نحوه دسترسی به توکن ICP 'Seed' و 'Airdrop' و مشارکت در شبکه کامپیوتری اینترنتی

دستورالعمل هایی برای مشارکت کنندگان بذر و ثبت کنندگان airdrop برای استفاده از نشانه ها برای توسعه dapps و مشارکت در مدیریت شبکه. < /p>

پس از سالها تلاش سخت صدها نفر در سراسر جهان ، بنیاد DFINITY مفتخر است که در 10 مه 2021 ، بلاک چین رایانه اینترنتی به مرحله عمومی خود در حال گذار است. این اولین بلاک چین است که می تواند وب سایت ها ، سیستم ها ، خدمات اینترنتی و سیستم های مالی را که کاملاً از قراردادهای هوشمند ساخته شده اند ، بدون نیاز به پشتیبانی از سیستم های خصوصی ، میزبانی کند. برای مثال دیگر نیازی به خدمات ابری برای ایجاد dapp نیست و سرویس های ابری نیز در شبکه اصلی رایانه اینترنتی مشارکت ندارند. در رایانه اینترنتی ، قراردادهای هوشمند پیشرفته با سرعت وب اجرا می شوند ، می توانند به برنامه های وب سرویس دهند ، کارآمد هستند و می توانند از ظرفیت محاسبه نامحدود ، زنجیره ای ، در مقیاس اینترنت استفاده کنند.

این چنین نبود بدون تیم بنیاد DFINITY ، مشارکت کنندگان خارجی ، کسانی که از نظر مالی مشارکت داشته اند و حامیانی که ایمان خود را در طول چندین سال کار که برای رساندن پروژه به این مرحله ضروری بوده است حفظ کرده اند - و ما از همه افراد درگیر صمیمانه تشکر می کنیم. شبکه کامپیوتری اینترنتی اکنون باید تحت کنترل سیستم عصبی شبکه ، سیستم حکومتی کاملاً باز و نمادین خود ، تکامل یابد.

Genesis Unlock در روز دوشنبه 10 مه 2021 ، ساعت 9 صبح به وقت اقیانوس آرام رخ می دهد/ساعت 6 عصر به وقت اروپای مرکزی. این فرآیند را آغاز می کند که از طریق آن شرکت کنندگان در جمع آوری کمک های مالی Seed در فوریه 2017 و توزیع جامعه Airdrop تابستان 2018 می توانند نشانه های ICP خود را درخواست کنند.

هم اهداکنندگان Seed و هم شرکت کنندگان Airdrop باید از روش های AML/KYC عبور کنند. خبر خوب این است که روش ها نسبتاً ساده هستند و اغلب گذراندن چنین روش های تأیید فقط چند دقیقه طول می کشد.

ICP نشانه های کاربردی هستند که دو نقش اصلی دارند:

آنها مشارکت در حکومت را امکان پذیر می کنند. می توانید آنها را در داخل سیستم عصبی شبکه (NNS) با قفل کردن آنها در "نورون های رأی دهنده" قرار دهید. نورون های رای دهنده پاداش رای گیری را دریافت می کنند. آنها می توانند به صورت دستی رای بدهند ، یا می توانند با پیروی از نورون های دیگر ، در یک طرح دموکراسی مایع ، به طور خودکار رای دهند. سیستم عصبی شبکه اراده جامعه را با واسطه الگوریتم ها اعمال می کند. هرچه ارزش بیشتری در داخل سیستم حاکمیتی وجود داشته باشد ، امنیت شبکه بیشتر می شود. ICP توسط سیستم عصبی شبکه می تواند به "چرخه" تبدیل شود. این تنها راه ایجاد چرخه هایی است که سوخت محاسبات را تأمین می کند و می تواند به روش های دیگر نیز مورد استفاده قرار گیرد. NNS ICP به ارزش 1 SDR را دقیقاً به 1 تریلیون چرخه تبدیل می کند.

بسیار مهم است که جریان توکن های ICP مایع در سراسر شبکه طبق برنامه ای برای ایمنی و امنیت دارندگان ICP منتشر شود ، شبکه و کاربران آن در حالی که فناوری اصلی در حال خراب شدن است و اکوسیستم آن در حال ایجاد است.

بنابراین شرکت کنندگان در Airdrop توکن های ICP خود را در 12 قسط مساوی ماهانه دریافت می کنند که از طریق کیف پول CoinList آنها تحویل داده می شود. اولین تخصیص آنها به Genesis Unlock یا خیلی زود پس از آن (هنگامی کهسیستم های اداری مربوطه در حرکت قرار گرفته است). شرکت کنندگان می توانند توکن های توزیع شده را به کیف پول خود منتقل کنند یا NNS برای مشارکت در حکمرانی منتقل کنند.

