XiaoMi-AI文件搜索系统
World File Search System脑电帽
跨受试者脑电情绪分类的迁移判别词典对学习方法
脑电信号具有不易伪装、可携带、无侵入等特点，在情绪识别中被广泛应用。然而由于个体差异的存在，不同受试者的同一种情绪状态下的脑电信号数据分布会存在一定的差异。传统的情绪识别方法为了得到对新受试者分类效果良好的模型，需要收集大量新受试者的标记数据，但这往往不现实。本研究针对跨受试者脑电情绪分类提出了一种迁移判别字典对学习（TDDPL）方法。TDDPL方法将不同受试者的数据投影到领域不变子空间中，基于最大均值差异（MMD）策略构建迁移字典对学习。在子空间中，TDDPL学习共享的综合字典和分析字典，搭建从源域（SD）到目标域（TD）的判别知识桥梁。通过最小化每个子字典的重构误差和类间分离项，学习到的合成字典具有判别性，而学习到的低秩编码具有稀疏性。最后，在 TD 中，基于分类器参数、分析字典和投影矩阵构建判别分类器，而无需计算编码系数。在 SEED 和 SEED IV 数据集上验证了 TDDPL 方法的有效性。
静息态脑网络与胃基础电节律的锁相
胃体中的 Cajal 肌间质细胞网络充当着胃的“起搏器”，持续产生约 0.05 Hz 的电慢波，主要通过迷走神经传入神经传递到大脑。最近的一项研究将静息态功能磁共振成像 (rsfMRI) 与同步表面胃电图 (EGG) 相结合，将皮肤电极放置在上腹部，发现 12 个大脑区域的活动与胃基础电节律明显相位锁定。因此，我们探究使用空间独立成分分析 (ICA) 方法估计的大脑静息态网络 (RSN) 的波动是否可能与胃同步。在本研究中，为了确定任何 RSN 是否与胃节律相位锁定，对一名参与者进行了 22 次扫描；在每个会话中，获取两次 15 分钟的 EGG 和 rsfMRI 数据。三个会话的 EGG 数据具有微弱的胃信号而被排除；其余 19 个会话总共产生了 9.5 小时的数据。使用组 ICA 分析 rsfMRI 数据；估计 RSN 时间进程；对于每次运行，计算每个 RSN 和胃信号之间的锁相值 (PLV)。为了评估统计意义，所有“不匹配”数据对（在不同日期获取的 EGG 和 rsfMRI 数据）的 PLV 被用作替代数据来生成每个 RSN 的零分布。在总共 18 个 RSN 中，发现三个与基础胃节律显著锁相，即小脑网络、背部体感运动网络和默认模式网络。肠脑轴负责维持中枢神经系统与内脏之间的内感受反馈，其紊乱被认为与多种疾病有关；脑部 rsfMRI 数据中胃部亚慢节律的表现可能对临床人群研究有用。
基于脑电信号的特征选择模型用于评估驾驶员的认知负荷
摘要：近年来，研究的重点是生成机制来评估受试者在执行各种需要高度集中注意力的活动（例如驾驶车辆）时的认知工作量水平。这些机制已经实现了多种分析认知工作量的工具，而脑电图 (EEG) 信号由于其高精度而最常使用。然而，实现 EEG 信号的主要挑战之一是找到适合识别认知状态的信息。在这里，我们提出了一种基于机器学习技术的使用 EEG 信号信息进行模式识别的新特征选择模型，称为 GALoRIS。GALoRIS 结合遗传算法和逻辑回归来创建一个新的适应度函数，该函数识别和选择有助于识别高和低认知工作量的关键 EEG 特征，并构建一个能够优化模型预测过程的新数据集。我们发现，GALoRIS 使用从多个 EEG 信号中提取的信息来识别与受试者驾驶车辆时的高和低认知工作负荷相关的数据，将原始数据集减少了 50% 以上，并最大限度地提高了模型的预测能力，实现了 90% 以上的准确率。
