XiaoMi-AI文件搜索系统
World File Search System词语
在听故事中使用词语上下文语义进行 MEG 编码
大脑编码是将刺激映射到大脑活动的过程。关于功能性磁共振成像 (fMRI) 的语言大脑编码，有大量与句法和语义表征相关的文献。脑磁图 (MEG) 具有比 fMRI 更高的时间分辨率，使我们能够更精确地观察语言特征处理的时间。与 MEG 解码不同，使用自然刺激的 MEG 编码研究很少。现有的关于故事聆听的研究侧重于音素和简单的基于单词的特征，而忽略了上下文、句法和语义方面等更抽象的特征。受先前 fMRI 研究的启发，我们使用基本的句法和语义特征，以不同的上下文长度和方向（过去与将来）对 8 名听故事的受试者的数据集进行 MEG 大脑编码研究。我们发现 BERT 表示可以显著预测 MEG，但不能预测其他句法特征或词向量（例如 GloVe），这使我们能够在听觉和语言区域随时间以分布式方式对 MEG 进行编码。特别是，过去的背景对于获得显著的结果至关重要。索引术语：大脑编码、人机交互、MEG、句法、语义、上下文长度
通过词语预测自动校准 c-VEP BCI
摘要。代码调制的视觉诱发电位脑机接口 (c-VEP BCI) 允许从闪烁字符的虚拟键盘进行拼写。所有字符同时闪烁，每个字符根据预定义的伪随机二进制序列闪烁，循环移位不同的时间滞后。对于给定的字符，伪随机刺激序列会在受试者的脑电图 (EEG) 中唤起 VEP，可将其用作模板。此模板通常在校准阶段获得，并在拼写阶段应用于目标识别。c-VEP BCI 系统的一个缺点是它需要较长的校准阶段才能达到良好的性能。本文提出了一种无监督方法，通过从连续字符之间的 VEP 响应中提取相对滞后并使用字典预测完整单词，避免了 c-VEP BCI 中的校准阶段。我们在公共数据集上进行了离线实验。我们模拟了从英语词典中选择的四组单词的拼写，这些单词的总字符数不同。每个实验都由刺激周期数参数化。所得结果表明，基于单词预测的 c-VEP BCI 自动校准方法可以高效且有效。
“具身”语言处理：心理运动意象能力可以预测青少年对高意象性词语的定义能力，但不能预测低意象性词语的定义能力
图 2. Frak 等人（2001 年）使用的实验范例说明。上图为显性动作，参与者被要求用拇指和食指抓住一个装满水的圆柱形容器，将水倒入容器中。下图为隐性动作。左图：计算机显示器上容器（即圆盘）的示意图。圆盘上的两条小线表示在想象动作期间食指和拇指应放置的位置。右图：操纵对立轴从 -22° 到 +56°。
自然语音中的词语预测......
电子邮件：lekhnitskaya.polina@gmail.com 摘要：在自然语音感知范式中尚未研究过单词预测机制，因此本研究的目的是：探索自然语音感知过程中 EEG 反应功能与省略单词之间的联系、训练语言模型的置信度得分。 14 名神经典型受试者（平均年龄 - 23.5 岁；5 名男性）参与了这项研究。EEG 包括 24 个通道。研究对象被要求听故事并理解它。所得结果显示，在 T3、T5、P3 电极中，听省略单词和非省略单词存在差异。为了模拟神经信号和自然语音刺激之间的联系，应用了 mTRF。该研究未来可能的方向之一是探索这一范式中的交流过程。 介绍 人脑是一个复杂的动力系统，可以不断处理输入信息。对于声音刺激，与其他类型的感官信息一样，区分信号和噪声非常重要；通过理解信号的特征，人们可以轻松地感知语音。近年来，研究人员开始将注意力转向使用连续的自然语音来探索大脑评估听觉刺激的方式 [3]。其中一种可能的方法称为系统识别，即根据语音刺激对获得的数据进行建模 [3]。在这种情况下，大脑被视为一个“黑匣子”，其中输入语音的特征与神经生理反应之间存在一些映射。这样的黑匣子可以表示为线性时不变系统，通过 EEG 与声学和语言特征之间的联系获得所谓的时间响应函数 (TRF) [3]。据我们所知，在这个范式中还没有研究过单词预测的机制。在语音感知过程中，单词嵌入在更广泛的上下文中，这有助于意义的解释。接收者还可以对即将到来的话语中可能出现的特定词素做出预测。此任务类似于掩码语言建模，其中预训练模型通过双向关注标记来预测句子中的掩码标记（通常标记为 [MASK]）。在这种情况下，模型还会根据上下文对该词进行预测 [7]。现在，感知和理解的神经科学
词语很重要：揭开“机动”的神秘面纱
