XiaoMi-AI文件搜索系统
World File Search System校准阶段
通过词语预测自动校准 c-VEP BCI
摘要。代码调制的视觉诱发电位脑机接口 (c-VEP BCI) 允许从闪烁字符的虚拟键盘进行拼写。所有字符同时闪烁，每个字符根据预定义的伪随机二进制序列闪烁，循环移位不同的时间滞后。对于给定的字符，伪随机刺激序列会在受试者的脑电图 (EEG) 中唤起 VEP，可将其用作模板。此模板通常在校准阶段获得，并在拼写阶段应用于目标识别。c-VEP BCI 系统的一个缺点是它需要较长的校准阶段才能达到良好的性能。本文提出了一种无监督方法，通过从连续字符之间的 VEP 响应中提取相对滞后并使用字典预测完整单词，避免了 c-VEP BCI 中的校准阶段。我们在公共数据集上进行了离线实验。我们模拟了从英语词典中选择的四组单词的拼写，这些单词的总字符数不同。每个实验都由刺激周期数参数化。所得结果表明，基于单词预测的 c-VEP BCI 自动校准方法可以高效且有效。
基于监督自动编码器的独立于受试者的脑机接口框架
摘要 — 基于运动想象的脑机接口 (MI-BCI) 需要校准程序来为新用户调整系统。此过程非常耗时，并且会阻止新用户立即使用系统。由于 MI 信号的主体相关特性，开发独立于主体的 MI-BCI 系统以减少校准阶段仍然具有挑战性。已经开发了许多基于机器学习和深度学习的算法来从 MI 信号中提取高级特征，以提高 BCI 系统对主体的泛化能力。然而，这些方法基于监督学习并提取可用于区分各种 MI 信号的特征。因此，这些方法无法在 MI 信号中找到共同的潜在模式，并且其泛化水平有限。本文提出了一种基于监督自动编码器 (SAE) 的独立于主体的 MI-BCI 来绕过校准阶段。建议的框架在 BCI 竞赛 IV 中的数据集 2a 上得到了验证。模拟结果表明，在九个受试者中的八个中，我们的 SISAE 模型在平均 Kappa 值方面优于传统的和广泛使用的 BCI 算法、常见空间和滤波器组常见空间模式。
高性能CVEP-BCI在最小校准下
图1 |提出的方法的示意图。a。校准阶段（红色）组成了由WN序列调制（表示为刺激A）的单个目标刺激，然后在40个螺丝体上测试（蓝色），该速度由不同的WN序列调制（表示为刺激b），b。线性建模方法，其中空间滤波器是通过受试者依赖（红色）或独立（灰色）数据获取的，时间模式是从刺激和TRF之间的卷积中获取的时间模式，其中空间滤波器是从受试者的依赖性数据中获取的空间滤波器，并通过权重的交叉模式获得了额外的次数，并将其依赖的额定值（nipled）的额定值（当时的均值均匀）（当时的额外）获得（当时的蓝色）。从交叉对象的校准数据（表示为浅红色）中学到。
基于脑电图模拟的空间滤波方法的性能：对中风患者的BCI研究
该研究报告了中风后神经疗法的中风患者在操作基于运动构象的脑部计算机界面（MI-BCI）的表现，并比较了三种不同的BCI空间滤波技术。对五名中风患者进行了实验，这些患者总共进行了15次Mi-BCI疗程，以围to的肢体为目标。在每个会话的初始校准阶段收集了脑电图数据，并通过使用源功能共同调节（SPOC），频谱加权的常见空间模式（SPECCSP）和过滤器银行常见的空间模式（FBCSP）BCI方法制作单个BCI模型。FBCSP的准确性显着高于SPOC的准确性（85.1±1.9％vs. 83.0±1.9％； P = 0.002），而FBCSP的准确性略高于SPECCSP的准确性（85.1±1.9％vs. 83.8±2.0％; P = 0.068）。SPOC和SPECCSP之间没有明显差异（p = 0.616）。平均误报比率为16.9％，17.1％，14.3％，而SPECCSP，SPOC，FBCSP的平均假阴影分别为15.5％，16.9％，15.5％。总而言之，我们证明了中风患者能够控制MI-BCI，并且可以用作早期中风阶段中互补神经居住的MI-BCI方法。
