XiaoMi-AI文件搜索系统
World File Search System解码器
使用多个数据流学习无标签的神经解码器
神经解码领域的最新进展加速了脑机接口的发展，旨在帮助用户完成日常任务，如说话、行走和操纵物体。然而，目前训练神经解码器的方法通常需要大量标记数据，而这些数据在现实环境中可能非常耗费精力或无法获得。一种有趣的替代方法是使用自监督模型，在两个数据流之间共享自生成的伪标签；此类模型在未标记的音频和视频数据上表现出色，但它们在神经解码方面的扩展效果仍不清楚。在这里，我们通过利用多个同时记录的数据流（包括神经、运动和生理信号）来学习没有标签的神经解码器。具体来说，我们应用跨模态、自监督深度聚类来解码脑部记录中的动作；这些解码器与监督和单模态、自监督模型进行了比较。我们发现，与单模态自监督模型相比，在训练期间在两个数据流之间共享伪标签可显著提高解码性能，其准确度接近在标记数据上训练的监督解码器的准确度。接下来，我们开发了在三种模态上训练的解码器，其性能与监督模型相当或略有超过，实现了最先进的神经解码准确度。跨模态解码是一种灵活、有前途的方法，可在没有任何标签的情况下在现实世界应用中实现稳健、自适应的神经解码。
实时的脑机界面实现了使用生物学启发的神经网络解码器
*通信：Cynthia A. Chestek博士生物医学工程B10-A171 NCRC Ann Arbor MI 48109-2800电话：734-763-1759
MRI脑肿瘤分割，使用具有密集编码器块和残留解码器块的3D U-NET
磁共振成像（MRI）自动脑肿瘤分割的主要任务是自动分割脑肿瘤水肿，腹部水肿，内窥镜核心，增强肿瘤核心和3D MR图像的非增强肿瘤核心。由于脑肿瘤的位置，大小，形状和强度差异很大，因此很难自动分割这些脑肿瘤区域。在本文中，通过结合Densenet和Resnet的优点，我们提出了一个新的3D U-NET，具有密集的编码器块和残留的解码器块。我们在编码器部分中使用了密集的块和解码器部分中的残留块。输出特征图的数量随编码器的收缩路径中的网络层增加而增加，这与密集块的特征一致。使用密集的块可以减少网络参数的数量，加深网络层，增强特征传播，减轻消失的梯度和扩大接收场。在解码器中使用残差块来替换原始U-NET的卷积神经块，这使网络性能更好。我们提出的方法在BRATS2019培训和验证数据集上进行了培训和验证。我们在BRATS2019验证数据集上分别获得了整个肿瘤，肿瘤核心和增强肿瘤核心的骰子得分，分别为0.901、0.815和0.766。我们的方法比原始的3D U-NET具有更好的性能。我们的实验结果表明，与某些最新方法相比，我们的方法是一种竞争性的自动脑肿瘤分割方法。
强化学习解码器容忍故障量子计算
抽象拓扑校正代码，尤其是表面代码，目前为大规模容忍量子计算提供了最可行的路线图。因此，在实验性现实且具有挑战性的综合征测量值的背景下，在无需任何最终读取物理量子的情况下，获得了这些代码的快速，灵活解码算法至关重要。在这项工作中，我们表明，解码此类代码的问题自然可以作为解码剂与代码环境之间重复相互作用的过程进行重新重新校正，可以将强化学习的机械应用于该过程，以获取解码剂。原则上，该框架可以通过对环境建模电路噪声进行实例化，但我们通过使用DEEPQ学习来朝着该目标迈出第一步，以获取各种简化的现象学噪声模型的解码剂，这些模型会产生故障综合征测量值，而不包括在完整电路噪声模型中出现的错误的传播。
通用的神经解码器，用于跨参与者进行转移学习和记录方式
