摘要背景:为了将经颅电刺激 (tES) 应用于运动皮层,通常使用经颅磁刺激 (TMS) 的运动诱发电位来识别运动热点。本研究的目的是验证一种基于脑电图 (EEG) 的新型运动热点识别方法的可行性,该方法使用机器学习技术作为 TMS 的潜在替代方案。方法:在 30 名受试者执行简单的手指敲击任务时,使用 63 个通道测量 EEG 数据。从六个频带(delta、theta、alpha、beta、gamma 和 full)提取 EEG 数据的功率谱密度,并独立用于训练和测试用于运动热点识别的人工神经网络。将 TMS 识别的各个运动热点的 3D 坐标信息与我们基于 EEG 的运动热点识别方法估计的坐标信息进行定量比较,以评估其可行性。结果:TMS 识别的运动热点位置与我们提出的运动热点识别方法之间的最小平均误差距离为 0.22 ± 0.03 厘米,证明了我们提出的基于 EEG 的方法的概念验证。当仅使用连接到运动皮层中部的 9 个通道时,测量的平均误差距离为 1.32 ± 0.15 厘米,表明实际使用基于相对较少的 EEG 通道的所提出的运动热点识别方法的可能性。结论:我们证明了我们新颖的基于 EEG 的运动热点识别方法的可行性。预计我们的方法可以作为 TMS 的运动热点识别的替代方案。特别是,当使用最近开发的与 EEG 设备集成的便携式 tES 设备时,它的可用性将显著提高。关键词:运动热点、脑电图、经颅电刺激、机器学习、人工神经网络
用中性原子实现易于断层量子计算,需要仔细考虑该系统固有的错误。一个典型的错误是在实施多Qubit门期间Rydberg状态的泄漏,这可能会传播到多个相关误差并恶化误差校正的性能。为了解决这个问题,研究人员提出了一种使用快速泄漏检测和连续的原子替换来将泄漏错误转换为良性擦除误差的擦除转换方案。虽然此方法达到了高阈值和有利的误差距离D E = D,但其适用性仅限于某些原子物种。在这项工作中,我们提出了一种在基于测量的量子计算(MBQC)中管理Rydberg衰减错误的新方法。从硬件的角度来看,我们利用了实用的实验技术以及Pauli旋转近似(PTA)的适应来减轻泄漏错误的影响,这与Pauli误差的传播相似,而不会降低错误距离。从解码的角度来看,我们利用拓扑聚类状态和最终泄漏检测信息的固有结构来定位Rydberg衰减错误的传播错误。这种方法消除了对中路泄漏检测的需求,同时保持错误距离D E = D并达到纯Rydberg衰减的高阈值3.617(3)%。在存在其他保利错误的情况下,我们证明了在合理的物理错误范围内逻辑错误率中协议的性能,并与擦除转换进行了比较。结果显示出适度的R e的性能,这揭示了我们的方法在近期平台中的应用。