XiaoMi-AI文件搜索系统
World File Search System解码
数据中的混淆——对“解码大脑”的评论……
带通滤波。换句话说，第一个块中的所有刺激都标记为 1 类，即使它们反映不同的对象类，第二个块中的所有刺激都标记为 2 类，即使它们反映不同的对象类，依此类推。请注意，所有分类器的分类准确率都很高，没有带通滤波，这表明它们对 EEG 信号和块之间的虚假相关性进行分类，而不是对刺激类别进行分类。即使使用带通滤波，这个准确率也可能过高，情况通常如此。其余表格报告跨块分类。对于受试者 2-6，第一和第二次块运行以相同的顺序呈现刺激。对于受试者 6，第三次块运行以不同的顺序呈现刺激。首先，我们报告第一次块运行的训练和第二次块运行的测试的平均结果，反之亦然，两者都使用
个体皮质兴奋状态的因果解码
大脑对刺激的反应性随着皮质兴奋状态的快速变化而波动，这可以通过脑电图 (EEG) 中的振荡反映出来。例如，经颅磁刺激 (TMS) 对运动皮质引起的运动诱发电位 (MEP) 的幅度会随着每次试验而变化。到目前为止，还无法对导致这种兴奋性波动的皮质过程进行单独估计。在这里，我们提出了一种数据驱动的方法，使用监督学习方法在健康人中推导出单独优化的 EEG 分类器，该方法将 TMS 前的 EEG 活动动态与 MEP 幅度联系起来。我们的方法能够考虑多个大脑区域和频带，而无需先验定义它们，它们的复合相位模式信息决定了兴奋性。与标准固定空间滤波器提取的 𝜇 振荡相位相比，个性化分类器可将皮质兴奋状态的分类准确率从 57% 提高到 67%。结果表明，对于使用的 TMS 协议，兴奋性主要在 𝜇 振荡范围内波动，相关皮质区域聚集在受刺激的运动皮质周围，但受试者之间的相关功率谱、相位和皮质区域存在差异。这种新颖的解码方法允许对皮质兴奋状态进行因果研究，这对于个性化治疗性脑刺激也至关重要。
解码概念的神经表示基础的信息结构
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2022年1月10日。 https://doi.org/10.1101/2021.03.16.435524 doi：biorxiv preprint
2D Pauli代码的一般张量网络解码
在这项工作中，我们为2D代码开发了一个通用张量网络解码器。具体而言，我们构成了一个解码器，该解码器近似于2D稳定器和子系统代码，但受Pauli噪声的影响。对于由N量表组成的代码，我们的解码器的运行时间为O（n log n +Nχ3），其中χ是近似参数。我们通过在三种噪声模型下研究四类代码，即规则的表面代码，不规则的表面代码，子系统表面代码和颜色代码，在钻头滑唇，相移，相动式噪声下，通过研究四类代码来证明该解码器的功能。我们表明，我们的解码器所产生的阈值是最新的，并且在数值上与最佳阈值一致，这表明在所有这些情况下，张量网络解码器很好地近似于最佳解码。对我们解码器的小说是任意2D张量网络的有效有效的近似收缩方案，这可能具有独立的关注。我们还发布了该算法的实现，作为独立的朱莉娅软件包：sweepContractor.jl [1]。
解码想象，听到和口语语音：分类...
摘要我们研究了14通道的移动脑电图设备在脑电波数据中解码，想象和铰接的英式手机中的使用。为此，我们介绍了一个数据集，该数据集在可用的开放式脑电图数据集范围内填补了当前差距，以使用为消费者市场制作的轻巧，负担得起的EEG设备进行语音处理。我们研究了两个分类模型的有效性和用于重构原始语音信号光谱特征的回归模型。我们表明，我们的分类性能几乎与使用研究级设备收集的EEG数据相似的发现。我们得出的结论是，商业级设备可以用作用最小信号处理的语音定型BCI。索引术语：脑电图，脑部计算机界面，想象的语音，神经解码，刺激重建
基于快速脑电图的听觉方向聚焦解码...