多架无人机的自适应人机交互
摘要：无人机系统 (UAS) 的进步为逐步提高智能和自主水平铺平了道路，支持新的操作模式，例如一对多 (OTM) 概念，其中单个操作员负责监控和协调多架无人机 (UAV) 的任务。本文介绍了支持 OTM 应用中自适应自动化的认知人机界面和交互 (CHMI 2) 的开发和评估。CHMI 2 系统包括一个神经生理传感器网络和基于机器学习的模型，用于推断用户认知状态，以及包含一组用于控制/显示功能和离散自主级别的转换逻辑的自适应引擎。在离线校准阶段，根据过去的表现和神经生理数据对用户认知状态的模型进行训练，随后在在线适应阶段使用这些模型来实时推断这些认知状态。为了研究 OTM 应用中自适应自动化，开发了一个涉及丛林火灾检测的场景，其中单个操作员负责指挥多个无人机平台在广阔区域内搜索和定位丛林火灾。我们介绍了开发的 UAS 模拟环境的架构和设计，以及各种人机界面 (HMI) 格式和功能，以通过人机在环 (HITL) 实验评估 CHMI 2 系统的可行性。随后将 CHMI 2 模块集成到模拟环境中，提供实现自适应自动化所需的感知、推理和适应能力。进行了 HITL 实验以验证 CHMI 2
在RSVP范式下，基于BCI的拼写器中具有不同类型的视觉刺激的性能分析
大脑计算机界面（BCI）系统为严重运动残疾患者提供了替代通信通道，可以使用无肌肉运动与环境互动。近年来，与最经常研究的基于BCI的拼写范式相比，对非目光依赖的脑部计算机界面范式的研究的重要性一直在增加。在RCP范式下已经验证了用于通信目的的几种视觉修改尚未在最扩展的非目光依赖的快速串行视觉呈现（RSVP）范式下进行验证。因此，在本研究中，根据RSVP评估了三组不同的刺激，并具有以下交流特征：白色字母（WL），著名面部（FF），中性图片（NP）。11个健康受试者参加了该实验，其中受试者必须经历校准阶段，在线阶段以及最终的主观问卷完成阶段。结果表明，FF和NP刺激在校准和在线阶段促进了更好的性能，在FF范式中稍好。关于主观问卷，与WL刺激相反，参与者再次首选FF和NP，但这次NP刺激得分略高。这些发现表明，与最常用的基于字母的刺激相比，将FF和NP用于基于RSVP的拼写器可能是有益的，可以提高信息传输速率，并且可以代表具有改变眼运动功能的个人的有希望的通信系统。
反射率校准，具有高光谱成像的归一化校正
摘要 - 末期，高光谱（HS）成像已成为通过联合获取空间和光谱信息来远程识别兴趣区域的强大工具。但是，就像在大多数成像技术中一样，数据采集期间可能会发生不良影响，例如噪声，光强度的变化，温度差异或光学变化。在HS成像中，可以使用反射校准阶段和光学过滤来减弱这些问题。然而，光学填充可能会引起某种失真，这可能会使后图像处理阶段复杂化。在这项工作中，我们提出了一项重新反映校准的新建议，该建议可以补偿在获得HS图像期间的光学变化。对具有特定光谱响应的各种材料的合成正方形的HS图像进行了评估。我们的提案结果使用K-均值算法的两次分类测试显示出高性能，其精度为97％和88％；与获得77％和64％精度的文献相比，与标准反射校准相比。这些结果说明了所提出的配方的性能增益，除了维持HS图像中的特征性特征外，还可以使结果反射到固定的下层和上限，从而避免了后校准后的归一步步骤。索引术语 - 光谱成像，光学滤波器，反射校准
交叉主题EEG- ...