در همین حال ، اهداکنندگان Seed تمام نشانه های ICP خود را در Genesis Unlock دریافت می کنند ، اما اینها به صورت ضامن در نظر گرفته می شوند. در 49 نورون رای دهنده در NNS. هر نورونی که تحویل داده می شود دارای "تاخیر حل شدن" متفاوتی است که توسط NNS پیکربندی شده است. این حداقل دوره لازم برای باز کردن قفل توکن های ICP را که در داخل قرار گرفته اند پیکربندی می کند. یکی از سلولهای عصبی آنها 0 روز تاخیر در حل شدن خواهد داشت و اجازه می دهد تا در صورت تمایل قفل توکن های ICP فاقد قفل باز شود (مشروط به تأیید AML/KYC قابل اجرا). یکی دیگر تقریباً 30 روز تاخیر در انحلال دارد ، دیگری 60 روز ، دیگری 90 روز و غیره. >

اگر شما اهدا کننده بذر هستید ، سلول های عصبی شما قبلاً توسط NNS ایجاد شده اند و توسط کلید اتریوم که در فوریه 2017 برای کمک به بنیاد DFINITY استفاده می کردید کنترل می شوند (یعنی عبارت دانه ای که از شما خواسته شد صرفه جویی). سلولهای عصبی اهداکنندگان دانه بلافاصله شروع به دریافت پاداش رای برای صاحبان خود می کنند زیرا NNS آنها را پیکربندی کرده است تا از نورونهای دیگر پیروی کنند و به طور خودکار رای دهند. البته ، می توان آنها را مجدداً پیکربندی کرد که به صورت دستی رای دهند یا از نورون های دیگر پیروی کنند تا به صورت دلخواه ، به صورت خودکار رای دهند. هر یک از این نورون های دانه توسط NNS "سن" خود را از 18 ماه پیش تعیین کرده اند. این مهم است زیرا قدرت رأی گیری و پاداش های رأی گیری توسط یک نورون با افزایش سن افزایش می یابد. هر زمان که یک نورون در حالت انحلال قرار می گیرد ، حتی برای یک ثانیه ، سن آن به صفر می رسد و این مزیت را از دست می دهد و بنابراین حل کردن یک نورون نیاز به کمی فکر دارد.

اهداکنندگان بذر کنترل فوری خود را خواهند داشت. سلولهای عصبی - آنها می توانند آنها را مجدداً پیکربندی کرده ، در حکمرانی شرکت کنند تا پاداش دریافت کنند ، یا بلافاصله آنها را برای انحلال تنظیم کنند تا بتوانند توکنهای ICP در داخل را بازیابی کنند. با این حال ، تا زمانی که اهداکنندگان Seed مراحل AML/KYC را گذرانده باشند ، حتی هنگامی که یک نورون را حل کرده اند ، آنها نمی توانند توکنهای ICP را که داخل آن قرار گرفته است ، به عنوان مثال ، با پرداخت به آدرس دفتر ICP پرداخت کنند. (وقتی اهداکننده دانه این مراحل را گذراند ، بنیاد DFINITY پیشنهادی را به NNS ارائه می دهد که در صورت تصویب ، نورون آنها به عنوان تأیید شده علامت گذاری می شود ، و سپس اهدا کننده Seed قادر خواهد بود توکن های ICP قفل نشده را پرداخت کند.)

اگر شما اهدا کننده Seed هستید ، زیرا نورون های شما توسط کلید اصلی Ethereum شما کنترل می شوند ، هنوز نمی توان با استفاده از شناسه اینترنت (به عنوان مثال ، از طریق NPS front-end dapp) به آنها دسترسی پیدا کرد. در عوض ، باید با استفاده از ابزار خط فرمان DFX به نورون های خود دسترسی پیدا کنید. مردم در حال حاضر به دنبال راه های ممکن برای ادغام این کلیدهای اتریوم با هویت اینترنتی هستند. همیشه از یک متخصص برای کمک به شما در هنگام استفاده از ابزار خط فرمان استفاده کنید و همه چیز را با دقت و به آرامی انجام دهید.

در اینجا دستورالعمل ها آمده است:

الف. توزیع علامت اهدای بذر:sdk.dfinity.org/docs/token-holders/seed-donations.html

ب. دستورالعمل های هوایی DFINITY Community: coinlist.co/dfinity همچنین می توانید پاسخ سوالات متداول را بیابید.

برای سایر گیرندگان نشانه ، ایمیل خود را برای دستورالعمل های دسترسی نظارت کنید.

CycleGAN ها برای ایجاد هنرهای تولید شده توسط کامپیوتر

توضیحی در مورد CycleGAN ها و نمایش هنرهای تولید شده توسط کامپیوتر

CycleGAN ها به زیرمجموعه ای از GAN ها اطلاق می شود که قادر به گرفتن تصویر و ایجاد تصویر جدیدی هستند که نوعی تغییر شکل را منعکس می کند. بخش جالب CycleGAN این است که شما نیازی به تصاویر مرتبط ندارید. این برای سناریوهایی که ممکن است تصاویر زوجی نداشته باشید واقعاً مفید است. به عنوان مثال ، اگر می خواهید تصاویر گورخرها را به اسب تبدیل کنید. جمع آوری این نوع داده ها احتمالاً غیرممکن است ، مگر اینکه حدس بزنم اگر شما گورخرها و اسب ها را نقاشی کرده اید ... با خلاقیت کافی ، آنها همچنین می توانند برای ایجاد هنرهای کامپیوتری مفید واقع شوند.

