Brain-Inspired智能系统日常援助

---

机器学习领域和认知计算与神经灵感在过去的十年中彻底改变了算法(例如,深ann和深RL)和brain-intelligent系统协助许多真实的学习任务从机器人在家监测和交互复杂决策在人类和动物的情绪和行为。虽然有这些brain-inspired算法和系统的巨大进步,他们需要用巨大的数据集,训练和他们的结果缺乏灵活性以适应不同的学习任务和可持续的长期性能。为应对这些挑战,必须得到一个分析理解的原则,允许生物启发智能系统利用知识和如何被转换到硬件日常援助和实际应用。这个特殊的问题带来interdesciplinary领域研究人员报告他们的最新研究工作对算法和神经灵感系统灵活地适应新的学习任务,从环境中学习使用多通道信号(如神经、生理和运动),并产生自主自适应机构,利用认知和情感数据,在一个社会神经科学框架。在这个特殊的问题,我们选择了十四岁的五篇论文高质量的论文仔细审查过程后,录取率达到35.7%。五个文件是当前最先进的在这一领域的代表。

e·克鲁斯等人提出一个机器人系统监测与人交互影响认知疾病通过成功地集成对象识别、行为识别、定位和导航方法记住并帮助病人完成日常任务。拟议的方法包括一个对象识别引擎的实现(矿石)负责检测某一对象基于初始ResNet V2架构,一个经典的卷积神经网络(CNN)计划在提出卷积神经网络(R-CNN)架构,以避免错误的检测。此外,行为识别引擎(BRE)基于OpenPose算法用于正确地识别用户的行为在不同的房间和房子。拟议的系统已成功测试了类人机器人胡椒在附加信息本地化等机器人机器人如何适应新环境例如,家具已经重新安排在一个房间里基于语义本地化系统(SLS)以及机器人导航从一个房间到另一个基于专家系统,计算路径从当前目标的空间。拟议的方法显示了竞争和一致的结果。

相反,h·庞塞等人提出一个方法受nature-control系统机器人辅助生活(、)导航系统使用的策略建立基于埃尔米特光学流(的)和卷积神经网络(cnn)。该集成系统使用障碍运动检测和CNN的埃尔米特障碍距离估计。作者估计距离移动和固定对象使用单眼相机代替RGB-D传感器提供了场景的深度图。这种方法的优点是,它需要更少的数据来训练的距离估计和训练数据来计算的字段。实验目的,作者使用了机器人模拟器V-REP再现现实世界的条件相当准确。拟议的方法加强bioinspired方法的假设,CNN距离推理技术,人造有机控制器(AOC)可以模拟视觉认知策略在动态环境中。

美国关等人提出一个科目的决策树(SSDT)分类框架和第二数据简化方法来区分多级运动图像(MI)使用脑电图(EEG)信号的脑机接口(BCI)基于协方差矩阵的歧管黎曼的视角。SSDT分类框架的目标是将两个MI任务最高的识别率,同时提高分类精度。这是通过计算测地线在树上一个过滤器最小距离黎曼意味着(FGMDRM)为了减少分类错误。这种方法比其他的方法在文献中固定频率的性能更好,脑电图信号段(8-30 Hz)处理。的目标数据简化方法,包括特征提取和分类算法,是减少在一个非线性融合在黎曼切平面向量的维数和分类不同类型的MI任务再基于(资讯)算法。特征提取算法,名叫“SJGDA”,结合semisupervised联合互信息(semi-JMI)与一般的判别分析(GDA)。拟议中的数据简化方法执行比semi-JMI GDA在不同的数据集和更高的识别率。

f . Gomez-Donoso等人提出一个方法,补充环境辅助生活(AAL)环境中,这是由相机固定在天花板的环境中,通过整合国内机器人,即辣椒,徘徊在通过检测危险区域和活动(非静态的)对象,固定相机无法检测。此外,该系统检测到居民的事件和他们呆在一个特定区域的家里。提出了管道实现三个目标检测和跟踪算法。首先,多通道进化算法基于一组单一代理是用来探测和跟踪人的行为在3 d。第二,一个障碍在地面跟踪(油气痕迹)基于随机样本的共识(RANSAC) model-fitting算法耦合的机器人来帮助它来检测固定和移动对象和障碍在地面之上。最后,肤浅的对象探测器(SOD)算法用于构建更全面的地图识别潜在危险区域的物品,例如墙壁或地板插座太小所感觉到的3 d相机。这是通过解析摄像机捕获的彩色图像的机器人提出卷积神经网络(R-CNN)返回边界框和类别的对象。每个算法的性能是由严重的实验验证在实际环境中。

最后,y侯和美国陈展现情感描述系统使用EEG信号,特别是四类情感(即。、快乐、悲伤、冷静,愤怒)应该是杰出的。为此,他们通过音乐刺激诱导这些情绪(使用20音乐段落在每个音乐情感组)和记录EEG信号的受试者使用12电极。来自27个不同的特性获得的信号,提取,已被用于进一步的数据分析。通过这种方式,最有价值的特性已确定通过慢性疲劳综合症的方法。此外,据透露,C4.5是更有效的比其他广泛使用的情感分类基于EEG信号如LDA或SVM方法。

的利益冲突

编辑声明没有任何利益冲突有关的出版这个特殊的问题。

斯塔西亚Angelopoulou
何塞Garcia-Rodriguez
Epameinondas Kapetanios
彼得·m·罗斯
肯尼斯·Revett

版权

版权©2019斯塔西亚Angelopoulou等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。