XiaoMi-AI文件搜索系统
World File Search System机界面
社论：大脑计算机界面及其应用
目前，脑部计算机界面（BCI）是神经科学领域的研究重点和热点。相关技术被广泛用于各种情况，例如临床使用，康复，工程和日常生活。BCI使用不同的大脑信号，记录方法和信号处理算法来在大脑与外部软件/硬件平台之间构建链接。随着硬件（例如BCI芯片，可穿戴设备）和算法（例如机器学习，深度学习）的开发，BCI变得越来越实用和稳定。我们发布了此研究主题，以收集BCI的全球最新研究。来自世界各地的研究人员积极参与并贡献了许多手稿。经过仔细和专业审查所有提交的内容后，接受了14项高质量手稿。在此主题中，一些贡献着重于在BCI中使用深度学习，其中卷积神经网络（CNN）是最广泛使用的。Zhang等。 为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。 实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。 Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Zhang等。为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Qiu等。使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Deng等。 提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。 计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。 Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。 该算法在基于脑电图的动作解码中提供了高可变性和跨主题。 在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。 Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Deng等。提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。该算法在基于脑电图的动作解码中提供了高可变性和跨主题。在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen L.等。将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。元转移学习（MTL）用于避免耗时的校准。Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen G.等。探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。
为突触脑机界面投射轴突。
杰斐逊数字共享将这篇文章带给您免费和开放访问。Jefferson Digital Commons是Thomas Jefferson大学教学中心（CTL）的服务。Commons是杰斐逊书籍和期刊的展示，经过同行评审的学术出版物，大学档案馆的独特历史收藏以及教学工具。Jefferson Digital Commons允许研究人员和感兴趣的读者在世界任何地方学习并与Jefferson奖学金保持最新状态。本文已被杰斐逊数字共享的授权管理员接受，以纳入药理学和实验治疗学院的教师论文。有关更多信息，请联系：jeffersondigitalcommons@jefferson.edu。
运输系统中的人机界面 - MDPI
摘要：本文概述了各种运输方式的商业或实验运行中的人机界面 (HMI) 设计和命令系统。它从车辆自动化设备和不同应用领域的模拟器的角度介绍和评论了不同的 HMI。考虑到认知和自动化领域，本研究根据工业和文献综述，重点介绍了人为因素和不同行业的经验。此外，为了更好地聚焦目标并扩展所研究的工业全景，分析涵盖了各种运输方式中最有效的模拟器，用于培训操作员以及安全和人机工程学领域的研究。特别关注可能适用于未来列车车厢的新技术，例如视觉显示和触觉共享控制。最后，提出了人为因素的综合及其在监控或驾驶辅助方面的局限性。
从打孔卡到大脑计算机界面：
尽管由于其价格很高和业务重点，它在市场上从未成功，但施乐中的Alto影响了未来几年的个人计算机的开发：它具有图形的用户界面和鼠标最早内置的鼠标。苹果工程师在其产品中使用了其概念：丽莎和麦金托什（Macintosh）于1983年和1984年推出，灵感来自中音，使用的图标，下拉菜单和窗户代表文件和应用程序，并由鼠标控制。Guis被设计为比以前的界面更直观和用户友好：依靠视觉元素使它们更易于使用。它们通常也被视为WIMP界面，WIMP代表窗户，图标，菜单和点。另外，WIMP是Windos，图标，老鼠和下拉菜单的首字母缩写。
