XiaoMi-AI文件搜索系统
World File Search System接口
基于非线性特征提取和堆叠集成学习的混合EEG-fNIRS脑机接口
a 哈尔滨工业大学计算机科学与技术学院，哈尔滨，中国 b LINEACT CESI，里昂 69100，法国 c 埃法特大学电气与计算机工程系，吉达 22332，沙特阿拉伯 d Persistent Systems Limited，那格浦尔，印度 e AGH 科技大学生物控制论与生物医学工程系，克拉科夫，波兰 f 克拉科夫理工大学计算机科学与电信学院计算机科学系，华沙 24，31-155，克拉科夫，波兰 g 波兰科学院理论与应用信息学研究所，Ba ł tycka 5，44-100，格利维采，波兰 h EIAS 数据科学实验室，苏丹王子大学计算机与信息科学学院，利雅得 11586，沙特阿拉伯 i 梅努菲亚大学理学院数学与计算机科学系，32511，埃及j 埃及梅努菲亚大学计算机与信息学院信息技术系
脑机接口：挑战与应用
脑机接口于五十年前出现，是一种新的通信技术，允许患有严重神经肌肉疾病的患者与外界进行交流和互动。无线技术的快速发展为实验室外的应用打开了大门，例如娱乐、工业、营销和教育领域。越来越多的脑机技术新应用正在涌现，包括物联网。本期特刊将探讨非侵入式和侵入式脑机接口技术的进展、挑战和未来前景。发行范围包括但不限于：BCI 技术、生物医学信号分析、建模 - 神经信息学、生物医学工程、控制和机器人技术、计算机工程、认知科学 - 生物伦理学、神经生物学 - 神经外科、神经康复 - 生物反馈、生物物理学 - 生物化学。
首届跨会话工作量估计被动式脑机接口竞赛回顾
和许多研究领域的情况一样，脑机接口 (BCI) 领域数据共享仍然很少，尤其是在被动 BCI 领域——即基于从脑部测量估计的用户心理状态实现隐性交互或任务调整的系统。此外，该领域的研究目前面临一个重大挑战，即解决脑信号变异性，例如跨会话变异性。因此，为了在该领域发展良好的研究实践，并使整个社区能够联合起来进行跨会话估计，我们创建了第一个关于跨会话工作量估计的被动脑机接口竞赛。本次竞赛是第三届国际神经人体工程学会议的一部分。数据是从 15 名志愿者（6 名女性；平均 25 岁）获得的脑电图记录，他们进行了 3 次多属性任务组合 II (MATB-II) 测试，每次测试间隔 7 天，每场测试有 3 个难度级别（伪随机顺序）。数据（训练和测试集）与 Matlab 和 Python 玩具代码一起在 Zenodo 上公开提供（https://doi.org/10.5281/zenodo.5055046）。到目前为止，该数据库的下载次数已超过 900 次（2021 年 12 月 10 日所有版本的独立下载次数：911）。来自 3 大洲的 11 个团队（31 名参与者）提交了他们的作品。表现最好的处理流程包括基于黎曼几何的方法。虽然结果优于调整后的随机水平（对于 3 类分类问题，α 为 0.05，结果为 38%），但准确率仍然低于 60%。这些结果清楚地强调了跨会话估计的真正挑战。此外，它们再次证实了黎曼方法对 BCI 的稳健性和有效性。相反，三分之一的方法（4 个团队）基于深度学习获得了随机水平结果。与传统方法相比，这些方法在本次比赛中没有表现出更优的结果，这可能是由于严重的过度拟合。然而，这次比赛是共同努力解决 BCI 变异性并促进包括可重复性在内的良好研究实践的第一步。
通过特征向量联合对齐实现 P300 脑机接口的迁移学习
摘要 — 本文介绍了一种新的迁移学习方法，即群组学习，它可以联合对齐多个域（多对多），以及一种扩展方法，即快速对齐，它可以将任何其他域与先前对齐的域组对齐（多对一）。在脑机接口 (BCI) 数据上评估了所提出的组对齐算法 (GALIA)，并研究了该算法的最佳超参数值以了解分类性能和计算成本。使用了六个公开的 P300 数据库，包含来自 177 个受试者的 333 个会话。与传统的针对特定受试者的训练/测试流程相比，群组学习和快速对齐均显著提高了分类准确率，但临床受试者的数据库除外（平均改进：2.12±1.88%）。GALIA 利用循环近似联合对角化 (AJD) 来找到一组线性变换，每个域一个，联合对齐所有域的特征向量。群组学习实现了多对多迁移学习，同时不会损害非临床 BCI 数据的分类性能。快速对齐进一步扩展了任何未见域的群组学习，从而允许具有相同属性的多对一迁移学习。前一种方法使用来自先前受试者和/或会话的数据创建单个机器学习模型，而后一种方法利用训练后的模型来处理未见域，无需进一步训练分类器。
无线脑机接口 (WBCI) 和 6G...