基于脑电信号的BCI虚拟康复及远程辅助设备技术综述
摘要：虚拟现实已广泛应用于娱乐、通信和医疗保健等各个行业。在医疗行业，结合脑机接口 (BCI)，虚拟现实可以产生康复措施，可能有助于实现远程康复或远程康复等新策略。BCI 的设计和开发集成了不同的过程，包括生物信号采集和处理、特征提取和选择、信号分类以及将该技术应用于接受康复治疗的患者。本文对侧重于 BCI 实施和基于虚拟现实实施的远程康复辅助技术的论文进行了文献综述。这篇综合评论的目的是找出那些利用虚拟现实与生物医学技术相结合来改善各种康复过程表现的研究。各种重新审视的研究为远程康复提供了一个完整的系统。这些发现可以导致将这些模型应用于各种康复任务。
一种稳态视觉诱发电位脑电信号的个性化压缩方法
摘要：稳态视觉诱发电位（SSVEP）作为一种信息丰富的脑电信号，在无线可穿戴设备中脱颖而出。然而，其数据通常非常庞大，占用过多的带宽源，并且在以原始数据形式传输时需要巨大的功耗，因此需要对其进行压缩。本文提出了一种针对SSVEP应用的个性化脑电信号压缩与重构算法。在该算法中，为了实现个性化，首先使用面向BCI应用的开放基准数据库（BETA）对初级人工神经网络（ANN）模型进行预训练。然后，通过增量学习为每个受试者生成自适应ANN模型来压缩他们的个人数据。此外，提出了一种个性化的非均匀量化方法来减少压缩引起的误差。在BETA上进行测试，当压缩率为12.7倍时，识别准确率仅下降3.79％。与不使用ANN、不使用均匀量化的情况相比，所提算法在准确度测试中可使信号损失从50.43%减少到81.08%。
长期肢体固定调节与抑制相关的脑电生理活动
长期固定对运动系统的影响已被描述为在运动准备、想象或执行期间，当必须进行运动时。但是，当必须抑制运动时会发生什么？长期肢体固定会调节运动抑制背后的生理反应吗？在健康参与者执行 Go/Nogo 任务时记录了事件相关电位 (ERP)，双手可以自由反应（T1/T4：固定前/后）或左手运动被石膏固定阻止时（T2：石膏固定后立即；T3：固定一周后）。在右侧（对照）侧，无论时间点如何，N140、N2 和 P3 成分在 Nogo 试验中显示出比在 Go 试验中更大的预期振幅。相反，在左侧（操纵侧），对 Nogo 试验的 ERP 反应的每个组成部分在不同时间点都表现出特定的差异，这表明抑制相关的 EEG 活动由于石膏的存在和固定时间的延长而显著降低。此外，在固定后阻断阶段（T3 阻断），对 Nogo 刺激的抑制相关 θ 波段活动降低。总之，这些发现可以解释为固定引起的可塑性变化的结果，石膏相关的皮质脊髓兴奋性调节（通过使用 TMS 研究）和对 Go 和 Nogo 试验的 β 波段降低也证明了这一点。因此，只有我们可以自由活动，抑制反应才会完全实现。固定一周后，阻断运动所需的抑制量较低，因此抑制相关反应也会降低。
专题前言：脑科学的物理电子学...
