XiaoMi-AI文件搜索系统
World File Search System离线分析
涉及感觉运动控制的多任务处理过程中的错误相关电位：脑机接口的 ERP 和离线解码研究
人类通过感知和应对错误来实现高效的行为。错误相关电位 (ErrP) 是在感知错误时发生的电生理反应。有人提出利用 ErrP 来提高脑机接口 (BCI) 的准确性，利用大脑的自然错误检测过程来提高系统性能。然而，外部和环境因素对 ErrP 可检测性的影响仍然不太清楚，特别是在涉及 BCI 操作和感觉运动控制的多任务场景中。在此，我们假设感觉运动控制的困难会导致多任务处理中的神经资源分散，从而导致 ErrP 特征的减少。为了检验这一点，我们进行了一项实验，其中指示参与者将球保持在板上的指定区域内，同时尝试通过运动想象控制显示屏上的光标。BCI 以 30% 的随机概率提供错误反馈。根据感觉运动控制的难度，我们采用了三种场景——无球（单任务）、轻量球（简单任务）和重量球（困难任务）——来描述 ErrP。此外，为了研究多任务对 ErrP-BCI 性能的影响，我们离线分析了单次试验分类准确度。与我们的假设相反，改变感觉运动控制的难度不会导致 ErrP 特征发生显著变化。然而，多任务会显著影响 ErrP 分类准确度。事后分析显示，在单任务 ErrP 上训练的分类器在困难任务场景下准确度降低。据我们所知，这项研究是首次在离线框架内研究在涉及感觉运动控制和 BCI 操作的多任务环境中 ErrP 是如何被调节的。尽管 ErrP 特征保持不变，但观察到的准确度变化表明，在实现基于 ErrP 的实时 BCI 之前，需要设计考虑任务负荷的分类器。
使用皮质摄影的执行功能的术中映射，用于低级神经胶质瘤的患者
抽象背景术中功能映射近年来，在清醒手术期间，均具有直接电刺激，近年来使用弥漫性低级神经胶质瘤的患者来优化手术切除和手术后生活质量之间的平衡。执行功能的映射由于其复杂的性质而尤其具有挑战性，到目前为止仅发布了少数报告。在这里，我们建议使用电皮质学直接从大脑表面记录神经活动，以绘制执行功能并证明其可行性和潜在效用。追踪执行功能的神经特征的方法，我们在清醒手术中使用电视学的神经活动记录了三名被认为出现弥漫性低级神经胶质瘤的患者的额叶皮层。基于健康参与者的现有功能磁共振成像（fMRI）证据，以招募与任务需求增加的执行功能相关的领域，我们在术中执行的两个计数任务中采用了任务难度操纵。手术后，将数据提取并离线分析，以确定宽带高γ功率的增加，而任务难度增加，等同于fMRI发现，这是与执行功能有关的活动的签名。结果所有三名患者都很好地执行了任务。数据是从5条电极条中记录的，从而导致总体上15个通道的数据。高伽马功率随着任务难度的增加而增加，在规范额叶网络模板内的区域中，更有可能。在15个通道中有11个（73.3％）显示出高γ功率的显着增加，任务难度增加，26.6％的渠道（4/15）没有显示功率的变化，并且没有任何渠道显示功率下降。结论这些结果是开发电皮质学的第一步，作为绘制执行功能的工具，以互补的方式指导电刺激以指导切除。需要进一步的研究来建立这种临床使用方法。
从完整校准到代码调制的视觉诱发电位的零培训 - 脑电脑接口Thielen，J。； Marsman，J.P。； Farquhar，J
