
[1] F. Mantovani 等人：“面向医疗保健专业人员的虚拟现实培训”，CyberPsychology & Behavior，第 6 卷，第 4 期，第 389–395 页，网址：https://doi.org/10.1089/10949310332 2278772，2003 年。[2] S. Barteit 等人：“用于医学教育的增强、混合和基于虚拟现实的头戴式设备：系统评价”，JMIR Serious Games，第 9 卷，第 3 期，网址：https://doi.org/10.2196/29080，2021 年。[3] S. La Padula 等人：“使用新的增强现实模拟软件对隆胸患者满意度进行评估：一项前瞻性研究”，J Clin Med., 第 11 卷，第 12 期，doi:10.3390/jcm11123464，2022 年。[4] A. Berton 等人：“虚拟现实、增强现实、游戏化和远程康复：对骨科患者康复的心理影响”，临床医学杂志，第 9 卷，第 8 期，第 1-13 页，网址：https://doi.org/10.3390/jcm9082567，2020 年。[5] T. Ong 等人：“在新冠疫情期间及之后使用扩展现实增强远程医疗：观点”，JMIR Serious Games，第 9 卷，第 3 期，网址：https://doi.org/10.2196/26520，2021 年。[6] L. Herrador Colmenero 等人：“镜像疗法、运动意象和虚拟反馈对截肢后幻肢痛的有效性：系统评价”，国际假肢和矫形器，第 42 卷，第 3 期，第 288-298 页。网址：https://doi.org/10.1177/0309364617740230，2018 年。[7] M. Osumi 等人：“虚拟现实康复缓解幻肢痛的特征”，《疼痛医学》（美国），第 20 卷，第 5 期，第 1038-1046 页，网址：https://doi.org/10.1093/pm/pny269，2019 年。[8] A. Rothgangel 和 R. Bekrater-Bodmann：“镜像疗法与增强/虚拟现实应用：面向基于机制的定制幻肢痛治疗”，《疼痛管理》，第 9 卷，第 2 期，第 151-159 页，网址： https://doi.org/10.2217/pmt-2018-0066，2019 年。[9] CC Berger 等人：“触觉的恐怖谷”，Science Robotics，第 3 卷，第 17 期，第 2-4 页，网址：https://doi.org/10.1126/scirobotics.aar7010，2018 年。[10] M. D'Alonzo 等人：“视觉和触觉的不同虚拟化水平产生了化身手部体现的恐怖谷”，Scientific Reports，第 9 卷，第 1 期，第 1-11 页，网址：https://doi.org/10.1038/s41598-019-55478-z，2019 年。[11] M. Fleury，等人：“脑机接口和神经反馈中触觉反馈使用情况调查”，Frontiers in Neuroscience，14（6 月），第 1-16 页。网址：https://doi.org/10.3389/fnins.2020.00528，2020 年。[12] J. Tompson 等人：“使用卷积网络实时连续恢复人手姿势”，ACM Transactions on Graphics (ToG)，第 33 卷，第 5 期，第 1-10 页，2014 年。[13] C. Qian 等人：“实时且稳健的深度手部跟踪”，IEEE 计算机视觉与模式识别会议论文集，DOI：10.1109/CVPR.2014.145，2014 年。
引文吴 Y, 董 Y, 唐 Y, 王 W, 博 Y 和张 C (2023), 老年神经系统疾病患者运动表现与皮质活动的关系
神经系统疾病包括大脑和神经系统疾病，是导致残疾的主要原因（Murray 等人，2013），占伤残调整生命年的 3%（Murray 等人，2012；Caliandro 等人，2020）。脑血管损伤（51%）、神经肌肉疾病（7%）、认知障碍（25%）和中枢神经系统感染（0.6%）是患有神经系统疾病的老年患者的常见症状（Bacellar 等人，2017），这将导致运动障碍（Defebvre 和 Krystkowiak，2016；Harmon 等人，2019；Reich 和 Savitt，2019）。运动障碍会严重影响老年人的日常活动，尤其是行走和平衡障碍（Osoba 等人，2019）。昂贵的医疗费用和纵向干预的额外神经病学资源需求给家庭和社会带来了负担。帕金森病 (PD)、多发性硬化症 (MS) 和中风是与运动障碍相关的常见年龄相关性神经系统疾病 (Bonilauri 等人，2020 年)。中风、PD 和 MS 患者的步速、步长、步宽、步频、步态变异性、站立时间等异常运动表现已被研究 (Hausdorff 等人，2007 年；Nutt 等人，2011 年；Socie and Sosnoff，2013 年；Chisholm 等人，2014 年；Maidan 等人，2015 年；Belluscio 等人，2019 年)。然而，调查还不够。运动障碍是指对普通肌肉运动控制的受损，这不仅与肌肉骨骼或神经系统的退化或损伤有关，还与它们之间的复杂联系有关。运动表现是肌肉骨骼系统的外在表现之一，大脑皮层活动是中枢神经系统的外在表现之一。如果能分析患者运动过程中运动表现和皮层活动的变化和关系，将有助于探究运动障碍的机制和神经系统疾病患者的有效康复方法。