DOI: 10.7498/aps.71.140101 类脑计算技术作为一种脑启发的新型计算技术 , 具有存算一体、事件驱动、模拟并行等特征 , 为 智能化时代开发高效的计算硬件提供了技术参考 , 有望解决当前人工智能硬件在能耗和算力方面的 “ 不可持续发展 ” 问题 . 硬件模拟神经元和突触功能是发展类脑计算技术的核心 , 而支持这一切实现 的基础是器件以及器件中的物理电子学 . 根据类脑单元实现的物理基础 , 当前类脑芯片主要可以分 为数字 CMOS 型、数模混合 CMOS 型以及新原理器件型三大类 . IBM 的 TrueNorth 、 Intel 的 Loihi 、清华大学的 Tianjic 以及浙江大学的 Darwin 等都是数字 CMOS 型类脑芯片的典型代表 , 旨 在以逻辑门电路仿真实现生物单元的行为 . 数模混合型的基本思想是利用亚阈值模拟电路模拟生物 神经单元的特性 , 最早由 Carver Mead 提出 , 其成功案例有苏黎世的 ROLLs 、斯坦福的 Neurogrid 等 . 以上两种类型的类脑芯片虽然实现方式上有所不同 , 但共同之处在于都是利用了硅基晶体管的 物理特性 . 此外 , 以忆阻器为代表的新原理器件为构建非硅基类脑芯片提供了新的物理基础 . 它们 在工作过程中引入了离子动力学特性 , 从结构和工作机制上与生物单元都具有很高的相似性 , 近年 来受到国内外产业界和学术界的广泛关注 . 鉴于硅基工艺比较成熟 , 当前硅基物理特性是类脑芯片 实现的主要基础 . 忆阻器等新原理器件的类脑计算技术尚处于前沿探索和开拓阶段 , 还需要更成熟 的制备技术、更完善的系统框架和电路设计以及更高效的算法等 .
黑帽人工智能轨道提交：观察和反馈
2023 年 10 月 4 日 回顾过去几年黑帽大会 AI、ML 和数据科学领域的投稿，我想花点时间记录一些观察结果，并在我的想法还很新鲜的时候分享一些一般性的反馈。我希望这些信息能让人们更好地准备提交，并帮助他们充分利用时间，获得最高的成功率。由于提交不佳，精彩的演讲总是有可能被忽略。这篇文章旨在帮助人们走上正确的道路。我也希望这篇文章能让人们更有信心提交，即使他们是黑帽或 AI 主题的新手。通过提交出色的提案，让我们的工作更加困难。注意：我并不是要求人们提供 50 页的 CFP 回复（这也不会有帮助）。我希望人们利用可用空间来涵盖他们提交的最重要方面，使他们的内容更有价值。为什么是现在？尽管我们已经有这个轨道几年了，但许多提交的作品都是由具有一些学术背景的该领域从业者创作的，但今年的情况有所不同。随着以大型语言模型 (LLM) 为中心的 AI 被大肆炒作，提交的作品大量涌入，包括新演讲者和刚接触该主题的人提交的作品。这是很好的看到。然而，许多提交的作品都掉进了一些陷阱。在这篇文章中，我将通过提出我的一些观察并提供一些一般反馈来强调这些陷阱，以帮助人们在未来避免这些陷阱。主要 AI 轨道观察：许多演讲选择 AI 作为主要轨道，但它们更适合其他轨道。此外，许多演讲都提到了“AI”，但内容与 AI 关系不大。您可以在此处找到 AI 轨道的轨道描述。当提交者没有阅读描述时，总是很明显的。我认为有很多假设。由于 Black Hat 是安全会议而非人工智能会议，因此其内容和描述必须有点宽泛，因此可能会造成混淆。
美好时光是电
Elektrode 16旨在容纳3至8岁的骑手，并且具有高度可调的组件使其成为成长中的骑手的理想电动自行车。座椅中的可调节性超过4英寸，Elektrode 16可以舒适地适合37英寸至55英寸的儿童。用橡胶垫的折叠钢脚踏板在Elektrode 16上提供刚性和多功能性，从而使自行车轻松地转换为平衡自行车，并简单地折叠。孩子们可以学习使用Elektrode 16作为自行车的平衡自行车，而没有电动机摩擦/阻力，然后毕业于使用fotpegs和电动机/油门。车把设计促进了直立的骑行位置，而无需损害膝盖空间，随着孩子的成长提供额外的空间，并有了普通大小的车把和座椅，父母将有能力在他们认为合适的情况下更改和定制孩子的自行车。