این رقم از مقاله CycleGAN اصلی گرفته شده است.

در اینجا ، من مروری دقیق بر نحوه عملکرد CycleGAN ها خواهد داشت. این پست فرض می کند که شما حداقل با GAN آشنایی دارید. بنابراین اگر با GAN آشنا نیستید ، پست وبلاگ من را با عنوان "Networks Adversarial Networks (GANs) برای مبتدیان: ایجاد تصاویر رانندگان حواس پرت" بررسی کنید.

برای این پست ، من از CycleGAN نمونه ای استفاده می کنم که آموزش دیده است. تبدیل تصاویر جنگل ها به نقاشی های انتزاعی از جنگل ها. کد من برای تولید این تصاویر در GitHub من یافت می شود.

مجموعه داده

در اینجا ، مجموعه داده شامل تصاویر جنگل و نقاشی های انتزاعی است. من این تصاویر را با استفاده از کلمات کلیدی "جنگل" و "نقاشی های انتزاعی مشهور" از Google Images حذف کردم. برای این کار از بسته پایتون Google Images Download استفاده کردم. چند نمونه در زیر آمده است.

مدل

هنگام آموزش CycleGAN ، چهار شبکه عصبی وجود دارد که باید آموزش ببینند:

مولد که تصاویری از نقاشی های انتزاعی (مولد نقاشی انتزاعی) ایجاد می کند. مولدی که تصاویر جنگلها را تولید می کند (تولیدکننده تصویر جنگلی). تبعیضی که می تواند تفاوت بین تصاویر واقعی و جعلی جنگل ها را تشخیص دهد (تشخیص تصویر جنگل). جنبه جدید نحوه آموزش این شبکه ها است.

آموزش مدل

قبل از پرداختن به جزئیات ، اجازه دهید یک دید کلی در مورد نحوه آموزش CycleGAN ها ارائه دهم. ابتدا ، ما از یک جنگل عکس می گیریم ، از ژنراتور نقاشی انتزاعی برای ایجاد یک نقاشی انتزاعی جعلی استفاده می کنیم ، و سپس نقاشی انتزاعی جعلی را گرفته و از مولد تصویر جنگل برای بازسازی تصویر اصلی جنگل استفاده می کنیم. ما همچنین به جهت دیگری می رویم که یک نقاشی انتزاعی می گیریم ، از ژنراتور تصویر جنگل برای ایجاد یک تصویر جنگلی جعلی استفاده می کنیم ، و سپس از تصویر جنگلی جعلی استفاده می کنیم و از ژنراتور نقاشی انتزاعی برای بازسازی نقاشی انتزاعی اصلی استفاده می کنیم. این ایده مبتکرانه چرخه ، کمک جدیدی از CycleGAN است و در نمودار زیر نشان داده شده است. نکته قابل توجه این است که از یک ژنراتور برای تولید نقاشی های انتزاعی جعلی و بازسازی نقاشی های انتزاعی و از همان ژنراتور برای تولید تصاویر جنگلی جعلی و بازسازی تصاویر جنگل استفاده می شود.

آموزش CycleGAN. این رقم از CycleGAN اصلی اقتباس شده استمقاله.

در زیر می بینید که در CycleGAN ما چگونه به نظر می رسد. شما می توانید تصاویر واقعی را مشاهده کنید ، به تصاویر جعلی تبدیل شده و سپس دوباره به تصاویر واقعی بازسازی می شوند. ممکن است متوجه شوید ، به ویژه با نقاشی انتزاعی ، ساختار اجسام به شدت تغییر نمی کند. این یک مشاهده معمول با CycleGAN است و احتمالاً به دلیل مرحله تفریحی است. ممکن است برای یک CycleGAN بسیار سخت باشد که یک تصویر را به شدت تغییر دهد و سپس به نسخه اصلی آن بازگردد.

خوب حالا اجازه دهید وارد جزئیات شویم! هنگام آموزش مدل ، اساساً دو مرحله وجود دارد: آموزش ژنراتورها و سپس تشخیص دهندگان.

آموزش ژنراتورها

درست مانند هر شبکه عصبی ، ما باید ضرر را محاسبه کنیم ( در این مورد برای ژنراتورها) و از نزول شیب تصادفی با انتشار عقب (یعنی قانون زنجیره) برای محاسبه گرادیان ها و به روز رسانی وزن ها با توجه به این شیب ها استفاده کنید. اما چگونه تلفات ژنراتور را محاسبه کنیم؟ این ضرر در واقع شامل چند جزء مختلف است.