抽象目标。通常，由于单个特质和脑电图的非平稳信号属性（EEG），使用用户和会话特异性数据对脑委员会接口（BCI）进行校准。因此，BCIS经历耗时的被动训练阶段是正常的，以防止用户直接操作它们。在这项研究中，我们以逐步的方式系统地减少训练数据集，以最终达到一种无校准的方法，用于代码调制的视觉诱发电位（CVEP）基于BCI，以完全消除繁琐的训练阶段。方法。在广泛的离线分析中，我们将复杂的编码模型与传统的事件相关电位（ERP）技术进行了比较。我们以标准方式校准编码模型，数据仅限于单个类，同时概括所有其他数据，而没有任何数据。此外，我们研究了在线环境中零培训CVEP BCI的可行性。主要结果。通过采用编码模型，可以大大减少培训数据，同时保持分类性能以及ERP方法的解释差异。只有一个类别的数据，甚至根本没有数据，它仍然显示出出色的性能。此外，零训练CVEP BCI在在线拼写任务中达到了高通信率，证明了其可行性用于实际使用。意义。这使我们能够完全跳过训练阶段，并将所有宝贵的时间用于直接操作。迄今为止，这是该场中最快的零训练CVEP BCI，仅使用几个非侵入性水基EEG电极而无需校准而无需校准。这可以最大程度地减少会话时间，并为实用的插件BCI打开了新的令人兴奋的方向。从根本上讲，这些结果验证了所采用的神经编码模型将数据压缩到事件响应中，而没有解释能力的损失与使用完整的ERP作为模板相比。
基于情绪效价检测的儿科近红外光谱脑机接口
脑机接口 (BCI) 正被研究作为肢体残疾人士进行交流的一种途径，因为该技术省去了自主运动控制的需要。然而，到目前为止，很少有研究调查 BCI 对儿童的使用。传统的 BCI 通信范式可能不是最理想的，因为肢体残疾儿童可能会面临认知发展和读写能力习得的延迟。相反，在本研究中，我们探索了情绪状态作为交流的另一种途径。我们开发了一种儿科 BCI，通过前额叶皮质 (PFC) 血流动力学活动的变化来识别积极和消极的情绪状态。为了训练和测试 BCI，10 名 8-14 岁的神经正常儿童在四次实验中（一次离线，三次在线）接受了一系列情绪诱导试验，同时用功能性近红外光谱 (fNIRS) 测量他们的大脑活动。视觉神经反馈用于帮助参与者调节他们的情绪状态并调节他们的血流动力学活动以响应情感刺激。针对儿童的线性判别分类器根据以前会话中累积的可用数据进行训练，并在每个会话期间进行自适应更新。在最后两个在线会话中，参与者的平均在线效价分类超过了偶然性（在第 3 和第 4 会话中，10 名参与者中分别有 7 名和 8 名的表现优于偶然性）。在线 BCI 性能与年龄之间存在微小的显着正相关性，这表明年龄较大的参与者在调节情绪状态和/或大脑活动方面更为成功。在 BCI 性能、血流动力学反应以及鉴别特征和通道方面，参与者之间存在差异。回顾性离线分析产生的准确度与使用 fNIRS 的成人情感 BCI 研究报告的准确度相当。情感 fNIRS-BCI 似乎适用于学龄儿童，但为了进一步评估这种类型的 BCI 的实际潜力，需要进行更多的训练课程、更大的样本量和残疾最终用户的复制。
脉冲神经网络到神经形态硬件的运行时映射
摘要 神经形态架构实现生物神经元和突触，以使用脉冲神经元和生物启发学习算法来执行机器学习算法。这些架构节能，因此适用于资源和功率受限的环境中的认知信息处理，物联网 (IoT) 的传感器和边缘节点在这些环境中运行。为了将脉冲神经网络 (SNN) 映射到神经形态架构，先前的研究提出了基于设计时的解决方案，其中首先使用代表性数据离线分析 SNN，然后将其映射到硬件以优化一些目标函数，例如最小化脉冲通信或最大化资源利用率。在许多新兴应用中，机器学习模型可能会根据使用某些在线学习规则的输入而改变。在在线学习中，根据输入激励，在运行时可能会形成新连接或现有连接可能会消失。因此，可能需要将已映射的 SNN 重新映射到神经形态硬件以确保最佳性能。不幸的是，由于计算时间较长，基于设计时的方法不适合在每次学习周期后在运行时重新映射机器学习模型。在本文中，我们提出了一种设计方法，用于在运行时将基于在线学习 SNN 的应用程序的神经元和突触划分并映射到神经形态架构。我们的设计方法分为两个步骤 - 步骤 1 是一种逐层贪婪方法，将 SNN 划分为包含神经形态架构约束的神经元和突触簇；步骤 2 是一种爬山优化算法，可最大限度地减少簇之间传递的总尖峰，从而改善架构共享互连的能耗。我们进行实验，使用合成和真实的基于 SNN 的应用程序来评估我们算法的可行性。我们证明，与最先进的基于设计时的 SNN 划分方法相比，我们的算法将 SNN 映射时间平均缩短了 780 倍，而解决方案质量仅降低了 6.25%。
