XiaoMi-AI文件搜索系统
World File Search System异步
基于异步运动的 BCI 中快速生成训练数据的新范例
简介：基于运动的脑机接口 (BCI) 利用执行或尝试运动期间产生的大脑活动来控制应用程序。通过依赖自然运动过程，这些 BCI 与其他 BCI 系统相比提供了更直观的控制。然而，利用脑电图 (EEG) 信号的非侵入式基于运动的 BCI 通常需要大量训练数据才能在检测运动意图方面达到适当的准确度。此外，运动障碍患者需要基于提示的范例来指示与运动相关的任务的开始。这样的范例往往会在试验之间引入较长的延迟，从而延长训练时间。为了解决这个问题，我们提出了一种新颖的实验范例，可以在 18 分钟内收集 300 次提示运动试验。
关于专题“当前在线支持状态，包括同步和异步类型”的评论
（ 1 ） Fabriz S, Mendzheritskaya J, Stehle S: 高等教育中同步和异步在线教学设置对学生在新冠疫情期间学习体验的影响。Front Psychol. 12: 733554, 2021 （ 2 ） Sattler A, Dunn J, Albarran M 等：初级卫生保健系统中异步与同步筛查抑郁和自杀倾向：质量改进研究。JMIR Ment Health. 11: e50192, 2024
异步甲烷和二氧化碳通量驱动红树林蓝色碳固存的时间变化
1海洋环境科学的国家主要实验室，沿海和湿地生态系统的主要实验室（教育部），沿海和海洋管理研究所，环境与生态学院，Xiamen University，Xiamen University，Xiamen，Fujian，中国，2个国家观察和研究站中国藤本富州气象学科学，南中国海遥感，测量和地图合作应用技术创新中心，南中国海开发研究所，自然资源部，广东，广东，中国广东，中国广东，中国，尤里奇，尤里斯大学的大气层学院中国广东的朱海，南方海洋科学与工程实验室（Zhuhai），珠海，中国广东，8号生态学学院，太阳森大学，孙森大学，深圳，广东，中国，中国，9 nanjing
面向异步 EEG 的 BCI：检测连续 EEG 信号中的想象词段
基于想象语音的异步脑机接口 (BCI) 是一种工具，它允许通过解码想象语音的 EEG 信号来控制外部设备或在用户需要时发出消息。为了正确实现这些类型的 BCI，我们必须能够从连续信号中检测出受试者何时开始想象单词。在本文中，提出了基于小波分解、经验模态分解、频率能量、分形维数和混沌理论特征的五种特征提取方法，以解决从连续 EEG 信号中检测想象词段的任务，作为基于想象语音的异步 BCI 的后续实现的初步研究。使用四个不同的分类器在三个数据集中测试了这些方法，获得的较高 F 1 分数分别为每个数据集的 0.73、0.79 和 0.68。这些结果有望建立一个自动分割想象词段以供后期分类的系统。
Pharm 6500治疗学发现，开发和评估FCS 3420-090在线/异步住房政策和...
（包括性取向和性别认同/表达）是一种民权犯罪，遭受了相同类型的问责制，以及针对其他受保护类别的罪行，例如种族，国籍，颜色，宗教，宗教，年龄，作为残疾人，退伍军人的地位或遗传信息。如果您或您认识的人遭到骚扰或殴打，则鼓励您将其报告给均等机会和平权行动办公室的标题IX协调员，135 Park Building，801-581-8365，或学生院长办公室，270 Union Building，801-581-7066。有关支持和机密咨询，请联系学生健康中心，SSB 328，801-581-7776。向警方报告，请联系公共安全部，801-585-2677（COPS）。教师和学生责任。（http://regulation.utah.edu/academics/6-316.php）
使用随机下降法对异步传感器配电网络进行状态估计：预印本
摘要 —本文研究了带有异步传感器的配电网的状态估计问题，该配电网由具有多种采样和报告率的智能电表和相量测量单元 (PMU) 组成。我们考虑了两种独立的状态估计和跟踪场景，状态为电压或电流。利用这两组数据，我们研究了 (a) 完整数据（假设所有测量值均可用）和 (b) 有限数据（采用在线算法方法通过在可用时处理测量值来估计可能随时间变化的状态）下的估计。所提出的算法受到经典随机梯度下降 (SGD) 方法的启发，根据先前的估计和新获得的测量值更新状态。最后，我们通过 IEEE-37 测试网络上的数值模拟证明了估计和跟踪的有效性，同时还强调了以电流为状态的估计如何导致更快的收敛。
