XiaoMi-AI文件搜索系统
World File Search System视觉刺激
AXON-R 沉浸式 BCI
Axon-R™ 可通过视觉刺激和神经反馈精确测量和调节大脑活动。这款可穿戴设备提供多达 16 个研究级生理数据通道和集成的稳态视觉诱发电位分类器。配备 Axon-R 的研究人员可以超越标准实验室的范围，参与沉浸式和交互式研究，
使用深度学习从 fMRI 进行自然图像重建：一项调查
1.1. 使用 fMRI 进行视觉解码 许多脑成像研究集中于解码人脑如何表示有关外部世界的信息。考虑到大多数外部感官信息是由人类视觉系统处理的（ Logothetis 和 Sheinberg，1996 ），需要更深入地了解人脑的视觉信息处理，这促使建立能够表征视觉刺激内容的复杂计算模型。这个问题被称为人类对感知图像的视觉解码，并受到越来越多的关注。功能性磁共振成像（fMRI）在最近的神经科学研究中取得了重大进展（ Poldrack 和 Farah，2015；Nestor 等，2020 ）。fMRI 技术通过测量血氧水平的变化来捕捉大脑中的神经活动（ Ogawa 等，1990；Bandettini，2012 ）。在各种脑成像技术中，fMRI 是非侵入性的并且具有很高的空间分辨率。这些特性使得 fMRI 能够用于广泛的问题，包括神经系统疾病诊断（Rakhimberdina 等，2020；Zhang 等，2020）和人类视觉解码（Haxby 等，2001；Kamitani and Tong，2005；Horikawa and Kamitani，2017）。人类视觉解码领域的最新进展表明，除了仅仅对视觉刺激的信息进行编码（Poldrack and Farah，2015）之外，fMRI 捕捉到的大脑活动还可用于重建视觉刺激信息（Kay 等，2008；Roelfsema 等，2018）。根据目标任务，人类视觉解码可分为刺激类别分类、刺激识别和重建（Naselaris 等，2011）。在分类中，大脑活动用于预测所呈现刺激的离散对象类别（Haxby 等人，2001；Horikawa 和 Kamitani，2017）。识别的目标是从一组已知的刺激图像中识别出与给定大脑活动模式相对应的特定刺激
脉冲神经网络中人工智能启发大脑模型的时空模式表示
摘要：大脑中的神经元群体活动是空间域信息和时间域动态的综合响应。由于大脑的复杂性和硬件的局限性，对这种时空机制进行建模是一个复杂的过程。在本文中，我们展示了如何使用从大脑改编的信息处理原理来创建受大脑启发的人工智能 (AI) 模型并表示时空模式。通过使用脉冲神经网络设计微型大脑，可以证明这一点，其中激活的神经元群体表示空间域中的信息，而传输信号表示时间域中的动态。输入视觉刺激激发的空间位置感觉神经元进一步激活运动神经元以触发运动反应，从而导致机器人代理的行为改变。首先，模拟一个孤立的大脑网络，以了解从感觉到运动神经元的激发部分，同时绘制膜电位和时间之间的波形。还绘制了网络对刺激机器人身体运动的响应以展示表示。模拟显示了特定视觉刺激的反应如何改变行为，并帮助我们理解身体和大脑的同步。感知的环境和由此产生的行为反应使我们能够研究身体与环境的相互作用。
Switch 进程路线图
对于许多有特殊需求的儿童，AT 始于多感官室，其中使用泡泡管、轮式投影仪、镜球和音乐等设备提供听觉和视觉刺激，通常还伴有手部和足部按摩，以帮助儿童发展本体感受意识。一些学校在多感官室安装了数字投影仪或交互式等离子屏幕，使儿童能够使用电脑和软件，将多感官体验扩展到包括照片、动画和视频。
大脑 - 计算机界面基于稳态视觉诱发电势，使用轮椅控制的快速响应代码模式
摘要：大脑 - 计算机界面（BCIS）广泛用于严重身体残疾患者的控制应用中。一些研究人员的目的是开发实用的脑控制轮椅。基于稳态的视觉诱发电势（SSVEP）的现有脑电图（EEG）基于BCI是为了控制设备控制的。这项研究利用了可靠的现有系统的快速响应（QR）代码视觉刺激模式。使用提出的带有四个可振动频率的视觉刺激模式生成四个命令。此外，我们采用了SSVEP特征提取的相对功率谱密度（PSD）方法，并将其与绝对PSD方法进行了比较。我们设计了实验来验证所提出系统的效率。结果表明，所提出的SSVEP方法和算法在实时处理中产生的平均分类精度约为92％。对于通过基于独立的控制模拟的轮椅，提议的BCI控制需要比键盘控制的时间大约五倍以进行实时控制。使用QR码模式的建议的SSVEP方法可用于基于BCI的轮椅控制。然而，由于长期连续控制，它因视觉疲劳而受到影响。我们将在严重的身体残障人士中验证和增强拟议的轮椅控制系统。
