XiaoMi-AI文件搜索系统
World File Search System用脑
利用脑机接口探索认知
传统的脑机接口解码皮质运动命令来控制外部设备。这些命令是高级认知过程的产物，发生在大脑区域的网络中，整合感觉信息，规划即将进行的运动并监控正在进行的运动。我们回顾了最近在神经假体临床试验中在人类后顶叶皮质中发现的认知信号。这些信号与皮质的小区域相一致，这些小区域在运动控制和身体监控的认知方面发挥着多种作用，包括感觉运动整合、规划、轨迹表征、躯体感觉、动作语义、学习和决策。这些变量使用绑定相关感觉和运动变量的结构化表示在同一组细胞内进行编码，这种架构称为部分混合选择性。不同的认知信号为传统的运动命令提供互补信息，从而实现对外部设备的更自然、更直观的控制。
Biomodex 患者专用脑动脉瘤模型
摘要 背景 随着该领域先进技术的出现，使用血管内技术治疗神经血管疾病正在迅速发展。在这里，我们描述了使用 Biomodex EVIAS 患者特定 3D 打印模型进行术前模拟的经验，以规划使用血管内机器人和新型流量分流装置治疗动脉瘤。 方法 在第一次人体实验之前，使用 8 例脑动脉瘤患者的 3D 打印患者特定模型进行术前演练。为了评估实验模型的可靠性，比较了患者和 3D 模型之间动脉瘤的特征。演练用于确定患者治疗计划，包括技术、装置尺寸和手术工作投影。 结果 该研究包括八名患者及其各自的 EVIAS 3D 动脉瘤模型。对首次人体机器人辅助神经血管干预（n=2）和新一代流量分流支架（n=6）进行了术前模拟。动脉瘤位于前循环（n=5）和后循环（n=3），平均大小为 11.0±6.5 毫米。我们发现 3D 模型和患者解剖结构可靠地再现了动脉瘤特征，母血管解剖结构的尺寸相似。详细描述了从术前体外模拟中得到的信息，包括改进的患者治疗计划，这有助于成功完成世界上首例手术，且没有术中并发症。结论使用患者特定的 3D 模型进行术前演练可提供精确的手术计划，这可能会提高操作员的信心，减少辐射剂量并提高患者的安全性，尤其是在首次人体体验中。
使用脑机界面如何影响人类的代理意识
脑机界面（BMI）允许个人通过控制自己的大脑活动来控制外部装置，而无需身体或肌肉运动。执行自愿运动与这些动作及其成果的代理经验（“代理感”）有关。当人们自愿控制BMI时，他们也应该体验一种代理感。但是，与正常运动相比，使用BMI采取行动会出现几种差异。特别是，BMI缺乏感觉运动反馈，可提供较低的可控性，并且与认知疲劳的增加有关。在这里，我们探讨了这些不同因素如何影响两项研究中的代理意识，在这两项研究中，参与者通过通过脑电图在线解码的运动图像来控制机器人手。我们观察到，使用BMI时缺乏感觉运动信息似乎没有影响代理意识。我们进一步观察到，对BMI的控制较低会降低代理感。最后，我们观察到，越好的参与者控制了BMI，通过身体所有权和代理分数来衡量，机器人手的拨款越大。根据BMI技术对使用假肢的患者的重要性，讨论了基于对代理意识的存在理论讨论结果。
使用脑机接口恢复中风后上肢功能
摘要 众所周知，中风后上肢偏瘫对治疗的抵抗力很强。然而，大脑仍然保留着神经可塑性，通过利用这种特性来响应外界刺激，大脑中可以形成补偿回路，从而实现功能恢复。脑机接口（BMI）实时检测作为治疗目标的体感运动皮层的兴奋性，只有确认兴奋性增加并符合患者的运动意图时，才为瘫痪的手提供运动辅助。持续使用 BMI 会诱导患者大脑的强化学习和时间依赖性可塑性，逐渐形成补偿区域。经过日本国内外各研究团体的长期研究，其临床有效性已通过多项随机对照试验和荟萃分析得到证明。应用BMI技术的医疗设备在日本国内和海外均有销售，并且作为临床治疗工具得到认可。
MindSculpt：利用脑机接口帮助设计师
MindSculpt 使用户能够通过思考实时生成 Grasshopper 中的各种混合几何图形。此设计工具将脑机接口 (BCI) 与参数化设计平台 Grasshopper 相结合，创建了一种直观的设计工作流程，与基于鼠标和键盘范式的传统计算机辅助设计工具相比，它缩短了构思和实施之间的延迟。该项目源于神经科学和建筑学之间的跨学科研究，目标是构建一种能够在设计过程中利用复杂且流动的思维特性的网络人类协作工具。MindSculpt 采用基于支持向量机模型 (SVM) 的监督机器学习方法来识别当参与者在脑海中旋转四种不同的立体几何图形时，EEG 数据中出现的脑电波模式。研究人员对没有设计经验的参与者测试了 MindSculpt，发现该工具使用起来很有趣，可以促进设计构思和艺术创作。
使用脑器官理解急性和长卷的神经系统含义
早在2019年冠状病毒病的急性阶段（Covid-19）大流行时，研究界就对感染的长期影响表示担忧。与许多其他病毒一样，严重的急性呼吸综合症冠状病毒2（SARS-COV-2）可能会触发过去几个月甚至几年的慢性疾病。长期持续的慢性和持续性疾病持续超过12周，持续了SARS-COV-2，涉及可变数量的神经表现形式，范围从轻度到严重到重度甚至致命。体外和体内建模表明，SARS-COV-2感染会导致神经元，神经胶质和脑脉管系统的变化。在这篇综述中，我们总结了对急性和长期共同病理学神经病理学的当前理解，并特别强调了脑形类器官模型所获得的知识。我们强调了脑器官的优势和主要局限性，利用了其人类衍生的起源，它们在细胞和组织结构与人体组织的相似性以及它们破译长期相互证明的病理生理学的潜力。
Predify：使用脑机接口增强深度神经网络......