众包神经科学
当我们在社交行为中感到联系或参与时，我们的大脑是否真的在正式、可量化的意义上“同步”？大多数研究都使用高度控制的任务和同质的受试者池来解决这个问题。为了采取更自然的方法，我们与艺术机构合作，众包神经科学数据：在 5 年的时间里，我们从数千名博物馆和节日游客那里收集了脑电图 (EEG) 数据，他们自愿参与 10 分钟的面对面互动。熟悉程度不同的两对参与者坐在互波机内——这是一种艺术神经反馈装置，可将每对 EEG 活动的实时相关性转化为光图案。由于此类参与者之间的 EEG 相关性容易受到噪声污染，在随后的离线分析中，我们使用虚部相干性和投射功率相关性计算了大脑间耦合，这两个同步指标在很大程度上不受瞬时噪声驱动相关性的影响。当将这些方法应用于具有最一致协议的两个记录数据子集时，我们发现配对的特质同理心、社交亲密度、参与度和社交行为（联合行动和眼神接触）一致地预测了他们的大脑活动同步的程度，最显著的是低 alpha（~7-10 Hz）和 beta（~20-22 Hz）振荡。这些发现支持这样一种观点，即在动态、自然的社交互动过程中，共同参与和联合行动会驱动耦合的神经活动和行为。据我们所知，这项工作首次证明了跨学科、现实世界、众包神经科学方法可能提供一种有前途的方法来收集与现实生活中面对面互动有关的大量丰富数据集。此外，它还展示了普通公众如何参与和参与实验室外的科学过程。博物馆、美术馆等机构或公众出于自我激励而积极参与的任何其他组织都可以帮助促进此类公民科学研究，并支持在科学控制的实验条件下收集大量数据集。为了进一步提高公众对实验室外实验方法的兴趣，本研究的数据和结果通过一个专门为公众量身定制的网站传播（wp.nyu.edu/mutualwavemachine）。
迈向移动和可穿戴脑机接口
简介：脑机接口 (BCI) 尚未被主流采用作为控制范例，因为大多数 BCI 系统都很笨重、难以设置，并且在移动环境中通常表现不够好，无法取代现有的输入模式。然而，BCI 可能有望成为多模式系统的一部分，当用户的手不空闲和/或无法发出语音命令时，该系统可以增强交互，这通常是高度移动应用领域的要求。随着电极功能的最新进展以及移动设备和头戴式显示器处理能力的提高，现在可以在移动设备上实时获取、发送和处理 EEG 信号。这些改进使得构建可穿戴移动 BCI 成为可能，它可以为主流用户和残疾人提供替代的交互方法。本摘要描述了我们正在进行的设计和评估可穿戴移动 BCI 组件的工作中的两项试点研究。材料、方法和结果：在我们的第一项研究中，我们的目标是设计一个 BCI 来检测所有可穿戴组件的 SSVEP。谷歌眼镜 [2] 用于同时向参与者呈现两个闪烁的视觉刺激，频率为 13 Hz 和 17 Hz。我们的 EEG 放大器是一块 OpenBCI 板，我们使用定制的 3D 打印夹子将其夹在参与者的腰带上。我们使用三个电极：枕骨（Oz）作为信号、乳突作为接地、耳垂作为参考，来检测 SSVEP 信号。我们记录了 EEG 数据以供离线分析。在 10 个疗程中，使用图 1 所示的装置，我们可以检测到参与者正在关注两个刺激中的哪一个，对于 13 Hz 的准确率为 76%-84%，对于 17 Hz 的准确率为 67%-72%，对于 1 秒长滑动窗口 SSVEP 的 PSD 振幅谱作为特征，使用对每个刺激单独训练的 10 倍交叉验证 RF 分类器。