XiaoMi-AI文件搜索系统
World File Search System脑机
一种数据驱动的脑机接口机器学习方法......
近年来，用于替代失去肢体的假肢设备的性能越来越好。软件和硬件方面的最新进展使得解码脑电图 (EEG) 信号成为可能，从而通过脑机接口 (BCI) 改善对有源假肢的控制。大多数 BCI 研究都集中在上半身。尽管近年来针对下肢的 BCI 研究有所增加，但我们对与下肢运动相关的神经模式的了解仍然存在差距。因此，本研究的主要目的是展示从 EEG 数据记录中解码下肢运动的可行性。第二个目标是调查截肢者众所周知的神经可塑性适应是否会影响解码性能。为了解决这个问题，我们收集了多名下肢截肢者和一个匹配的健全对照组的数据。利用这些数据，我们训练并评估了已被证明对上肢 BCI 有效的常见 BCI 方法。两组的平均测试解码准确率均为 84%，我们的结果表明，使用 EEG 数据可以准确区分不同的下肢运动。健康受试者和下肢截肢受试者对这些运动的解码性能没有显著差异（p = 0.99）。这些结果表明使用 BCI 进行下肢假肢控制的可行性，并表明解码性能不受两组之间神经可塑性引起的差异的影响。
隐私保护脑机接口
摘要 — 脑机接口 (BCI) 在人脑和计算机之间建立了直接的通信通路。它已广泛应用于医疗诊断、康复、教育、娱乐等。到目前为止，大多数研究都集中在如何使 BCI 更加准确和可靠，但对其隐私的关注却很少。开发商业 BCI 系统通常需要多个组织（例如医院、大学和/或公司）之间的密切合作。BCI 中的输入数据（例如脑电图 (EEG)）包含丰富的隐私信息，并且开发的机器学习模型通常是专有的。不同方之间的数据和模型传输可能会带来重大的隐私威胁，因此必须考虑 BCI 中的隐私保护。不幸的是，目前还没有任何关于隐私保护 BCI 的当代和全面的评论。本文通过描述 BCI 中潜在的隐私威胁和保护策略填补了这一空白。它还指出了开发隐私保护 BCI 的几个挑战和未来研究方向。
基于脑电图的脑机接口中的用户身份保护
摘要 —脑机接口 (BCI) 在大脑和外部设备之间建立了直接的通信通路。脑电图 (EEG) 因其便利性和低成本而成为 BCI 中最受欢迎的输入信号。大多数基于 EEG 的 BCI 研究都集中在 EEG 信号的准确解码上；然而，EEG 信号也包含丰富的隐私信息，例如用户身份、情绪等，这些信息应该受到保护。本文首先揭示了基于 EEG 的 BCI 中的一个严重的隐私问题，即 EEG 数据中的用户身份很容易被学习，因此来自同一用户的不同 EEG 数据会话可以关联在一起，以更可靠地挖掘隐私信息。为了解决这个问题，我们进一步提出了两种方法将原始 EEG 数据转换为身份不可学习的 EEG 数据，即删除用户身份信息，同时保持主要 BCI 任务的良好性能。在来自五种不同BCI范式的七个EEG数据集上的实验表明，平均而言，生成的不可学习身份的EEG数据可以将用户识别准确率从70.01％降低到最多21.36％，极大地促进了基于EEG的BCI中的用户隐私保护。
基于对抗性过滤的脑机接口逃避和后门攻击
脑机接口 (BCI) 可以实现大脑与外部设备之间的直接通信。脑电图 (EEG) 因其便利性和低成本而成为 BCI 的常见输入信号。大多数对基于 EEG 的 BCI 的研究都集中在 EEG 信号的准确解码上，而忽略了它们的安全性。最近的研究表明，BCI 中的机器学习模型容易受到对抗性攻击。本文提出了基于对抗性过滤的基于 EEG 的 BCI 的逃避和后门攻击，这些攻击非常容易实现。在来自不同 BCI 范式的三个数据集上的实验证明了我们提出的攻击方法的有效性。据我们所知，这是第一项关于基于 EEG 的 BCI 对抗性过滤的研究，这引发了新的安全问题并呼吁更多关注 BCI 的安全性。
GAO-25-106952；脑机接口
脑机接口 (BCI) 使人们能够引导大脑信号来控制计算机、机器人或其他设备。BCI 可以以紧身帽或头带的形式佩戴，也可以植入大脑内部或附近。1 BCI 可以为因神经系统疾病、中风或受伤而残疾的人提供生活质量改善。例如，在临床试验中，BCI 已使瘫痪患者能够使用机械肢体抓取物体。它们还使无法说话的人能够通过计算机进行交流。研究人员也在研究（公司也正在大力投资）使用 BCI 来控制非医疗用途的设备，例如工作场所任务、国防应用、娱乐和其他消费者用途。例如，视频游戏玩家已经使用 BCI 来免提玩游戏。