深度神经网络擅长图像分类，但其性能对输入扰动的鲁棒性远不如人类感知。在这项工作中，我们探索是否可以通过在深度卷积网络中结合大脑启发的循环动力学来部分解决这一缺点。我们从神经科学中流行的框架“预测编码”中汲取灵感。在分层模型的每一层，生成反馈“预测”（即重建）前一层的活动模式。重建误差用于在时间步长上迭代更新网络的表示，并优化网络在自然图像数据集上的反馈权重——一种无监督训练的形式。我们表明，在两个流行的网络 VGG16 和 EfficientNetB0 中实施此策略可以提高它们对各种破坏和对抗攻击的鲁棒性。我们假设其他前馈网络也可以从所提出的框架中受益。为了促进这方面的研究，我们提供了一个基于 PyTorch 的开源包 Predify，可用于实现和研究任何卷积神经网络中预测编码动态的影响。
利用脑电信号进行脑控机械臂系统
摘要 - 借助脑电图驱动的机械臂，意念控制假肢的梦想正在成为现实。这些非凡的设备将思维语言转化为身体动作。想象一下戴上舒适的脑电图耳机，它可以检测到运动过程中大脑产生的微妙脑电波。你的想法就像一个秘密代码，头带会拾取这些信号，并通过软件界面进行处理，然后传送到微控制器。这个界面会对大脑活动进行分类，以找到你的命令，这些命令通过充当机械臂大脑的微型电极发送到计算机。这会将你的想法转化为手臂电机的指令，电机根据收到的脑电图命令执行运动。考虑到预算和机械部件的可用性，机械臂应尽可能接近自然手臂的动作。但最终目标仍然很明确：创造一个感觉像额外肢体一样自然且易于使用的机械臂。关键词 - 机械臂、Raspberry Pi、机器学习、脑电图传感器
使用脑电信号和卷积神经网络自动分类睡眠阶段
睡眠阶段分类是研究人类生活质量的新课题之一，因为它在养成健康的生活方式方面起着至关重要的作用。睡眠异常变化或缺乏正常睡眠可能导致不同的疾病，如心脏相关疾病、糖尿病和肥胖症。一般来说，睡眠分期分析可以使用脑电图 (EEG) 信号进行。本研究提出了一种基于卷积神经网络 (CNN) 的睡眠阶段分类方法，使用六个通道采集的 EEG 信号将其转换为时频分析图像。所提出的方法包括三个主要步骤：(i) 将 EEG 信号分割成 30 秒长的时期，(ii) 使用时频分析将时期转换为 2D 表示，以及 (iii) 将 2D 时频分析输入到 2D CNN。结果表明，所提出的方法是稳健的，对通道 C4-A1 实现了 99.39% 的非常高的准确率。所有其他通道的准确率均超过 98.5%，这表明任何通道都可用于高精度的睡眠阶段分类。所提出的方法在总体准确率或单通道准确率方面优于文献中的方法。它有望为医生，尤其是神经科医生带来巨大益处；为他们提供一种新的强大工具来支持睡眠相关疾病的临床诊断。
利用脑电信号识别座舱内飞行员心理负荷
摘要：商用飞机驾驶舱是一个自然的多任务工作环境，其中经常以各种形式出现中断，在许多情况下导致航空事故报告。自动表征飞行员的工作负荷对于防止此类事故至关重要。此外，尽可能最小化生理传感器网络仍然是一项挑战和要求。脑电图 (EEG) 信号与特定的认知和心理状态（例如工作负荷）显示出高度相关性。但是，文献中没有足够的证据来验证模型在新的受试者执行与模型训练期间的工作负荷相似的任务的情况下的泛化能力。在本文中，我们提出了一个卷积神经网络，用于在连续性能任务测试中对不同心理负荷的 EEG 特征进行分类，该测试部分测量工作记忆和工作记忆容量。我们的模型在一般人群层面有效，并且能够将任务学习转移到模拟作战环境中的飞行员心理工作量识别。