ابتدا ، تلفات GAN را برای مولد نقاشی انتزاعی محاسبه می کنیم (در "چرخه" در قسمت زیر سایه زرد شکل زیر قرار داریم). این کار با گرفتن یک تصویر جنگلی واقعی و قرار دادن آن در ژنراتور نقاشی انتزاعی برای ایجاد یک نقاشی انتزاعی جعلی انجام می شود. سپس نقاشی انتزاعی جعلی از طریق تمایز نقاشی انتزاعی قرار داده می شود. ما می توانیم خروجی تشخیص دهنده را این احتمال بدانیم که تصویر یک نقاشی انتزاعی واقعی است. سپس خروجی تشخیص دهنده با از دست دادن دوتایی آنتروپی ارزیابی می شود. این از دست دادن GAN درد انتزاعی است. img>

دوم ، از دست دادن GAN برای تولید کننده تصویر جنگل را محاسبه می کنیم (در چرخه ما در قسمت سایه زرد شکل زیر قرار داریم). این کار با گرفتن یک نقاشی انتزاعی واقعی و قرار دادن آن در ژنراتور تصویر جنگل انجام می شود تا یک تصویر جنگلی جعلی ایجاد شود. سپس تصویر جنگلی جعلی از طریق تشخیص تصویر جنگل قرار داده می شود. ما می توانیم خروجی تشخیص دهنده را این احتمال بدانیم که این تصویر یک تصویر واقعی از جنگل است. سپس خروجی تشخیص دهنده با از دست دادن دوتایی آنتروپی ارزیابی می شود. این از بین رفتن GAN تصویر جنگل است.

بسیار خوب حالا ما یک نقاشی انتزاعی جعلی و یک تصویر جنگلی جعلی داریم. همانطور که در نمای کلی سطح بالا توضیح داده شد ، اکنون باید آن تصاویر جعلی را گرفته و دوباره به تصاویر واقعی مربوطه بازسازی کنیم. بنابراین ، سوم ، ما نقاشی انتزاعی جعلی را می گیریم و آن را در ژنراتور تصویر جنگل قرار می دهیم تا تصویر واقعی جنگل بازسازی شده اصلی را ایجاد کنیم (در چرخه ما در قسمت زیر سایه زرد شکل زیر قرار داریم). ما این تصویر جنگل بازسازی شده را در برابر تصویر واقعی جنگل با از دست دادن L1 ارزیابی می کنیم (توجه داشته باشید ، در اینجا ، از دست دادن L1 معمولاً در مقداری ثابت ضرب می شود ، بنابراین در مقیاس مشابه تلفات محاسبه شده دیگر است). این از دست دادن ثبات چرخه تصویر جنگل است.

در نهایت ،ما تصویر جنگلی جعلی را گرفته و آن را از طریق ژنراتور نقاشی انتزاعی قرار می دهیم تا نقاشی انتزاعی بازسازی شده ایجاد شود (در چرخه ما در قسمت سایه زرد شکل زیر قرار داریم). ما این نقاشی انتزاعی بازسازی شده را در برابر نقاشی انتزاعی واقعی با از دست دادن L1 ارزیابی می کنیم (توجه داشته باشید ، در اینجا ، از دست دادن L1 معمولاً در مقداری ثابت ضرب می شود ، بنابراین در مقیاس دیگر تلفات محاسبه شده است). این چرخه نقاشی انتزاعی از دست دادن قوام است.

اکنون تقریباً آمادگی محاسبه تلفات ژنراتور را داریم (بله ، همه این کارها برای یک عدد انجام شد). یک ضرر دیگر داریم که باید محاسبه کنیم ، آن نگاشت هویت است. تلفات نقشه هویت محاسبه می شود زیرا همانطور که در شکل زیر مشاهده می شود ، این مرحله برای حفظ رنگ های تصویر اصلی نشان داده شده است. ابتدا ، ما تصویر واقعی جنگل را از طریق مولد تصویر جنگل قرار می دهیم و تلفات L1 را برای تصویر واقعی جنگل و تصویر جنگل تولید شده محاسبه می کنیم. این از دست دادن نگاشت هویت تصویر جنگل است (توجه داشته باشید ، این ضرر نیز در ثابت ضرب می شود). دوم ، ما همین کار را برای نقاشی های انتزاعی انجام می دهیم ، جایی که درد واقعی انتزاعی را از طریق مولد نقاشی انتزاعی قرار می دهیم. این نقص نقشه انتزاعی نقاشی است.

شکل 9 از CycleGAN مقاله.

سرانجام آماده محاسبه تلفات ژنراتور هستیم که همه اجزای تلفات جمع شده است: چرخه تصویر-از دست دادن قوام + چرخه نقاشی انتزاعی-از دست دادن قوام + از دست دادن نقشه هویت تصویر جنگل + از دست دادن نقشه هویت نقاشی انتزاعی

سپس وزن تولیدکنندگان با توجه به این فقدان به روز می شود!

< p> 2 تبعیض آمیز را آموزش دهید

اکنون که وزن ژنراتورها را به روز کرده ایم ، در مرحله بعد باید تبعیض آمیز را آموزش دهیم.

ابتدا ، وزن تشخیص دهنده انتزاعی نقاشی را به روز می کنیم. ما یک نقاشی انتزاعی واقعی را از طریق تشخیص نقاشی انتزاعی قرار می دهیم و این خروجی را گرفته و با از دست دادن آنتروپی دوتایی ارزیابی می کنیم. سپس ، ما نقاشی انتزاعی جعلی را که قبلاً ایجاد شده بود ، می گیریم ، آن را از طریق نقاشی انتزاعی تشخیص می دهیم و همچنین آن را با از دست دادن آنتروپی دوتایی ارزیابی می کنیم. سپس میانگین این دو ضرر را در نظر می گیریم. این نقاشی انتزاعی از دست دادن تمایز است. وزن تبعیض آمیز نقاشی با توجه به این فقدان به روز می شود.