然而，在实际的人体运动过程中测试大脑皮层活动并不容易。功能性近红外光谱 (fNIRS)、便携式脑电图等技术的最新进展使得人们可以在自然环境中自由地实时研究人体运动过程中的大脑功能。 fNIRS 是一种基于神经血管耦合和光谱理论的非侵入性、可重复、可靠的功能性神经成像技术（Villringer and Chance，1997；Leff et al.，2011）。大脑神经活动的增加导致氧代谢增加（Liao et al.，2013；Scholkmann et al.，2014；Pinti et al.，2020），导致氧合血红蛋白和脱氧血红蛋白浓度的降低和升高（Lindauer et al.，2010；Liao et al.，2013；Scholkmann et al.，2014）。fNIRS的结果比便携式脑电图具有更高的空间分辨率，与功能磁共振成像BOLD测量值相关性最高（Strangman等，2002）。此外，fNIRS已用于检测健康或不健康人群在步行、转身或平衡干预过程中单任务或双任务下的前额皮质（PFC）、初级皮质（M1）、运动前皮质（PMC）、辅助运动区（SMA）和感觉运动皮质（SMC）的皮质活动（Mihara等，2007；Al-Yahya等，2018；Stuart等，2018；Pelicioni等，2022），而与fNIRS相比，基于神经元神经电信号的便携式脑电图很少用于双任务步态活动。PFC参与规划、
闭环实时深度网络推理平台……
† 同等贡献。*1760 Haygood Dr NE，亚特兰大，佐治亚州，美国。电子邮件：chethan [at] gatech.edu。简介：闭环实验是脑机接口 (BCI) 研究的关键组成部分。人工神经网络 (ANN) 是用于建模和解码神经活动的最先进的工具，但将其部署到闭环实验中却具有挑战性。研究人员需要一个框架，该框架既支持用于运行 ANN 的高级编程语言（例如 Python 和 Julia），又支持对低延迟数据采集和处理至关重要的语言（例如 C 和 C++）。为了满足这些需求，我们推出了 BRAND 实时异步神经解码系统 (BRAND)。材料、方法和结果：BRAND 可以在几乎任何标准 Linux 计算机上运行，并且由称为节点的进程组成，它们通过图中的数据流相互通信。BRAND 支持微秒精度的可靠实时执行，使其成为闭环神经科学和神经工程应用的理想平台。 BRAND 使用 Redis [1] 在节点之间发送数据，从而实现快速的进程间通信 (IPC)、对 54 种编程语言的支持以及跨多台计算机的分布式处理。开发人员只需进行极少的实施更改，即可在 BRAND 中无缝部署现有的 ANN 模型。在初步测试中，BRAND 在发送大量数据（1024 个通道的 30 kHz 模拟神经数据，以 1 毫秒的块为单位）时实现了快速的 IPC 延迟（<500 微秒）。BCI 控制通过一个图表进行测试，该图表通过以太网接收 30 kHz 微电极阵列电压记录，过滤和阈值化输入以获取尖峰，将尖峰分成 10 毫秒的箱体，应用解码模型，并更新光标在显示屏上的位置。在系统的初步演示中，BrainGate2 临床试验 (NCT00912041) 的参与者 T11 在径向 8 中心向外光标控制任务中实现了 2.84 ± 0.83 秒（53 次试验）的目标获取时间，其中 30 kHz 信号处理、线性解码、任务控制和图形均在 BRAND 中执行。未来的实验将结合 ANN；为了对 ANN 延迟进行基准测试，我们运行了基于 PyTorch 的循环神经网络解码器（10 个隐藏单元、30 个箱输入序列）并测量了延迟（N = 30,000 个数据包）。对于此配置，从信号输入到解码器预测的端到端延迟始终小于 2 毫秒（图 1）。我们还验证了 BRAND 可以实时运行两种流行的神经群体动态模型——通过动态系统进行潜在因子分析 (LFADS) [2] 和神经数据转换器 (NDT) [3]，使用其原始的 Tensorflow 和 PyTorch 实现，每 10 毫秒箱（256 通道数据）的延迟低于 6 毫秒。讨论：BRAND 支持低延迟 ANN 推理，同时提供与闭环 BCI 研究所需的数据采集、信号处理和任务代码的无缝集成。意义：BRAND 凭借其模块化设计和广泛的语言支持，简化了将计算模型从离线分析转换为闭环实验的过程，利用 ANN 的强大功能来改善多种环境下的 BCI 控制。致谢：这项工作得到了埃默里神经调节和技术创新中心 (ENTICe)、NSF NCS 1835364、DARPA PA-18-02-04-INI-FP-021、NIH Eunice Kennedy Shriver NICHD K12HD073945、NIH-NINDS/OD DP2NS127291、阿尔弗雷德 P.斯隆基金会、Burroughs Wellcome 基金会、作为西蒙斯-埃默里国际运动控制 (CP) 联盟一部分的西蒙斯基金会、NIH NINDS NS053603、NS074044 (LEM)、NIH NIBIB T32EB025816 (YHA)、NIH-NIDCD U01DC017844 和退伍军人事务部康复研究与发展服务 A2295R (LRH) 的支持。参考文献：[1] Redis https://redis.io/ 。[2] Pandarinath 等人，2018 年，Nat Methods doi：10.1038/s41592-018-0109-9。[3] Ye 和 Pandarinath，2021 年，神经元行为数据分析理论 doi：10.1101/2021.01.16。42695。