机动是陆军最常见的作战理论术语之一，但它到底意味着什么？对于陆军使命中如此重要的概念，它值得仔细研究。机动一词在作战理论中的使用范围正在扩大。战争性质的变化激发了陆军作为联合部队的一部分利用新技术进行机动的新作战概念。当代军事领导人和规划人员使用“跨域机动”和“扩展机动”等术语来描述太空、网络空间、电磁频谱 (EMS) 和信息环境等新兴领域和维度中的作战。对于那些熟悉机动的传统应用——陆战——的人来说，这引出了一个问题：我们如何才能像在地面上描述作战一样准确地描述虚拟域中的作战，尤其是在战略层面和整个冲突范围内？虽然为了描述目的而将这些概念进行比较并无不妥，但值得考虑误解这些重要概念的风险。
词语是人类语言的量子吗？扩展量子认知领域
摘要：在之前的研究中，我们表明“讲述故事的文本”表现出的统计结构不是麦克斯韦-玻尔兹曼结构，而是玻色-爱因斯坦结构。我们的解释是，这是由于人类语言中存在“不可区分性”，因为故事不同部分的相同单词彼此之间无法区分，这与量子力学中出现的“不可区分性”非常相似，也导致了玻色-爱因斯坦而不是麦克斯韦-玻尔兹曼作为统计结构的存在。在本文中，我们着手解释人类语言中的这种玻色-爱因斯坦统计数据。我们表明，正是“讲述故事的文本”中存在的“意义”导致了玻色-爱因斯坦缺乏独立性，并提供了确凿的证据，证明“单词可以被视为人类语言的量子”，结构类似于“光子是电磁辐射的量子”。利用我们布鲁塞尔研究小组对纠缠的几项研究，我们还通过引入人类语言的冯·诺依曼熵表明，文本中“含义”的存在也使得整个文本的熵小于组成文本的单词的熵。我们解释了本文中的新见解如何适应称为“量子认知”的研究领域，其中量子概率模型和量子向量空间用于人类认知，并且也与量子结构在信息检索和自然语言处理中的使用相关，以及它们如何在那里引入“量化”和“玻色-爱因斯坦统计”作为相关的量子效应。受量子力学概念性解释的启发，并依靠新见解，我们提出了关于物理现实本质的假设。在此过程中，我们注意到这种新型的熵减少及其解释可能对量子热力学的发展很重要。我们同样注意到，它也可以对地球表面的物理现实本质产生原始的解释性图景，其中人类文化作为生命的延续而出现。
利用卷积神经网络识别脑电信号中的想象词语法类别
在本文中，我们提出了一个使用多通道卷积神经网络 (MC-CNN) 的框架，用于从脑电图 (EEG) 信号中识别隐性口语单词的语法类别（动词或名词）。我们提出的网络通过考虑 EEG 信号的空间、时间和频谱特性来提取特征。此外，从大脑不同区域获取的信号集在所提出的框架内分别处理，然后在分类阶段组合。这种方法使网络能够有效地从处理想象语音的大脑位置学习判别特征。我们的网络经过了具有挑战性的实验测试，包括测试对象未参与系统训练的情况。在我们的主要应用场景中，训练期间未使用任何特定名词或动词的实例，我们的方法实现了 85.7% 的识别率。此外，我们提出的方法在公开可用的 EEG 数据集上进行了评估，并在二元分类中实现了 93.8% 的识别率。这些结果证明了我们方法的潜力。 2021 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可 (http://creativecommons.org/licenses/by/4.0/) 开放获取的文章。
词向量中信息的非互补性与大脑表征在区分具体词语和抽象词语方面的作用
词语的具体性和可想象性已被证明对于理解人类如何在大脑中处理和表示语言至关重要。虽然词向量没有明确将词语的具体性纳入其计算中，但它们已被证明能够准确预测人类对具体性和可想象性的判断。受到最近使用神经活动模式分析分布式意义表征的兴趣的启发，我们首先表明，人类受试者在被动理解自然故事时获得的大脑反应可以显著区分所遇到的词语的具体性水平。然后，我们针对同一任务检查大脑表征中的额外感知信息是否可以补充词向量中的上下文信息。然而，我们的预测模型和残差分析的结果表明相反。我们发现大脑表征中的相关信息是语境化词向量中相关信息的一个子集，这为现有的自然语言处理模型状态提供了新的见解。
基于脑电图的想象语音词语分类器...
1. 简介。脑机接口是一种利用从大脑记录的信号为功能受损的个体提供通信和控制应用的系统。这项技术已经发展到现在正被能够从中受益的个人所使用。BCI 系统是一种快速发展的技术，涉及通过大脑活动控制外部设备的硬件和软件通信系统。BCI 技术的一个重要应用是帮助瘫痪患者等残疾人。BCI 为大脑提供了新的输出通道，这些通道依赖于大脑活动而不是周围神经和肌肉。BCI 已被研究了 20 多年。许多 BCI 使用非侵入性脑电图作为测量技术，并使用 P300 事件相关电位作为输入信号 (P300 BCI)。自 1988 年 Farwell 和 Donchin 首次使用 P300 BCI 系统进行实验以来，不仅数据处理得到了改进，而且刺激呈现也多种多样，并且开发和改进了大量应用程序 [1,2]。