摘要。目的：神经解码的进步使脑部计算机界面能够执行越来越复杂且与临床相关的任务。但是，这些解码器通常是针对特定参与者，天数和记录网站量身定制的，从而限制了其实际的长期使用。因此，一个基本的挑战是开发可以对汇总，多参与者数据进行稳固训练并推广到新参与者的神经解码器。方法：我们介绍了一个新的解码器HTNET，该解码器使用具有两个创新的卷积神经网络：（1）Hilbert Transform在数据驱动的频率下计算光谱功率，以及（2）将电极水平数据投射到预先确定的脑区域上的层。投影层与颅内皮质摄影（ECOG）进行了严格的应用，其中电极位置未标准化，并且在参与者之间差异很大。我们培训了HTNET，使用来自12名参与者中的11名的合并ECOG数据来解码ARM运动，并在看不见的ECOG或脑电图（EEG）参与者上测试了性能；随后对每个测试参与者进行了这些预告片的模型。主要结果：在对看不见的参与者进行测试时，HTNET的表现优于最先进的解码器，即使使用了不同的记录方式。通过对这些广泛的HTNET解码器进行研究，我们实现了最佳量身定制的解码器的性能，其中只有50个ECOG或20个EEG事件。我们还能够解释HTNET训练有素的重量，并证明其提取与生理相关的特征的能力。引人注目：通过将新参与者概括和记录方式，鲁棒处理电极放置的变化以及允许参与者使用最小数据的参与者进行调整，HTNET适用于与当前的现有状态解码的更广泛的新型新型解码应用程序相比。
卷积网络优于线性解码器......
书籍章节 卷积网络在从脊髓信号预测肌电图方面优于线性解码器 Yi Guo 1 *、Sinan Gok 2 和 Mesut Sahin 2 1 美国混合智能实验室有限责任公司 2 美国新泽西理工学院生物医学工程系神经假体实验室 *通讯作者：Yi Guo，混合智能实验室有限责任公司，加利福尼亚州威尼斯，美国 2020 年 10 月 19 日发布 本书章节是 Yi Guo 等人发表的文章的再版。于 2018 年 10 月在 Frontiers in Neuroscience 上发表。 （Guo Y、Gok S 和 Sahin M (2018) 卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。Front. Neurosci. 12:689。doi: 10.3389/fnins.2018.00689） 如何引用本书章节：Yi Guo、Sinan Gok、Mesut Sahin。卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。在：Jose Fernando Maya-Vetencourt，编辑。Prime Archives in Neuroscience。海得拉巴，印度：Vide Leaf。 2020。© 作者 2020。本文根据知识共享署名 4.0 国际许可条款发布（http://creativecommons.org/licenses/by/4.0/），允许在任何媒体中不受限制地使用、分发和复制，前提是对原始作品进行适当引用。道德声明：所有程序均经新泽西州纽瓦克市罗格斯大学机构动物护理和使用委员会 (IACUC) 批准。
薛定谔的海盗：如何追踪量子解码器
量子计算机对密码学构成了迫在眉睫的威胁。巧合的是，量子计算机增强的计算能力可以解决当今使用的大部分公钥密码学所依赖的精确数学问题，比如因式分解和离散对数 [Sho94]。好消息是，“量子安全”的数学工具（如格、多元方程或同源）已经存在，可以在许多环境中用作直接替代品。尽管如此，仍存在许多挑战。例如，使用量子安全的直接替代品并不总能保证整个协议的安全性，因为许多经典证明技术无法延续到量子环境中 [VDG98、ARU14、BDF + 11]。量子攻击者也可能获得对诚实方的“叠加访问权限”，从而开辟新的攻击途径 [KM10、Zha12a、DFNS14、KLLN16]。在这项工作中，我们考虑了来自量子计算机的完全不同的威胁，据我们所知，这种威胁以前从未被发现：量子盗版！
基于强化学习的皮层内脑机接口快速自校准解码器