ثانیاً ، ما وزن های تشخیص دهنده تصویر جنگل را به روز می کنیم. ما یک تصویر واقعی از جنگل را از طریق تشخیص دهنده جنگل قرار می دهیم و این خروجی را گرفته و با از دست دادن آنتروپی دوتایی ارزیابی می کنیم. سپس ، ما تصویر جنگلی جعلی ایجاد شده قبلی را گرفته ، آن را از طریق تشخیص تصویر جنگل قرار می دهیم و همچنین آن را با از دست دادن دوتایی آنتروپی ارزیابی می کنیم. سپس میانگین این دو ضرر را در نظر می گیریم. این از دست دادن تمایز تصویر جنگل است. وزن تشخیص دهنده جنگل با توجه به این از دست رفتن به روز می شود. معماری دقیق این شبکه های عصبی خوب ، البته ، الف وجود داردگزینه های زیادی برای معماری این شبکه ها وجود دارد ، اما در اینجا به طور مختصر به معماری های مورد استفاده برای ایجاد نقاشی های انتزاعی از جنگل ها اشاره می کنم. جزئیات این معماری ها ممکن است در کد مشاهده شود. ژنراتورها از معماری می آیند که قبلاً برای انتقال سبک و وضوح فوق العاده استفاده می شد (به جانسون و همکاران مراجعه کنید). معماری شبکه اساساً شامل مجموعه ای از بلوک های ResNet است که اندازه شبکه را کوچک می کند ، اندازه شبکه را ثابت نگه می دارد و سپس اندازه شبکه را مثال می زند. برای مشاهده نمودار معماری به شکل زیر مراجعه کنید.

معماری ژنراتور از جانسون و دیگران.

برای افراد متمایز ، از PatchGAN استفاده کردیم که اساساً سعی می کند طبقه بندی کند که آیا هر وصله N x N (در اینجا 70 70 70) یک تصویر واقعی است یا جعلی. برای اطلاعات بیشتر در مورد PatchGAN ، کد و این مقاله را مشاهده کنید.

تصاویر جنگل های تولید شده توسط کامپیوتر

پس از مدتی آموزش ، اجازه دهید ببینیم تصاویر جنگلی انتزاعی تولید شده توسط کامپیوتر ما چگونه به نظر می رسند! در زیر چند نمونه ذکر شده است ، اما می توانید همه آنها را در GitHub من مشاهده کنید. >

خیلی هم بد نیست! من این تصاویر را برای مسابقه هنرهای هوش مصنوعی در دانشگاه دوک ایجاد کردم و در نهایت مقام اول را کسب کردم - برای اطلاعات بیشتر اینجا را کلیک کنید.

نتیجه گیری

همانطور که در بالا مشاهده می کنید ، در واقع به نظر می رسد که رایانه ها می توانند به لطف CycleGAN در این مورد هنر تولید کنند. باز هم ، قسمت بسیار جالب CycleGAN این است که شما نیازی به تصاویر جفت شده در مجموعه داده ندارید. بسیار شگفت انگیز است که چنین چیزی امکان پذیر است! من کنجکاو خواهم بود که ببینم آیا یادگیری ماشینی بدون زوج در زمینه های دیگر مانند پردازش زبان طبیعی امکان پذیر است (شاید این قبلاً وجود داشته باشد!).

*** به روز رسانی در 1/20/2020 ***: من فراموش کردم که این پست را زودتر ارسال کنم ، اما هنر ارائه شده در اینجا در مسابقات هنری هوش مصنوعی در دانشگاه دوک مقام اول را کسب کرد. مقاله ای را توصیف کنید که این مسابقه را توصیف می کند!

انتزاعی نقاشی تصویر

آزمایش رابط های مغز و کامپیوتر در جاوا اسکریپت.

مغز- رابط رایانه ای با یک Emotiv Epoc

طی دو سال گذشته ، من علاقه فزاینده ای به فناوری عصبی داشتم. این پست وبلاگ درباره به اشتراک گذاشتن چیزهایی است که در طول راه آموخته ام و امیدوارم به افرادی که می خواهند شروع کنند کمک کند!

قبل از ورود به این موضوع ، فکر کردم به طور مختصر در مورد نحوه ورود به آن صحبت کنم. در وهله اول. با انجام یک bootcamp برنامه نویسی همه جانبه در مجمع عمومی ، کد نویسی را یاد گرفتم.

در حالی که به دنبال اولین کارم بودم ، با جاوا اسکریپت و سخت افزار شروع به کار کردم و اولین پروژه ای که من روی آن کار کردم کنترل رباتیک Sphero بود. توپ با استفاده از حرکات دست من بر روی یک حرکت جهشی.

حرکت- Sphero کنترل شده با حرکت جهشی

اولین بار بود که از JavaScript برای کنترل چیزهای خارج از مرورگر استفاده می کردم و فوراً گیر می کردم!