通过时间异步和程序连接的活动跟踪实现大型神经网络模拟的可扩展性
图 2：混合算法 [19]（图 (a) 和 (b)）和 ATiTA(P)（图 (c) 和 (d)）的示意图。图 (a) 和 (c) 代表神经网络的观点，而 PU 的观点则显示在图 (b) 和 (d) 中。由于膜电位或强度的整合，所有地方的脉冲都用红色表示，突触传递事件用橙色表示，下一个脉冲的预测用绿色表示。对于 ATiTA(P)，灰色也表示计算后丢弃的潜在脉冲。在 (a) 中，由于大小为 T com 的突触延迟，下一个大小为 T com 的容器中的神经元会接收脉冲，然后对其进行整合以计算膜电位。在 (b) 中，每个 PU 的计算都是按大小为 T com 的容器进行的，并且需要在每个 T com 进行同步。根据 PU 的数量，一些 PU 可能会等待其他 PU，而不会在每个线程上进行大量计算，因此它们的负载较低。在 (c) 中，对于 ATiTA(P)，在网络级别使用离散事件方法：计算会跳转到下一个潜在尖峰。最小的尖峰被保留为实际的下一个尖峰。然后，仅对突触后神经元进行突触传递、相应强度的更新和下一个潜在尖峰的新计算。在 (d) 中，(c) 的不同操作按单个线程在单个 PU 上执行的连续操作的顺序排列，因此单个 PU 会随着时间的推移满负荷运行。请注意，两种算法（混合算法和 ATiTA(P)）都具有时间精度，可以是经典的数值精度 10 15，从这个意义上讲，它们都计算连续时间。
用于神经形态边缘计算的超低成本、支持多播的异步 NoC
摘要 — 生物大脑越来越多地被视为更高效计算形式的指南。最新的前沿考虑使用基于脉冲神经网络的神经形态处理器进行近传感器数据处理，以适应边缘计算设备严格的功率和资源预算。然而，在神经形态系统的设计中，人们普遍关注受大脑启发的计算和存储原语，这目前正在将一个根本瓶颈推到最前沿：芯片级通信。虽然通信架构（通常是片上网络）通常受到通用计算的启发，甚至借鉴了通用计算，但神经形态通信表现出独特的特征：它们由事件驱动的路由组成，在狭小的区域和功率预算内将少量信息路由到大量目的地。本文旨在实现受大脑启发的通信的片上网络设计的转折点，围绕成本效益高且强大的异步设计、短消息传递的架构专业化和基于树的多播的轻量级硬件支持相结合。经功能性脉冲神经网络流量验证，与用于边缘计算应用的真实多核神经形态处理器的最先进的 NoC 相比，所提出的 NoC 可节省 42% 至 71% 的能源。
开发一个基于运动图像的实时异步混合型BCI控制器，用于下LIMB外骨骼
摘要：这项研究旨在开发与步态相关的运动图像（MI）基于较低LIMB外骨骼的基于与基于步态相关的运动图像（MI）的混合脑机构界面（BCI）控制器，并研究控制器在包括标准，Gait-Forwhard和Sit-Down的实际情况下的可行性。在研究中使用过滤库的公共空间模式（FBCSP）和基于信息的最佳个人特征（MIBIF）选择来解码MI脑电图（EEG）信号，并提取特征矩阵作为支持向量机（SVM）分类的输入。连续的眼光开关在操作下LIMB外骨骼时依次与EEG解码器结合。十个主题在OfflINE（培训）和在线方面都表现出80％以上的精度。所有受试者通过开发的实时BCI控制器穿着下LIMB外骨骼成功完成了步态任务。与手动智能手表控制器相比，BCI控制器的时间比为1.45。开发的系统可能有可能是具有神经系统疾病的人，他们可能有效地操作手动控制。
基于TQMM的数据融合算法及仿真
一般来说，异步航迹融合主要分为两类，一类是不同种类的传感器具有不同且固定的采样周期；另一类是传感器提供目标信息的时间间隔没有规律，即传感器没有固定的采样间隔。由于传感器自身的限制，第一类又可以根据不同采样周期的起始时间分为两部分。两种情况都可以先通过航迹预处理来同步传感器信息，然后再通过同步航迹融合算法进行跟踪。但预处理过程会导致误差增大，降低融合数据的可靠性。因此，研究人员提出了一系列异步航迹融合算法[1–10]。一些异步融合算法将数据配准的方法引入到融合算法中，实现融合前异步数据的同步，例如最小二乘法、插值法、外推法等。此外，一些算法根据接收时间对异步数据进行处理，并选择适当的融合方法进行异步数据融合，如基于最小误差协方差矩阵迹原则的融合算法[1，2]、基于信息矩阵的异步航迹融合算法[3-5]、分布式加权融合