物联网与脑机接口相遇:一种统一的深度学习框架实现人物认知交互
脑机接口(BCIs)提供了从大脑到外部设备的直接路径,具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号,提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验,证明了所提出的联合学习过程在学习效率和效果上的优势。
Aug, 2023
本文提出了用户驱动的智能界面的新概念,它应用于各种领域中,如残疾研究,教育,家庭护理,医疗保健等,通过脑机交互等方式,利用多模态增强现实技术,以及通过机器学习等方法,分类实时神经物理反应的即时反馈,以克服当前可用用户界面的局限性,特别是针对功能残疾人群。即使在当前状态下,结合增强现实和脑机交互的接口也能提供高度适应性和个性化的服务。
Apr, 2017
本论文系统地研究了与脑信号分析相关的脑机接口的类型、深度学习技术以及应用领域,并对过去五年发表的 230 多篇文章进行了综述,同时讨论了深度学习在脑机接口中的挑战和未来方向。
May, 2019
采用先前任务学习得到的先验知识,我们提出了一种串联的前两名 Thompson 抽样算法 (Sequential Top-two Thompson Sampling, STTS),将广义多臂老虎机中的最佳臂序列问题视为一系列任务。这种算法取得了实质性的实验性改进。
May, 2023
本文主旨在于提出名为 CIoT 的新兴物联网模式,该模式着重于为普遍物品提供高水平智能的 AI 能力,其包含五个认知任务并涵盖了海量数据分析、智能决策和按需服务提供等关键技术。
Mar, 2014
使用视觉、用户意图推断和人机共同控制的框架,旨在解决机器人远程操作系统中的挑战,同时缓解大脑 - 计算机接口下的噪音和错误低维度运动指令问题。我们使用共同控制辅助框架对两个使用了颅内脑机接口的受试者进行实验,并取得了显着的性能提升,在门的开启、从容器中倒液体和在密集且杂乱的环境中使用新型物品等任务中进一步展示了我们架构的可扩展性。
Mar, 2015
提出了一种基于深度神经网络的 MI-EEG 分类方法,采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征,消除多种伪迹。实验证明,该方法在 MI-EEG 数据集上的分类精度达到了 95.53%,并应用于具体的 BCI 系统中,实现了打字操作。
Sep, 2017
通过引入脑 - 人工智能接口(BAI)作为一种新的脑 - 计算机接口(BCI)类别,我们可以让患有认知障碍的个体也能受益于 BCI 技术,BAI 使用人工智能以取代传统 BCI 所依赖的完整认知功能,通过提供高层次意图来完成复杂任务,同时由预先训练的 AI 代理处理底层细节。本研究介绍了 BAI 的整体概念,并通过基于 EEG 的对话 BAI 展示了其潜力,特别是在一个模拟电话对话实验中,该对话 BAI 实现了复杂的交流,无需生成语言。因此,我们的工作首次展示了语音神经假肢在现实场景中使用非侵入式技术实现流畅交流的能力。
Feb, 2024