我们将实验扩展到步行-秒表刺激场景，发现单个刺激 1 秒长滑动窗口 SSVEP 的准确率为 93%。我们第二项研究的目的是确定是否可以用易于制作的定制入耳电极替换头皮电极，该电极改编自 Looney [1] 讨论的耳电极设计。我们使用 eFit s 扫描仪创建了参与者左耳的模型。然后，我们 3D 打印了一个耳机，并放置了 3 个预凝胶的 Ag/AgCl 接地板电极，并用银箔覆盖，使它们接触外耳的耳道壁。将用于比较的入耳电极和 Oz 连接到可穿戴 OpenBCI 系统和距离用户 6 厘米的闪烁的 13Hz LED。如图 2 所示，枕骨区域的峰值 SSVEP 幅度高于耳道，但 SNR 也增加了，因此使用可穿戴 BCI 从耳朵和头皮的检测准确率可达到 80-90%。
使用压缩感应
Alex Robinson 1，Jack Wells 1,2，Daniel Nicholls 1，Giuseppe Nicotra 3，Nigel Browning，Nigel Browning 1,4 1 Senseai Innovations Ltd.，英国利物浦，2分布式算法算法，博士培训中心，英国利物浦，英国3 Cnr-immmmmmmmmm，liver-immmmm，liver-imm，liver-imm，liver-imm，italy italy，4扫描透射电子显微镜（Stem）可以捕获与材料的结构和化学性质相对应的多种信号。这些方法的示例包括明亮/暗场成像，能量分散X射线光谱（EDS）或电子能量损失光谱（EELS）[1]。由于其对低质量元素的敏感性以及确定其氧化态，化学键合和空间分布的能力，因此特别感兴趣。由于信号较低，梁的能量扩散以及检测器的灵敏度，鳗鱼光谱挑战很大。此外，由于采集速度，样本的稳定性被妥协，这是信号限制和相机读出速度的组合。克服这些局限性的一种解决方案是使用探针子采样，仅获取相对于典型扫描网格的探针位置的子集。这已显示出适用于各种茎技术，例如2-D成像，EDX和4-D茎[2,3]。我们的目标是将这些相同的策略应用于鳗鱼的获取，以提高速度，同时维持材料的结构和化学分析。将聚焦的电子探针对齐，并将扫描线圈连接到扫描发生器，以允许定制的扫描模式。此过程如图然后将电子探针定位在子采样的探针位置，并获得了鳗鱼光谱。对于实时成像，可以使用Beta过程因子分析（BPFA）算法[4]的GPU实现来覆盖能量损失的子集[4]，以使探针更加比对。对于离线分析，数据被重塑以形成一个3-D数据集，其中第一个两个维度对应于探针位置，最终维度是特定的能量损失。然后，使用3D补丁的BPFA对此数据进行覆盖。1。为了测试这种方法，我们使用碳脸上生长的石墨烯的硅卡宾枪样品模拟了一个亚采样的鳗鱼实验[5]。数据集包含17x104探针位置，扫描步骤为0.13nm，相机上的能量宽度为0.25EV（2048通道）。仅使用原始数据的25％测试数据集。结果（图1中给出）表明，可以恢复数据，以实现与原始，全采样数据集的功能相同的结果。这项工作表明，通过对采样网格的测量，可以实现原子分辨率鳗鱼。通过采用这些方法，干eels可以更快，较低的剂量，并且重要的是
闭环实时深度网络推理平台……