脑机接口 (BCI) 是一种不依赖于大脑周围神经和肌肉正常输出通路的通信系统。无线脑机接口 (WBCI) 系统是 BCI 系统的一个分支，它采用一种独特的方法来获取大脑的电活动，即脑电图 (EEG)，使用有效的非侵入式植入电极方案，并采用无线通信方案传输获取的 EEG 进行进一步处理。五个最重要的安全和隐私问题是身份验证、访问控制、恶意行为、加密和通信。通过在 6G 技术背景下适当实施无线 BCI，本章全面概述了 WBCI 和 6G 技术，并概述了基于人工智能的方案在解决因 6G 网络部署到围绕 WBCI 的环境中而产生的安全和隐私问题方面的效用。
基于实时视觉分析的低延迟人机听觉接口
本文提出了一种视觉听觉替代方法，以帮助视障人士理解场景。我们的方法侧重于在用户附近进行人员定位，以方便在城市中行走。由于在这种情况下出于用户安全的考虑，需要实时和低延迟，因此我们提出了一种嵌入式系统。该处理基于轻量级卷积神经网络，以执行有效的 2D 人员定位。该测量结果通过相应的人员深度信息得到增强，然后通过头部相关传递函数转录为立体声信号。本文提出了一种基于 GPU 的实现，可以在 640x480 视频流上以 23 帧/秒的速度实现实时处理。我们通过实验表明，该方法可以实现实时准确的基于音频的定位。
使用低成本开源脑机接口和 3D 打印腕外骨骼诱导神经可塑性
摘要：脑机接口 (BCI) 已被证明可用于中风康复，但有许多因素阻碍了该技术在康复诊所和家庭中的使用，主要因素包括 BCI 系统的可用性和成本。本研究的目的是开发一种廉价的 3D 打印腕外骨骼，可由廉价的开源 BCI (OpenViBE) 控制，并确定使用这种设置进行训练是否可以诱导神经可塑性。11 名健康志愿者想象手腕伸展，这些伸展通过单次脑电图 (EEG) 检测到，作为响应，腕外骨骼复制了预期的运动。在使用外骨骼进行 BCI 训练之前、之后立即和 30 分钟后测量使用经颅磁刺激引起的运动诱发电位 (MEP)。BCI 系统的真阳性率为 86 ± 12%，每分钟有 1.20 ± 0.57 次误检。与 BCI 训练前的测量结果相比，MEP 在训练后立即增加了 35 ± 60%，在 BCI 训练 30 分钟后增加了 67 ± 60%。BCI 性能与可塑性诱导之间没有关联。总之，可以使用开源 BCI 设置检测想象运动并控制廉价的 3D 打印外骨骼，当与 BCI 结合时可以诱导神经可塑性。这些发现可能会促进 BCI 技术在康复诊所和家庭中的普及。然而，可用性必须提高，并且需要对中风患者进行进一步测试。
脑机接口领域发展态势 - 生命科学
题名 主要研究内容 神经系统记录与调控的新概念和早期研究 处于早期开发阶段的独特和创新型记录和 ( 或 ) 调控技术，包括处于概念化 初始阶段的新的和未经测试的想法。适用于多种记录方式，包括声学、 化学、电学、磁学和光学，以及遗传工具的使用等 在人脑中使用侵入性神经记录和刺激技术的探索 组建跨学科团队，开发侵入性神经记录与刺激技术，验证新技术原理、可 性研究 行性，并进行早期开发工作 优化用于神经系统记录和调控的仪器和设备技术 通过与最终用户的迭代测试来优化现有或新兴技术的应用程序。这些技术 和方法有望解决与细胞 ( 即神经元和非神经元 ) 和网络的记录与调控相关 的重大挑战，实现对中枢神经系统动态信号的变革性理解 神经系统记录和调控的新技术和新方法 开发极具创造性的方法，以解决在细胞分辨率或接近细胞分辨率水平记录 和调控 CNS 活动相关的重大挑战。可以是各类技术，如光学、磁学、 声学和 ( 或 ) 基因操作等 大脑行为量化与同步 支持能精确量化人类行为并将其与同时记录的大脑活动联系起来的下一代 平台和分析方法的开发和验证。用于分析行为的工具应该是多模态的， 并且应该能够与大脑活动相关联，因而能够准确、特异性、灵活地测量 和调控行为相关的大脑环路活动 在人脑中使用侵入性神经记录和刺激技术 使用先进、创新技术研究行为相关的动态神经环路功能的跨学科研究，旨 在通过系统地控制刺激和 ( 或 ) 行为，同时主动记录和 ( 或 ) 操纵神经活动 的相关动态模式，并通过测量由此产生的行为和 ( 或 ) 感知来了解中枢神 经系统相关环路的动态与功能 推进下一代人类中枢神经系统记录与调控侵入性 支持新型侵入式脑机接口治疗中枢神经系统疾病的临床试验，鼓励研究人 设备的临床研究 员开展转化活动和小型临床研究 人类中枢神经系统中新型记录和调控技术的临床 支持用于人类使用的下一代记录和 ( 或 ) 调控设备的开发，从概念验证到临 前概念验证 床前测试，以进一步了解人类中枢神经系统并治疗神经系统疾病 通过 Blueprint MedTech 将开创性技术从早期开发 鼓励转化新型神经技术，由美国 BRAIN 计划提供资助并由 NIH “蓝图医疗 转化为早期临床研究 科技”计划监督。鼓励学术和小企业合作开展非临床验证研究，鼓励支 持开发和转化开创性神经技术
