XiaoMi-AI文件搜索系统
World File Search System机界面
MindCrypt：大脑作为基于SOC的大脑计算机界面的随机数发生器
摘要 - 由于固有的硬件限制，资源约束设备上的真实数量随机数生成具有挑战性。这些局限性会影响找到具有高吞吐量和足够良好的可靠随机性来源的能力。作为脑部计算机界面领域（BCI）领域的最新发展表明，需要随机数的广泛应用，我们研究了基于皮质学的神经数据作为随机数生成的种子的可用性。我们开发了从脑数据中产生随机位的算法，并使用NIST SP 800-22测试套件来评估随机性的质量。我们将算法作为硬件随机位发电机（RBG）实现。然后，我们将这些实现作为硬件加速器集成在MindCrypt，MindCrypt是一种异质的芯片系统（SOC），配备了主机处理器来运行BCI应用程序。在MindCrypt中，应用程序使用我们的RBG加速器作为随机数生成器（RNG）和素数生成器。与使用基于最先进的Linux的RNG相比，在RISC-V处理器上运行软件应用程序的FPGA原型在RISC-V处理器上运行软件应用程序的提高了376倍和4885X的能源效率。通过将RBG加速器和加密加速器之间的点对点（P2P）通信传递随机位，我们在性能中获得6.1倍，与直接存储器访问（DMA）相比，能量效率为12.4倍。最后，我们探索了MindCrypt的部分重新配置的FPGA实现的功效，该实现动态优化了在资源约束的BCI SOC中随机数生成的吞吐量。索引条款 - SOC，HLS，BCI，RISC-V，P2P，FPGA，DPR
测量神经元雪崩以告知脑部计算机界面
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2023年12月14日发布。 https://doi.org/10.1101/2022.06.14.495887 doi：Biorxiv Preprint
将深度学习模型从健康的受试者转移到运动成像脑部计算机界面中的中风患者
摘要。目标：基于脑电图（EEG）的运动图像（MI）脑部计算机界面（BCI）主要是用于中风康复的，但是由于中风数据有限，当前的跨学科分类深度学习方法依赖于健康数据。本研究旨在评估使用健康个体数据进行预训练的MI-BCI模型的可行性，以检测中风患者的MI。方法：我们引入了一种新的转移学习方法，其中使用健康个体的两类MI数据的特征来检测中风患者的MI。我们将所提出方法的结果与中风数据中的分析获得的结果进行了比较。实验是使用深度转弯和特定于主题的机器学习MI分类器进行的，对来自健康受试者的OpenBMI两级MI-EEG数据进行了评估，并从健康受试者和两级MI和中风患者的REST数据进行了评估。主要结果：我们的研究结果表明，通过使用健康受试者数据进行预训练的模型，平均MI检测准确性为71.15％（46％）可以在71名中风患者中实现。我们证明，在转移学习后，预训练模型的准确性增加了18.15％（P p。0.001）。此外，拟议的转移学习方法的表现优于Deep Convnet和FBCSP所取得的特定主题结果，其绩效的显着增强分别为7.64％（P p。0.001）和5.55％（P p pst）。意义：转移值得注意的是，健康到中风的转移学习方法的表现与中风转移学习相似，没有显着差异（pą0.05）。使用转移模型确定的通道相关模式来解释的AI分析，这些模式表明了皮质的双侧运动，额叶和顶端区域对中风患者的MI检测的贡献。
通过可扩展软电极阵列实现 AR 持久人机界面
增强现实 (AR) 是一种计算机图形技术，可在现实世界和虚拟世界之间创建无缝界面。AR 的使用迅速扩展到医疗保健、教育和娱乐等不同领域。尽管 AR 潜力巨大，但其界面控制依赖于外部操纵杆、智能手机或易受光线影响的固定摄像头系统。本文介绍了一种集成 AR 的软性可穿戴电子系统，该系统可检测受试者的手势，从而更直观、准确、直接地控制外部系统。具体来说，这种软性一体式可穿戴设备包括可扩展电极阵列和集成无线系统，用于测量肌电图，从而实时连续识别手势。系统中嵌入的先进机器学习算法能够对十种不同的类别进行分类，准确率高达 96.08%。与传统的刚性可穿戴设备相比，由于皮肤贴合性，多通道软性可穿戴系统在多次使用时可提供更高的信噪比和一致性。用于无人机控制的 AR 集成软可穿戴系统的演示抓住了平台技术的潜力，为用户提供大量人机界面机会，实现与外部硬件和软件的远程交互。
基于点击的电视学脑计算机界面启用长期高性能开关扫描
特征向量2，导致1x128显着矢量。由于RNN-FC网络中权重的随机初始化，因此不能保证对同一组折叠功能进行训练的模型会收敛到一组最终权重。因此，我们重新训练了20次交叉验证的模型的集合，并类似地重新计算了每个样品的显着矢量。最终显着图是通过平均所有重复样本的归因图并在0到1之间的标准化来计算的。我们使用除一个（通道112）以外的所有通道的HG特征重复了此过程
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）。
台式和床头验证低成本可编程的皮质刺激剂，用于双向脑部计算机界面研究
为了表征和基准测试计算硬件，软件和算法，必须直接拥有许多问题实例。对于量子组合而言，这同样是正确的，其中大量现实世界中的问题实例将允许进行基准研究，从而有助于改善算法和硬件设计。为此，在这里，我们介绍了大量基于Qubit的量子哈密顿量的数据集。数据集，称为Hamlib（用于哈密顿库），可以在线免费获得，并且包含2到1000 QUAT的问题大小。hamlib包括海森堡模型，费米 - 哈伯德模型，玻色 - 哈伯德模型，分子电子结构，分子振动结构，maxcut，max-k -sat，max-k-sat，max-k -cut，qmaxcut，qmaxcut和旅行销售人员问题。这一效率的目标是（a）通过消除需要准备问题实例并将其映射到Qubit表示的需求来节省时间的时间，（b）允许对新算法和硬件进行更彻底的测试，以及（c）允许整个研究中的可重复性和标准化。
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。
在脑部计算机界面任务期间皮质树突中的矢量化指导性信号
。cc-by-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2023年11月5日。 https://doi.org/10.1101/2023.11.03.565534 doi：Biorxiv Preprint