大脑计算机界面：进步和挑战
摘要：大脑计算机界面（BCI）是一个基于神经科学，信号处理，生物医学传感器，硬件等的高级和多学科主动研究领域。自过去几十年以来，在该领域进行了几项开创性的研究。仍然，尚未完全涵盖BCI领域的全面审查。因此，本研究介绍了BCI领域的全面概述。本研究涵盖了BCI的几个应用，并坚持了该领域的重要性。然后，简明说明了BCI系统的每个元素，包括技术，数据集，特征提取方法，评估测量矩阵，现有的BCI算法和分类器。此外，还附加了对技术或硬件的简要概述，主要是BCI中使用的传感器。最后，本文调查了BCI的几个未解决的挑战，并通过可能的解决方案解释了它们。
探索脑机界面中的协同作用
患有严重神经损伤的个体通常依赖于辅助技术，但是当前的方法在准确解码多度自由度（DOF）运动方面存在局限性。皮质内脑机界面（IBMIS）使用神经信号提供更自然的控制方法，但目前在更高的动作方面挣扎 - 大脑毫不费力地处理。从理论上讲，大脑通过肌肉协同作用简化了高功能运动，这些肌肉将多个肌肉连接起来作为单个单位。已经使用降低性降低技术进行了研究，例如主成分分析（PCA），非负矩阵分解（NMF）和Demixed PCA（DPCA），并成功地用于降低噪声并改善非侵入性应用中的噪声并提高离线解码器的稳定性。然而，它们在改善各种任务的植入记录的解码和普遍性方面的有效性尚不清楚。在这里，我们评估了大脑和肌肉协同作用是否可以在非人类灵长类动物的IBMI表现中提高执行两多手指任务的IBMI表现。具体来说，我们测试了PCA，DPCA和NMF是否可以压缩和降低大脑和肌肉数据，并改善跨任务的解码器概括。我们的结果表明，尽管所有方法在解码准确性时都有最小的损失有效地压缩数据，但没有通过降解来改善性能。此外，这些方法均未增强跨任务的概括。这些发现表明，虽然降低维度可以帮助数据压缩，但仅凭它可能无法揭示提高解码器性能或概括性所需的“真实”控制空间。需要进一步的研究来确定协同作用是最佳控制框架还是是否需要替代方法来增强IBMI应用中的解码器鲁棒性。
侵入性脑部计算机界面
使用脑电图（EEG）（EEG）的大脑计算机接口（BCI）为用户提供了一种非侵入性方法，即可与外部设备进行交互而无需肌肉激活。虽然非侵入性BCI有可能提高健康和运动障碍者的生活质量，但由于性能不一致和自由度低，目前它们的应用有限。在这项研究中，我们使用基于深度学习的解码器进行在线连续追踪（CP），这是一项复杂的BCI任务，要求用户在二维空间中跟踪对象。我们开发了一个标签系统，用于使用CP数据进行监督学习，基于两个架构的基于DL训练的解码器，包括对PointNet架构的新提出的改编，并评估了几个在线会话的性能。我们在总共28名人类参与者中严格评估了基于DL的解码器，发现基于DL的模型在整个会话中都改善了，随着越来越多的培训数据获得，并且在上一堂课之前大大优于传统的BCI解码器。我们还进行了其他实验，以测试通过培训模型对来自其他受试者的数据和中期培训的转移学习的实施，以减少会议间的可变性。这些实验的结果表明，预训练并不能显着提高性能，但是更新模型中期可能会带来一些好处。总体而言，这些发现支持使用基于DL的解码器来改善CP等复杂任务中的BCI绩效，从而可以扩大BCI设备的潜在应用，并有助于提高健康和运动障碍者的生活质量。
情感大脑 - 计算机界面（ABCIS）：教程
手稿于2022年10月4日收到； 2023年4月21日修订；接受出版日期2023年5月31日；当前版本的日期2023年10月11日。这项工作得到了STI 2030年的部分支持，即Major Project 2021ZD0201300，部分由惠田省基金为杰出的年轻学者根据2020CFA050的授予年轻学者提供了支持。（相应的作者：bin hu; Zhigang Zeng。）Dongrui Wu和Zhigang Zeng是教育部的重要实验室，用于图像处理和智能控制部，人工智能与自动化学院，瓦兹港科学技术大学，WUHAN 430074，中国（电子邮件：drwu@hust.hust.edu.cn; zgzengement;Bao-Liang Lu曾在上海Jiao Tong University，Shanghai 200240，中国的计算机科学与工程系，中国（电子邮件：bllu@sjtu.edu.edu.cn）。 bin hu曾与中国北京理工学院工程医学研究所一起，中国北京100811（电子邮件：bh@bit.edu.cn）。Bao-Liang Lu曾在上海Jiao Tong University，Shanghai 200240，中国的计算机科学与工程系，中国（电子邮件：bllu@sjtu.edu.edu.cn）。bin hu曾与中国北京理工学院工程医学研究所一起，中国北京100811（电子邮件：bh@bit.edu.cn）。