از آن زمان ، من هزینه های زیادی را صرف کرده ام از زمان شخصی من نمونه اولیه پروژه های تعاملی و هر بار ، من tr y تا کمی بیشتر خودم را به چالش بکشم تا چیز جدیدی یاد بگیرم.

پس از آزمایش چند دستگاه مختلف ، به دنبال چالش بعدی خود بودم و این زمانی بود که با اولین سنسور مغزی خود ، یعنی Neurosky ، برخورد کردم.

اولین آزمایشات با سنسور مغز

- -

وقتی شروع به علاقمندی به آزمایش با سنسورهای مغزی کردم ، تصمیم گرفتم با خرید یک Neurosky شروع کنم زیرا بسیار ارزان تر از سایر گزینه ها بود.

حسگر مغز عصبی

من واقعاً نمی دانستم آیا مهارت برنامه ریزی هر چیزی برای آن را دارم (تازه بوتکامپ برنامه نویسی خود را تمام کرده بودم) ، بنابراین نمی خواستم پول زیادی هدر دهم. خوشبختانه ، قبلاً یک چارچوب جاوا اسکریپت برای Neurosky ساخته شده بود ، بنابراین من می توانم به راحتی شروع کنم. من روی سطح تمرکز خود برای کنترل یک هواپیمای بدون سرنشین Sphero و Parrot AR کار کردم.

به سرعت متوجه شدم که این سنسور مغزی فوق العاده دقیق نیست. فقط 3 سنسور دارد ، بنابراین سطح "توجه" و "میانجیگری" خود را به شما می دهد ، اما به طریقی نامنظم. آنها همچنین به شما امکان دسترسی به داده های خام حاصل از هر سنسور را می دهند ، بنابراین می توانید چیزهایی مانند تجسم کننده بسازید ، اما 3 سنسور واقعاً برای نتیجه گیری در مورد آنچه در مغز شما اتفاق می افتد کافی نیست.

هنگامی که در حال تحقیق در مورد دیگر حسگرهای مغزی بودم ، با Emotiv Epoc برخورد کردم. به نظر می رسید که ویژگی های بیشتری دارد ، بنابراین تصمیم گرفتم آن را بخرم تا بتوانم با BCI ها آزمایش کنم.

قبل از توضیح نحوه عملکرد این هدست ، بیایید به طور مختصر در مورد مغز صحبت کنیم.

چگونه آیا مغز کار می کند

- -

من قطعاً متخصص علوم اعصاب نیستم بنابراین توضیحات من ناقص خواهد بود اما اگر می خواهید چند نکته اساسی وجود دارد که باید بدانید برای درک بهتر حسگرهای مغزی و فناوری عصبی.

مغز از میلیاردها و میلیاردها نورون ساخته شده است. این نورون ها سلول های تخصصی هستند که اطلاعات را پردازش می کنند و به جای اینکه به طور تصادفی پخش شوند ،ما می دانیم که مغز در قسمتهای مختلف مسئول عملکردهای مختلف فیزیولوژیکی سازماندهی شده است.

قسمتهای مختلف مغز (منبع: macmillan.org.uk)

برای مثال ، بیایید: حرکت کنیم.

در مغز ، قسمتهایی که مسئول حرکت و هماهنگی هستند شامل موارد زیر است: قشر حرکتی اولیه (در لوب پیشانی) و مخچه. هنگام هماهنگی حرکات ، نورون های این قسمت ها فعال می شوند و آکسون های خود را به نخاع می فرستند. آنها سپس نورونهای حرکتی را فعال می کنند که عضلات را فعال کرده و منجر به حرکت می شوند.

آناتومی neuron

همانطور که قبلاً گفتم ، این توضیح بسیار ساده است ، اما مهمترین چیز این است که این سیگنالهای الکتریکی شلیک شده را می توان در واقع توسط دستگاه EEG (الکتروانسفالوگرافی) در سطح پوست سر پیگیری کرد.

از سیستم های دیگر می توان برای ردیابی فعالیت مغز استفاده کرد ، اما معمولاً بسیار تهاجمی ، گران قیمت هستند و نیاز به جراحی دارند. به عنوان مثال ، شما همچنین ECog (الکتروکورتیکوگرافی) دارید که در آن ایمپلنت ها در داخل جمجمه قرار می گیرند.

امیدوارم این امر منطقی باشد و اکنون می توانیم مدتی را در مورد نحوه ردیابی این سیگنال های الکتریکی Emotiv Epoc صرف کنیم.

حسگر مغز چگونه کار می کند

- -

Emotiv دارای 3 دستگاه مختلف است:

The Emotiv Insight Epoc Flex The Emotiv Epoc

Epoc دارای 14 سنسور (همچنین کانال ها نیز نامیده می شوند) در اطراف سر قرار گرفته است.

10/20 سیستم بین المللی EEG (در سمت چپ پایین) ، به عنوان مرجعی برای توصیف و اعمال مکان الکترودهای پوست سر استفاده می شود. این بر اساس رابطه بین محل قرارگیری الکترود و ناحیه زیرین مغز است. به این ترتیب ، استاندارد خاصی را در دستگاه ها و آزمایش های علمی امکان پذیر می کند.