RTPCR：QPCR数据分析 DACC：气候变化的检测和归因分析 接吻：保持简单的物种迁移模型 SGOF：多个假设测试 创建R对象的紧凑型哈希摘要 MLMTS：多元时间序列的机器学习算法 分析依赖量表的生物多样性变化与MOBR 机器：机器学习模型和工具 nmf：非负矩阵分解（NMF）的算法和框架 软件包'mobr' ddml：双/辩护机器学习 胚胎：通过期望最大化的稳健贝叶斯变量选择 'Google gemini'api 的接口 Jackstraw：无监督学习的统计推断 ODT：最佳决策树算法 具有组成反应的多元随机森林 软件包'joinet' rgbif.pdf OpenCV.pdf 软件包'mapme.biodoverity' MLR3DATA：“ MLR3'的机器学习数据集的收集 生存：使用机器学习的灵活生存分析工具 bio3d.pdf
描述各种方法用于实时PCR（定量PCR或QPCR）数据的统计分析和图形表示。'rtpcr'负责基于多达两个参考基因的实时PCR数据的扩增效率计算，统计分析和图形表示。通过考虑放大效率值的考虑，“ RTPCR”是由Ganger等人描述的一般计算方法开发的。（2017）和Taylor等。（2019），涵盖了livak和pfaffl方法。基于实验条件，“ RTPCR”包装的功能使用t检验（用于具有两级因子的实验），方差分析（ANOVA），协方差分析（ANCOVA）分析（ANCOVA）或重复测量数据分析以计算到calcu- colcu- flta delta delta delta delta delta ct方法（delta cta）或dela dela dela dela（re）（re）（re）。该功能进一步提供了平均值的标准误差和置信度间，采用统计平均比较并具有重要意义。为了促进功能应用，使用了不同的数据集作为示例，并解释了输出。“ RT- PCR”软件包还使用各种控制参数提供条形图。“ rtpcr”包装是用户友好且易于使用的，并提供了用于分析实时PCR数据的适用资源。
皮层内脑机接口的主动感
7 8 Andrea Serino* 1,2, , Marcie Bockbrader* 3 , Tommaso Bertoni 1 , Sam Colachis 3p,4c , Marco 9 Solca 2 , Collin Dunlap 3,4 , Kaitie Eipel 3p , Patrick Ganzer 4 , Nick Annetta 4 , Gaurav 10 Sharma 4p,9c , Pavo Orepic 2 , David Friedenberg 4 , Per Sederberg 5 , Nathan Faivre 2,6 , Ali 11 Rezai** 7 , Olaf Blanke** 2,8 12 13 1 MySpace 实验室，临床神经科学系，洛桑大学医院 14 (CHUV)，洛桑，瑞士； 2 瑞士日内瓦联邦理工学院 (EPFL) 大脑思维神经修复研究所和中心认知神经科学实验室，生物技术校区；3 美国俄亥俄州哥伦布市俄亥俄州立大学物理医学与康复系；4 美国俄亥俄州哥伦布市巴特尔纪念研究所医疗器械与神经调节系；5 美国弗吉尼亚州夏洛茨维尔市弗吉尼亚大学心理学系；6 格勒诺布尔阿尔卑斯大学、萨瓦大学勃朗峰分校，CNRS，LPNC，38000 格勒诺布尔，法国；7 美国西弗吉尼亚州摩根敦市西弗吉尼亚大学洛克菲勒神经科学研究所；8 瑞士日内瓦大学医院神经病学系；9 美国俄亥俄州代顿市空军研究实验室。 24 25 * 这些作者的贡献相同；** 这些作者共同指导了这项工作。 26 p 工作时的先前隶属关系；c 当前隶属关系 27 28 29 * 这些作者的贡献相同；** 这些作者共同指导了这项工作。 30