† 同等贡献。*1760 Haygood Dr NE，亚特兰大，佐治亚州，美国。电子邮件：chethan [at] gatech.edu。简介：闭环实验是脑机接口 (BCI) 研究的关键组成部分。人工神经网络 (ANN) 是用于建模和解码神经活动的最先进的工具，但将其部署到闭环实验中却具有挑战性。研究人员需要一个框架，该框架既支持用于运行 ANN 的高级编程语言（例如 Python 和 Julia），又支持对低延迟数据采集和处理至关重要的语言（例如 C 和 C++）。为了满足这些需求，我们推出了 BRAND 实时异步神经解码系统 (BRAND)。材料、方法和结果：BRAND 可以在几乎任何标准 Linux 计算机上运行，并且由称为节点的进程组成，它们通过图中的数据流相互通信。BRAND 支持微秒精度的可靠实时执行，使其成为闭环神经科学和神经工程应用的理想平台。 BRAND 使用 Redis [1] 在节点之间发送数据，从而实现快速的进程间通信 (IPC)、对 54 种编程语言的支持以及跨多台计算机的分布式处理。开发人员只需进行极少的实施更改，即可在 BRAND 中无缝部署现有的 ANN 模型。在初步测试中，BRAND 在发送大量数据（1024 个通道的 30 kHz 模拟神经数据，以 1 毫秒的块为单位）时实现了快速的 IPC 延迟（<500 微秒）。BCI 控制通过一个图表进行测试，该图表通过以太网接收 30 kHz 微电极阵列电压记录，过滤和阈值化输入以获取尖峰，将尖峰分成 10 毫秒的箱体，应用解码模型，并更新光标在显示屏上的位置。在系统的初步演示中，BrainGate2 临床试验 (NCT00912041) 的参与者 T11 在径向 8 中心向外光标控制任务中实现了 2.84 ± 0.83 秒（53 次试验）的目标获取时间，其中 30 kHz 信号处理、线性解码、任务控制和图形均在 BRAND 中执行。未来的实验将结合 ANN；为了对 ANN 延迟进行基准测试，我们运行了基于 PyTorch 的循环神经网络解码器（10 个隐藏单元、30 个箱输入序列）并测量了延迟（N = 30,000 个数据包）。对于此配置，从信号输入到解码器预测的端到端延迟始终小于 2 毫秒（图 1）。我们还验证了 BRAND 可以实时运行两种流行的神经群体动态模型——通过动态系统进行潜在因子分析 (LFADS) [2] 和神经数据转换器 (NDT) [3]，使用其原始的 Tensorflow 和 PyTorch 实现，每 10 毫秒箱（256 通道数据）的延迟低于 6 毫秒。讨论：BRAND 支持低延迟 ANN 推理，同时提供与闭环 BCI 研究所需的数据采集、信号处理和任务代码的无缝集成。意义：BRAND 凭借其模块化设计和广泛的语言支持，简化了将计算模型从离线分析转换为闭环实验的过程，利用 ANN 的强大功能来改善多种环境下的 BCI 控制。致谢：这项工作得到了埃默里神经调节和技术创新中心 (ENTICe)、NSF NCS 1835364、DARPA PA-18-02-04-INI-FP-021、NIH Eunice Kennedy Shriver NICHD K12HD073945、NIH-NINDS/OD DP2NS127291、阿尔弗雷德 P.斯隆基金会、Burroughs Wellcome 基金会、作为西蒙斯-埃默里国际运动控制 (CP) 联盟一部分的西蒙斯基金会、NIH NINDS NS053603、NS074044 (LEM)、NIH NIBIB T32EB025816 (YHA)、NIH-NIDCD U01DC017844 和退伍军人事务部康复研究与发展服务 A2295R (LRH) 的支持。参考文献：[1] Redis https://redis.io/ 。[2] Pandarinath 等人，2018 年，Nat Methods doi：10.1038/s41592-018-0109-9。[3] Ye 和 Pandarinath，2021 年，神经元行为数据分析理论 doi：10.1101/2021.01.16。42695。