در رنگ های سبز و نارنجی ، می توانید ببینید کدام حسگرها در Epoc (در سمت راست) استفاده می شوند.

10/20 سیستم بین المللی EEG در مقابل Emotiv Epoc

همانطور که می بینید ، حتی اگر 14 کانال ممکن است زیاد به نظر برسند ، در واقع بسیار کمتر از میزان سنسورهای یک دستگاه پزشکی است ، با این حال ، به نظر می رسد که آنها به خوبی در اطراف سر توزیع شده اند.

میزان نمونه گیری Epoc از 2048 نمونه داخلی به 128 SPS یا 256 SPS نمونه گیری می شود و پاسخ فرکانسی بین 0.16 تا 43 هرتز است.

این بدان معناست که 2048 نمونه در ثانیه از سیگنال پیوسته گرفته می شود که در آن فرکانس پاسخ متفاوت است. از 0.16Hz تا 43Hz.

اگر به انواع مختلف امواج مغزی نگاه کنیم ، می بینیم که آنها بین 0.5Hz تا 100Hz کار می کنند.

Ty pes امواج مغزی

چرا این مهم است؟ از آنجا که بسته به نوع برنامه ای که می خواهیم با دستگاه خود بسازیم ، ممکن است بخواهیم فقط بر روی امواج خاصی که روی فرکانس های خاصی کار می کنند تمرکز کنیم. به عنوان مثال ، اگر می خواهیم یک برنامه مدیتیشن بسازیم ، ممکن است بخواهیم فقط روی امواج تتا تمرکز کنیم که بین 4-8 هرتز کار می کنند.

اکنون که می دانیم دستگاه چگونه کار می کند ، بیایید در مورد کارکرد آن صحبت کنیم. به شما این امکان را می دهد که ردیابی کنید. سنسور در عوض ، آنها به شما دسترسی می یابند: > حالات صورت (پلک زدن ، چشمک زدن به چپ و راست ،غافلگیری ، اخم ، لبخند ، فشار دادن ، خندیدن ، پوزخند زدن) دستورات ذهنی (فشار ، کشیدن ، بلند کردن ، رها کردن ، چپ ، راست ، چرخش به چپ ، چرخش راست ، چرخش در جهت عقربه های ساعت ، چرخش خلاف جهت عقربه های ساعت ، چرخش معکوس ، ناپدید می شوند)

فقط دستورات ذهنی به آموزش هر کاربر نیاز دارد. برای آموزش این "افکار" ، باید نرم افزار آنها را بارگیری کنید.

پس از آموزش ، یک فایل به صورت محلی یا در ابر ذخیره می شود.

در صورت تمایل برای نوشتن برنامه خود ، می توانید از API Cortex ، SDK انجمن آنها استفاده کنید (آنها بعد از v3.5 حفظ آن را متوقف کردند) یا اگر می خواهید از JavaScript استفاده کنید ، می توانید از چارچوبی که روی آن کار کرده ام ، epoc.js.

Epoc.js

- -

Epoc.js چارچوبی برای تعامل با Emotiv Epoc و Insight در جاوا اسکریپت است. به شما امکان می دهد به همان ویژگی های ذکر شده در بالا (داده های شتاب سنج/ژیروسکوپ ، معیارهای عملکرد ، حالات چهره و دستورات ذهنی) دسترسی داشته باشید و همچنین به شما امکان می دهد با شبیه ساز تعامل داشته باشید.

شما فقط به چند خط نیاز دارید کد برای شروع:

نمونه کد

در نمونه کد بالا ، ما با نیاز و نمونه سازی ماژول گره شروع می کنیم. سپس متد را connectToLiveData می نامیم و آن را به فایل کاربری که پس از آموزش ذخیره می شود ارسال می کنیم. ما با یک شیء حاوی ویژگی های مختلفی که می توانیم آنها را دنبال کنیم ، تماس تلفنی دریافت می کنیم. به عنوان مثال ، اگر می خواهیم کاربر چشمک بزند یا نه ، از event.blink استفاده می کنیم.

هر ویژگی اگر فعال نشود یا 0 باشد در صورت فعال شدن برمی گردد. < /p>

لیست کامل خواص موجود را می توانید در README مخزن پیدا کنید.

در پس زمینه ، این چارچوب با استفاده از Emotiv C ++ SDK ، Node.js و 3 ماژول گره ساخته شده است. : Node-gyp ، Bindings و Nan.

این روش قدیمی ایجاد node-addon است ، بنابراین اگر علاقه مند به کسب اطلاعات بیشتر در مورد آن هستید ، توصیه می کنم به N-API مراجعه کنید.

بنابراین ، اکنون که در مورد ویژگی های مختلف و نحوه شروع کار صحبت کردیم ، در اینجا چند نمونه اولیه وجود دارد که من تا به حال ساخته ام.