使用深层神经网络和SSVEP信号的空间模式
摘要：与传统的生物特征识别方法相比，由于其独特的特性，大脑生物识别技术引起了科学界的越来越多的关注。许多研究表明，脑电图特征在个人之间是不同的。在这项研究中，我们通过考虑特定频率的视觉刺激引起的大脑反应的空间模式提出了一种新的方法。更具体地说，我们建议，用于识别个体，将常见的空间模式与专门的深度学习神经网络相结合。采用常见的空间模式使我们能够设计个性化的空间过滤器。此外，在深层神经网络的帮助下，空间模式被映射到新的（深）表示中，在这些表示中，以高正确的识别率进行了个人之间的歧视。我们在两个稳态视觉诱发的潜在数据集上进行了全面比较，分别由三十五和11受试者组成的两个稳态视觉诱发的潜在数据集进行了全面比较。此外，我们的分析包括稳态视觉诱发的潜在实验中的大量闪烁频率。对这两个稳态视觉诱发潜在数据集进行的实验显示了我们方法在人识别和可用性方面的有用性。所提出的方法在大量的视觉刺激频率上实现了99％的平均正确识别率。
脑机接口系统开发
本文提出了一种增强的脑机接口运动想象方法。用于康复治疗，结合幻觉图像的大脑刺激因为想象的方式动作是需要长时间练习的。因此，通过感官从外部刺激刺激的方法是提高效率本研究主要分为两个部分：（1）电影格式的调查与研究脑机接口的幻觉（2）具有想象运动的脑机接口结合虚幻运动图像的刺激这项研究利用风力涡轮机模型来诱发大脑的变化。测试了具有不同叶片数量的风力涡轮机模型。研究发现，96 叶片风车模型能够最有效地刺激大脑。该模型与运动想象法结合使用。这种混合大脑连接系统可以生成命令通过接口程序设计的算法，用两个命令来控制康复装置，用于抬起左臂或右臂。该实验由LabVIEW软件开发，共有8名志愿者参与，采用了脑-身体接口系统。想象一下这些动作以及它们如何组合来比较性能。实验结果表明，所提方法可以提高准确率约为4%~6%。视觉刺激提高了指令生成的速度，因此组合方法的效果可能仅仅归功于虚幻的视觉刺激方法。未来将会见证算法的发展。检查性能并制定在实际应用中正确使用手部康复设备的指南和病人的手臂
玩电子游戏时，视觉诱发的反应会得到增强
摘要 众所周知，视觉可以引导运动，但人们很少意识到运动皮层也为视觉系统提供输入。在本文中，我们研究了视觉刺激的神经处理是否在运动活动期间受到剧烈调节，假设在从事依赖于视觉刺激的运动任务时，视觉诱发反应会得到增强。为了验证这一点，我们告诉参与者，他们的大脑活动是控制视频游戏，而实际上，该游戏是预先录制的游戏的回放。这种欺骗对一半的参与者有效，旨在调动运动系统，同时避免与实际运动或躯体感觉相关的诱发反应。在其他试验中，受试者主动使用键盘控制玩游戏或被动观看回放。视觉诱发反应的强度是通过连续刺激和头皮上的诱发电位之间的时间相关性来衡量的。我们发现被动观看期间相关性降低，但主动和假玩之间没有差异。在假游戏过程中，中央电极上的 Alpha 波段 (8-12 Hz) 活动减少，表明尽管没有明显的运动，但运动皮层仍然被激活。为了解释游戏过程中注意力的潜在增加，我们进行了第二项研究，受试者在观看过程中数屏幕上的项目。我们再次发现假游戏过程中相关性增加，但数数和被动观看之间没有差异。虽然我们不能完全排除注意力的参与，但我们的研究结果确实表明在主动视觉过程中视觉诱发反应有所增强。
使用生成AI了解早期概念概念和修订
结论该研究通过提供多种视觉刺激和加速概念构想和修订来强调生成AI增强时装设计过程的潜力。该研究确定了关键挑战，例如偏见，知识产权关注以及设计师意图和AI实现之间的差距。未来的研究应探索更广泛的AI工具，长期影响和道德意义，强调了AI在增强和共同创造而不是取代时装设计中的人类创造力方面的作用。