摘要 — 目标：当存在多个声源时，当前助听器中的降噪算法缺乏有关用户关注的声源的信息。为了解决这个问题，它们可以与听觉注意解码 (AAD) 算法相辅相成，该算法使用脑电图 (EEG) 传感器解码注意力。最先进的 AAD 算法采用刺激重建方法，其中关注源的包络从 EEG 重建并与各个源的包络相关。然而，这种方法在短信号段上表现不佳，而较长的片段在用户切换注意力时会产生不切实际的长检测延迟。方法：我们提出使用滤波器组公共空间模式滤波器 (FB-CSP) 解码注意力的方向焦点作为替代 AAD 范式，它不需要访问干净的源包络。结果：提出的 FB-CSP 方法在短信号段上的表现优于刺激重建方法，在相同任务上的表现也优于卷积神经网络方法。我们实现了高精度（1 秒窗口为 80%，准瞬时决策为 70%），足以实现低于 4 秒的最小预期切换持续时间。我们还证明解码器可以适应来自未见对象的未标记数据，并且仅使用位于耳朵周围的部分 EEG 通道来模拟可穿戴 EEG 设置。结论：提出的 FB-CSP 方法可以快速准确地解码听觉注意力的方向焦点。意义：在非常短的数据段上实现高精度是朝着实用的神经引导听力设备迈出的重要一步。
通过循环解码单元分割医学 MRI
编码器-解码器网络在分层特征融合方面表现优异，常用于医学图像分割。然而，特征解码和空间恢复的扩展路径在融合不同层的特征图时没有考虑长期依赖性，并且通用编码器-解码器网络没有充分利用多模态信息来提高网络鲁棒性，尤其是对于医学MRI的分割。在本文中，我们提出了一种称为循环解码单元（RDC）的新型特征融合单元，它利用卷积RNN在解码阶段记忆来自前几层的长期上下文信息。我们还基于RDC提出了一种用于分割多模态医学MRI的编码器-解码器网络，称为卷积循环解码网络（CRDN）。CRDN采用CNN主干对图像特征进行编码，并通过一系列RDC对其进行分层解码以获得最终的高分辨率分数图。在 BrainWeb、MRBrainS 和 HVSMR 数据集上的评估实验表明，RDC 的引入有效地提高了分割精度并减小了模型尺寸，并且提出的 CRDN 对医学 MRI 中的图像噪声和强度非均匀性具有很强的鲁棒性。
有效且高效的皮层内脑信号解码...
摘要 — 脑机接口 (BCI) 促进了大脑和外部设备之间的直接交互。为了在侵入式 BCI 中同时实现高解码精度和低能耗，我们提出了一种结合局部突触稳定 (LSS) 和通道注意 (CA) 的新型脉冲神经网络 (SNN) 框架，称为 LSS-CA-SNN。LSS 优化了神经元膜电位动力学，提高了分类性能，而 CA 细化了神经元激活，有效降低了能耗。此外，我们引入了 SpikeDrop，这是一种数据增强策略，旨在扩展训练数据集，从而增强模型的通用性。在两只恒河猴记录的侵入式脉冲数据集上进行的实验表明，LSS-CA-SNN 在解码精度和能源效率方面均超越了最先进的人工神经网络 (ANN)，性能提升了 0.80-3.87%，节能了 14.78-43.86 倍。这项研究强调了 LSS-CA-SNN 和 SpikeDrop 在推进侵入式 BCI 应用方面的潜力。
解码非...中的想象和口头短语
语音生成是一种分层机制，涉及大脑和口腔发音器官的同步，其中语言概念的意图被转化为有意义的声音。闭锁综合征患者（完全瘫痪但有意识）完全失去了运动能力，包括发音甚至眼球运动。神经通路可能是恢复这些患者一定程度交流的唯一选择。当前的脑机接口 (BCI) 使用患者的视觉和注意力相关性来建立交流，导致交流速度较慢（每分钟几个字）。直接从神经信号解码想象中的语音（然后驱动语音合成器）有可能提高交流速度。在本研究中，我们研究了从 8 名成年受试者的单次试验、非侵入性脑磁图 (MEG) 信号中收集的五个想象和口语短语的解码。使用了两种机器学习算法。一种是以统计特征为基线方法的人工神经网络 (ANN)。另一种方法是将卷积神经网络 (CNN) 应用于从 MEG 信号中提取的空间、光谱和时间特征。实验结果表明，可以直接从神经磁信号中解码想象和口语短语。CNN 被发现非常有效，平均解码准确率高达 93%（想象短语）和 96%（口语短语）。
DREAM：解码大脑系统节律的工具箱
Xavier Castellanos 8,9 , 李海芳 3,* , 左希年 1,2,5,10,11,12* 1. 中国科学院大学心理学系，北京，中国 2. 中国科学院心理研究所行为科学重点实验室，北京，中国 3. 太原理工大学计算机学院，太原，中国 4. 北京工业大学应用数理学院，北京，中国 5. 中国科学院心理研究所大脑与心智终身发展研究中心，北京，中国 6. 荷兰鹿特丹伊拉斯姆斯大学儿童与青少年精神病学系 7. 荷兰鹿特丹伊拉斯姆斯大学医学中心放射学系 8. 纽约大学朗格尼医学中心、儿童研究中心，纽约，美国 9. 内森·S·克莱恩精神病学研究所，纽约，奥兰治堡，美国 10.中国科学院心理研究所磁共振成像研究中心，北京，中国 11. 南宁师范大学脑与教育科学重点实验室，南宁，中国 12. 北京师范大学 IDG/麦戈文脑研究中心 & 认知科学与学习国家实验室，北京，中国 #与第一作者贡献相同 *通讯作者：