摘要：背景：由于皮层内脑机接口中神经记录的非平稳性，需要每天以监督的方式进行再训练以保持解码器的性能。使用基于强化学习（RL）的自校准解码器可以改善此问题。然而，在保持良好性能的同时快速探索新知识仍然是基于RL的解码器的挑战。方法：为了解决这个问题，我们提出了一种基于注意力门控RL的算法，该算法结合了迁移学习、小批量和权重更新方案来加速权重更新并避免过度拟合。所提出的算法在两只猴子的皮层内神经数据上进行了测试，以解码它们的伸手位置和抓握姿势。结果：解码结果表明，与未再训练的分类器相比，我们提出的算法的分类准确率提高了约20％，甚至比每日再训练的分类器取得了更好的分类准确率。此外，与传统的RL方法相比，我们的算法将准确率提高了约10%，在线权重更新速度提高了约70倍。结论：本文提出了一种自校准解码器，该解码器具有良好且稳健的解码性能，权重更新速度快，可能有助于其在可穿戴设备和临床实践中的应用。
采用恒定时间解码器的高效 BIKE 硬件设计
摘要。BIKE（位翻转密钥封装）是 NIST 后量子密码标准化过程中一个很有前途的候选方案。它是一种基于代码的密码系统，具有定义简单、底层安全性易于理解和性能优异等特点。该密码系统中最关键的步骤是纠正 QC-MDPC 线性码中的错误。BIKE 团队在标准化过程的第 1 轮和第 2 轮中提出了用于此步骤的位翻转解码器变体。在本文中，我们提出了一种对硬件实现更友好的替代解码器，从而实现与文献相当的延迟区域性能，同时引入了电源侧通道弹性。我们还表明，我们的设计可以使用很少的通用逻辑构建块来加速所有密钥生成、封装和解封装操作。
在I.MX8MQ和I.MX8M Mini中，使用的编解码器是WM8524，仅支持音频播放。尽管8M Mini确实具有PDM麦克风界面（MICFIL）
@@ -295,6 +314,12 @@ MX8MM_IOMUXC_SAI1_TXD5_SAI1_TX_DATA5 0xd6 MX8MM_IOMUXC_SAI1_TXD6_SAI1_TX_DATA6 0xd6 MX8MM_IOMUXC_SAI1_TXD7_SAI1_TX_DATA7 0xd6 +MX8MM_IOMUXC_SAI1_RXFS_SAI1_RX_SYNC 0xd6 +MX8MM_IOMUXC_SAI1_RXC_SAI1_RX_BCLK 0xd6 +MX8MM_IOMUXC_SAI1_RXD0_SAI1_RX_DATA0 0xd6 +mx8mm_iomuxc_sai1_rxd1_sai1_rx_data1 0xd6 +mx8mm_iomuxc_sai1_rxd2_sai1_rx_rx_rx_data2 0xd6 +mx8mm_iomuxc_sai1_rxd3_sai_rxd3_sai1_sai1_rxd66 abe }; @@ -868,15 +899,15 @@分配clocks = <＆clk imx8mm_clk_sai1_src>，<＆clk imx8mm_clk_sai1_div>;分配的clock-parents = <＆clk imx8mm_audio_pll1_out>; - 分配clock-rates = <0>，<49152000>; +分配的clock-rates = <0>，<24576000>;时钟= <＆clk imx8mm_clk_sai1_ipg>，<＆clk imx8mm_clk_dummy>，<＆clk imx8mm_clk_sai1_root>，<＆clk imx8mm_clk_dummy> imx8mm_audio_pll2_out>;时钟名称=“ BUS”，“ MCLK0”，“ MCLK1”，“ MCLK2”，“ MCLK3”，“ PLL8K”，“ PLL11K”; -FSL，Sai-Multi-Lane； -FSL，DATALINE，DSD = <0 0xff 0xff 2 0xff 0x11>; -DMA = <＆SDMA2 0 26 0>，<＆sdma2 1 26 0>; + // fsl，sai-multi-lane; + // fsl，dataline，dsd = <0 0xff 0xff 2 0xff 0x11>; + // dmas = <＆sdma2 0 26 0>，<＆sdma2 1 26 0>;状态=“好”; };