SUPER：利用生物反馈增强脑机接口增强人机防御协作——初步结果
本文介绍了实时系统用户性能增强 (SUPER) 项目的初步结果，该项目通过集成生物反馈的新型人机界面 (HCI) 探索远程自主系统 (RAS) 操作员的人类增强 (HA)。我们的方法旨在超越国防和安全行动中现有的性能基准，为 RAS 操作员开发人类数字孪生做出贡献。SUPER 的多模态生物反馈系统整合了来自大脑活动、听觉和眼球运动等生理信号的数据，通过机器学习提供对认知状态的高级理解。模拟危险环境医疗分诊场景作为实验刺激，采用受试者间设计，有 32 名参与者。他们在三种条件下执行远程分诊任务：没有实时生物反馈的对照组（n=12）、提供实时生物反馈的系统（n=12）和具有认知训练课程的系统（n=8）。这种场景使我们能够评估实时生物反馈和大脑训练对高需求 RAS 任务期间认知功能的影响。 SUPER 满足了国防部门管理高脑力负荷的需求，其创新的生物反馈系统旨在实时最大限度地提高操作员的表现，其潜在应用范围超出了国防领域。初步结果令人鼓舞，表明参与者的表现与他们的认知状态之间存在很强的相关性。
通过神经网络介导的特征提取增强四肢瘫痪参与者对脑机接口的控制
为了推断意图，脑机接口必须提取能够准确估计神经活动的特征。然而，信号质量随时间推移而下降，阻碍了使用特征工程技术恢复功能信息。通过使用植入三位人类参与者大脑皮层的电极阵列记录的神经数据，我们在此展示了卷积神经网络可用于将电信号映射到神经特征，方法是联合优化特征提取和解码，但所有电极必须使用相同的神经网络参数。在这三位参与者中，神经网络在所有指标的光标控制任务中都带来了离线和在线性能改进，优于宽带神经数据的阈值交叉率和小波分解（以及其他特征提取技术）。我们还表明，经过训练的神经网络无需修改即可用于新的数据集、大脑区域和参与者。
脑机接口的伦理问题 - ucf stars
STARS 引文 STARS 引文 Lynn, Devon J.，“脑机接口的伦理学”（2024 年）。优等生论文。17. https://stars.library.ucf.edu/hut2024/17
脑机接口相关工作与……
[1] S. Geirnaert 等人。（2021 年）。《基于脑电图的听觉注意力解码：面向神经引导听力设备》，IEEE 信号处理。Mag。38(4)，第 89-102 页。DOI：10.1109/MSP.2021.3075932 [2] An, WW 等人。（2021 年）。《从“EEG 耳机”解码音乐注意力：用户友好的听觉脑机接口》，2021 年 – ICASSP。第 985-988 页。DOI：10.1109/ICASSP39728.2021.9414492
EEG-Deformer：用于脑机接口的密集卷积变换器
摘要 — 有效学习脑电图 (EEG) 信号中的时间动态具有挑战性，但对于使用脑机接口 (BCI) 解码大脑活动至关重要。尽管 Transformers 因其长期顺序学习能力在 BCI 领域广受欢迎，但大多数将 Transformers 与卷积神经网络 (CNN) 相结合的方法都无法捕捉 EEG 信号从粗到细的时间动态。为了克服这一限制，我们引入了 EEG-Deformer，它将两个主要的新组件合并到 CNN-Transformer 中：(1) 分层粗到细 Transformer (HCT) 块，将细粒度时间学习 (FTL) 分支集成到 Transformers 中，有效辨别从粗到细的时间模式；(2) 密集信息净化 (DIP) 模块，利用多级、净化的时间信息来提高解码准确性。对三项代表性认知任务（认知注意力、驾驶疲劳和心理负荷检测）进行的全面实验一致证实了我们提出的 EEG-Deformer 的通用性，表明它的表现优于或与现有的最先进方法相当。可视化结果表明，EEG-Deformer 从神经生理学上有意义的大脑区域学习相应的认知任务。源代码可在 https://github.com/yi-ding-cs/EEG-Deformer 找到。