XiaoMi-AI文件搜索系统
World File Search System接口
使用脑机接口技术在 Blender 软件中建模 3D 对象
1. 简介 3D 建模是使用专门的计算机程序创建和修改三维对象的过程，该程序为用户提供了一组必要的工具。 3D 建模通常从基本形状（基元）开始，例如立方体、球体、圆环等。然后通过软件提供的不同功能修改这些形状。用户通常通过按下键盘上的组合键或从用户界面中选择它们来激活这些功能。如今，有许多功能强大的 3D 建模软件，可以创建 3D 资源、动画、特效和渲染图像。最受欢迎的付费应用程序是 Autodesk Maya、Autodesk 3ds Max 和 Cinema 4D。也有许多免费应用程序可用，但最受欢迎的应用程序是 Blender。Blender 是一个免费的开源 3D 计算机图形软件工具集。它用 C、C++ 和 Python 编程语言编写。Blender 基金会是一个负责 Blender 开发的非营利组织。 Blender 也是由社区开发的，社区创建了用 Python 编写的附加插件（称为附加组件）。附加组件为 Blender 添加了新功能或改进功能。由于 Blender 发展基金的成立，Blender 最近获得了 Epic Games、Nvidia 或 Intel 的大量资金支持。它使 Blender 基金会能够招募新的团队成员，从而更快地开发 Blender。
EEG-TCNet：用于嵌入式运动想象脑机接口的精确时间卷积网络
摘要 —近年来，深度学习 (DL) 对基于脑电图 (EEG) 的运动想象脑机接口 (MI-BMI) 的改进做出了重大贡献。在实现高分类准确率的同时，DL 模型的规模也不断扩大，需要大量的内存和计算资源。这对嵌入式 BMI 解决方案提出了重大挑战，该解决方案应通过本地处理数据来保证用户隐私、减少延迟和低功耗。在本文中，我们提出了 EEG-TCN ET，一种新颖的时间卷积网络 (TCN)，它在只需要少量可训练参数的情况下实现了出色的准确率。其低内存占用和低推理计算复杂度使其适合在资源有限的边缘设备上进行嵌入式分类。在 BCI 竞赛 IV- 2a 数据集上的实验结果表明，EEG-TCN ET 在 4 类 MI 中实现了 77.35% 的分类准确率。通过为每个受试者找到最佳网络超参数，我们进一步将准确率提高到 83.84%。最后，我们在 Mother of All BCI Benchmarks (MOABB) 上展示了 EEG-TCN ET 的多功能性，这是一个包含 12 个不同 EEG 数据集和 MI 实验的大规模测试基准。结果表明，EEG-TCN ET 成功地推广到单个数据集之外，在 MOABB 上的表现比目前最先进的 (SoA) 好 0.25 倍。索引术语 — 脑机接口、运动意象、深度学习、卷积神经网络、边缘计算。
脑机接口赋能医疗大健康 - myqcloud.com
脑机接口（ brain-computer interface ， BCI ）是在大脑与外部设备之间建立直 接交互的通信和控制通道。行业起步最早可追溯至 1924 年，经历了前期 的理论探索期、科学论证期，目前已进入成果落地时期。脑机接口最早在 20 世纪未提出，目的是帮助残疾人重新行走或支配上肢，技术发展至今已 更能应用于正常人的生活和生产。随着脑机接口、人工智能、生物医学工 程、神经工程与康复工程、认知神经科学与心理科学等的发展， BCI 的内 涵和外延在不断丰富。近年来，脑机接口技术在医疗领域不断取得新成果， 尤其在临床康复领域，目前以脑功能评估为目的的脑机交互检测，以解码 交流与设备控制为目的的脑机接口应用，以功能重塑康复为目的的脑机训 练反馈等领域的探索及应用越来越深入。随着技术的应用领域不断拓宽， 未来将逐步应用于游戏娱乐、学习教育、智能家居和军事领域。
天风医药产业前沿专题系列研究脑机接口产业
未来市场发展潜力巨大，鼓励政策频出，应用场景广阔。市场端：据麦肯锡2020年研究报告显示，2030-2040年脑机接口全球 每年的市场规模可能在700亿到2000亿美元之间；政策端： 2024 年 1 月，工信部等七部门发布《关于推动未来产业创新发展 的实施意见》，突破脑机融合、类脑芯片、大脑计算神经模型等关键技术和核心器件，研制一批易用安全的脑机接口产 品，鼓励探索在医疗康复、无人驾驶、虚拟现实等典型领域的应用 ；应用端：科研实验平台重视神经创新技术的的研发，具 有交叉融合特色实验支撑的能力。神经影像技术研发、神经计算软件研发、神经电子技术研发等多方面神经技术的研发，对神经 感知、神经调控和神经计算的研究提供技术支持，开展以脑疾病诊治与康复为核心的重大基础科学问题和智能决策、人机交互等 关键技术应用基础研究，布局神经数字疗法、神经电子药物和智能神经康复三个研究方向。
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
GSV接口：新的Python访问气候数字...