情感脑部计算机中解码的人类情绪相互交流，由于脑电图（EEG）信号的受试者间变化能力，遭受了重大挫折。现有的ap-praches通常需要收集每个新主题的大量脑电图数据，这些数据非常耗时，用户体验差。为了解决这个问题，我们将脑电图指定为每个主题的私人组件，并共享所有主题的情感组成部分。根据此表示的部分，我们提出了一种用于处理受试者间可变性的插件适应方法。在训练阶段，主题不变的情感表示和源主题的私人组成部分由共享的编码器和私人编码者分别捕获。此外，我们在共享分区和受试者的单个分类器上建立了一个情感分类，以结合这两个部分。在校准阶段，该模型仅需要来自传入目标对象的未标记的脑电图数据来对其私人组件进行建模。因此，除了共享的表演分类外，我们还有另一个管道来通过私人组合的相似性来利用源主题的知识。在测试阶段，我们将共享情绪分类器的预测与通过相似权重调制后的单个分类器的聚合物的预测。在种子数据集中进行的实验性调查表明，我们的模型在一分钟内的校准时间非常短，同时保持了识别精度，所有这些都使人们的情绪更具概括性和可行性。
![arxiv：2012.01749v5 [eess.sp] 2021年3月3日](/simg/g:\will\search\icon\source\9\9cf72ba91ea2f79eb69d18a0af3fe0dae4787b41.webp)
arxiv：2012.01749v5 [eess.sp] 2021年3月3日
摘要。目标。许多基于脑电图（EEG）的大脑计算机接口（BCI）系统使用大量通道来进行更高的性能，这很耗时，可以为实用应用设置和不便。在不损害绩效的情况下找到最佳的渠道子集是一项必要且具有挑战性的任务。方法。在本文中，我们提出了一个基于互相关的判别标准（XCDC），该标准评估了渠道歧视不同运动成像（MI）任务的心理状态的重要性。通道进行排名和选择。在两个运动图像脑电图数据集上评估XCDC的效率。主要结果。在两个数据集中，与全渠道设置相比，XCDC显着减少了通道的数量，而无需损害分类精度。在相同的准确性约束下，所提出的方法比基于Pearson的相关系数和常见空间模式的现有通道选择方法所需的通道少。XCDC的可视化与神经生理学原理显示出一致的结果。明显的能力。这项工作提出了一个定量标准，用于评估和对MI任务中EEG渠道的重要性进行评估，并提供了一种实用方法，可以在MI BCI系统的校准阶段选择排名的渠道，从而减轻计算复杂性，从而在后续步骤中实现实时和更便捷的BCI，从而使计算复杂性和结合构成的步骤在随后的步骤中。
交叉主题EEG- ...
情感脑部计算机中解码的人类情绪相互交流，由于脑电图（EEG）信号的受试者间变化能力，遭受了重大挫折。现有的ap-praches通常需要收集每个新主题的大量脑电图数据，这些数据非常耗时，用户体验差。为了解决这个问题，我们将脑电图指定为每个主题的私人组件，并共享所有主题的情感组成部分。根据此表示的部分，我们提出了一种用于处理受试者间可变性的插件适应方法。在训练阶段，主题不变的情感表示和源主题的私人组成部分由共享的编码器和私人编码者分别捕获。此外，我们在共享分区和受试者的单个分类器上建立了一个情感分类，以结合这两个部分。在校准阶段，该模型仅需要来自传入目标对象的未标记的脑电图数据来对其私人组件进行建模。因此，除了共享的表演分类外，我们还有另一个管道来通过私人组合的相似性来利用源主题的知识。在测试阶段，我们将共享情绪分类器的预测与通过相似权重调制后的单个分类器的聚合物的预测。在种子数据集中进行的实验性调查表明，我们的模型在一分钟内的校准时间非常短，同时保持了识别精度，所有这些都使人们的情绪更具概括性和可行性。