lon（ncells）float64 101MB 45.0 45.04 44.96 ... 315.0 315.0 315.0 lat（ncells）float64 101Mb 0.0373 0.0746 0.0746 0.0746 0.0746 ... 315.0 315.0 lat_bounds (ncells, cell_corners) float64 403MB 0.0746 0.0373 ... -0.0373 * time (time) datetime64[ns] 192B 2024-01-01 ... 2024-01-01T23:00:00 Dimensions without coordinates: ncells, cell_corners Data variables:
用于脑部计算器接口的传感器方式
许多神经系统条件会破坏大脑与其环境之间的信息流。这些疾病包括大脑或脊髓损伤，肌萎缩性侧面硬化症（ALS），脑干中风，多发性硬化症等。这些疾病和其他退化性疾病会损害控制肌肉或损害肌肉本身的神经途径。严重的病例可能导致自愿控制的丧失，包括眼动和呼吸。因此，受影响的个体可能会完全锁定在自己的身体上，无法以任何方式进行交流。现代医疗技术可以使许多如此瘫痪的人过长寿，这加剧了他们的疾病的个人，社会和经济负担。没有治愈这些疾病的任何选择，还保留了三个用于恢复功能的选项[1，2]。第一种选择是增加剩余输出选项的功能。换句话说，仍处于自愿控制的肌肉可以代替瘫痪的肌肉。这种替代通常在实践中受到限制，但仍然有用。对于特殊的技术，借助适当的技术，严重瘫痪的个体可以使用眼动来控制计算机[3]；否则他们可能会使用手动作来产生合成语音[4-9]。第二种选择是通过绕过受损的通用途径来恢复功能。例如，脊髓损伤的患者可以使用高于病变水平的肌肉活动来控制瘫痪的肌肉的电刺激，
脑机接口技术与隐私的新法律问题
摘要：随着人工智能和通信技术的进步，神经科学领域的发展每天都在给我们带来惊喜，我们现在已经更接近自 20 世纪以来一直追求的目标：将大脑机器本身变成一台计算机。因此，从帕金森症到多发性硬化症等多种疾病的治疗将可能成为可能，并且交流的物理界限也可能被消除。脑机接口技术在带来潜在好处的同时，也带来了需要从法律角度探讨的风险。本文通过重新审视随着脑机接口技术的发展而开始成为法律概念的神经数据（脑机接口过程中获得的数据）方面的隐私，提出了在“直接、连续、流畅和不可阻挡”的数据流时代有关脑机接口数据的各种问题。本研究的主要目的是主张从脑机接口技术的发展阶段开始制定尊重人类自主权和隐私的法律框架，该技术将得到新通信技术的支持，其应用领域将不断扩大，旨在为在脑机接口和隐私权交叉领域进行法律研究提供基础资源。
通过脑机接口生成
我们提出了一种实时生成音乐的方法，该方法由从脑电图 (EEG) 估计的用户情感状态驱动。这项工作旨在探索使用传感器数据的实时音乐生成应用策略。应用范围从用于 x-reality 的响应音乐到艺术装置，以及在教学环境中作为反馈的音乐生成。我们在开源平台 OpenViBE 中开发了一个脑机接口。它管理与 EEG 设备的通信并计算相关特征。基准数据集用于评估监督学习方法在价态和唤醒的二元分类任务上的表现。我们还使用减少数量的电极和频带评估了性能，以解决预算较低和环境嘈杂的问题。然后，我们解决了实时音乐生成模型的要求，并提出了对 Magenta 的 MusicVAE 的修改，引入了一个用于控制批次间内存的参数。最后，我们讨论了将所需音乐特征映射到模型的原生输入特征的可能策略。我们提出了一个概率图形模型来模拟从效价/唤醒到 MusicVAE 潜在变量的映射。我们还解决了数据集维度问题，提出了三个概率解决方案。