نمونه های اولیه

- -

1. صفحه کلید مغز

نمایشی برای نوشتن با استفاده از حرکات چشم

اولین نسخه ی نمایشی که من با Emotiv Epoc ساخته بودم یک صفحه کلید مغز بود. هدف این بود که ببینم آیا می توانم یک رابط سریع بسازم تا مردم بتوانند با استفاده از حالات چهره با یکدیگر ارتباط برقرار کنند.

با استفاده از حرکات چشم ، نگاه به راست یا چپ ، حرف راست/چپ برجسته می شود و چشمک زدن ، نامه را انتخاب می کند. و آن را در قسمت ورودی نمایش می دهد.

این یک نمونه اولیه بسیار ساده است اما کار می کند !!

2. WebVR

نمونه دوم من شامل دستورات ذهنی است. می خواستم ببینم آیا فقط با استفاده از افکار می توانم در یک فضای سه بعدی حرکت کنم.

مغز -رابط وب رایانه

در این نمونه اولیه ، من از Three.js برای ایجاد صحنه اصلی سه بعدی ، epoc.js برای ردیابی دستورات ذهنی و سوکت های وب برای ارسال آنها از سرور به قسمت جلو استفاده کردم.

3. IoT

سومین نمونه اولیه من در مورد کنترل سخت افزار در جاوا اسکریپت است. این چیزی است که من چند سال با آن سر و کار داشتم ، بنابراین من مشتاق بودم یک پروژه سریع برای کنترل یک پهپاد کوچک طوطی با استفاده از افکار بسازم!

همه این نمونه های اولیه بسیار کوچک هستند. هدف اصلی تأیید برخی ایده ها و آشنایی با امکانات و محدودیت های چنین فناوری بودبیایید با صحبت در مورد محدودیت ها شروع کنیم. p>

آموزش

این واقعیت که هر کاربر مجبور است جلسات آموزشی را برای ثبت امواج مغزی و مطابقت آنها با دستورات خاص بگذراند ، برای اکثر افراد مانعی برای پذیرش است. مگر اینکه یک برنامه نیاز واقعی را برطرف کند و دقت دستگاه واقعاً خوب باشد ، نمی توانم تصور کنم که مردم برای آموزش سنسور مغز وقت صرف کنند.

تاخیر

هنگام ساخت نمونه اولیه من با استفاده از دستورات ذهنی ، متوجه شدم که بین شروع به فکر کردن در مورد یک فکر خاص و لحظه ای که می توانم بازخورد برنامه خود را ببینم ، کمی تأخیر وجود دارد.

فرض می کنم این به این دلیل است که از الگوریتم یادگیری ماشین استفاده می شود در پس زمینه داده ها را در زمان واقعی از دستگاه دریافت می کند و قبل از اینکه بتوانید افکار فعلی را بر اساس افکار قبلی آموزش دهید طبقه بندی کنید ، برای مدت زمان مشخصی به نمونه نیاز دارد.

این امر بر نوع برنامه شما تأثیر می گذارد می تواند با سنسور ساخته شود به عنوان مثال ، ساختن یک برنامه مدیتیشن خوب است زیرا تأخیر تأثیر مهمی بر تجربه کاربر نخواهد داشت ، اما اگر می خواهید یک ویلچر با کنترل فکر بسازید ، می توانید تصور کنید که چگونه تأخیر می تواند تأثیر بسیار مهمی داشته باشد. < /p>

دستگاه های EEG تهاجمی در مقابل غیر تهاجمی

بسیار عالی هستند زیرا نیازی به جراحی ندارید. فقط هدست را بگذارید ، مقداری ژل به سنسورها اضافه کنید و آماده حرکت هستید! با این حال ، عدم تهاجم بودن این بدان معناست که سنسورها باید سیگنال های الکتریکی را از طریق جمجمه ردیابی کنند ، که باعث می شود این روش کارایی کمتری داشته باشد.

وضوح زمانی واقعاً خوب است زیرا میزان نمونه گیری بسیار سریع است وضوح فضایی عالی نیست دستگاه های EEG فقط می توانند فعالیت مغز را در سطح پوست سر ردیابی کنند ، بنابراین فعالیت هایی که کمی در عمق مغز اتفاق می افتند قابل پیگیری نیست.

پذیرش اجتماعی

استفاده از سنسور مغزی پر زرق و برق ترین چیز تا زمانی که دستگاه ها ظاهر خود را داشته باشند ، فکر نمی کنم که توسط مصرف کنندگان پذیرفته شوند. با پیشرفت تکنولوژی ، ممکن است بتوانیم دستگاه هایی بسازیم که در لوازم جانبی مانند کلاه پنهان شوند ، اما هنوز مشکل دیگری وجود دارد ، حسگرهای مغزی پس از چند دقیقه ناراحت می شوند.

به عنوان دستگاه EEG غیر تهاجمی ، سنسورها باید کمی فشار روی پوست سر وارد کنند تا سیگنال های الکتریکی را بهتر ردیابی کنند. همانطور که می توانید تصور کنید ، این فشار جزئی در ابتدا خوب است ، اما به تدریج با گذشت زمان ناراحت کننده می شود. علاوه بر این ، اگر دستگاهی نیاز به ژلی دارد که روی همه سنسورها اعمال شود ، این مانع دیگری برای استفاده مردم از آن است.

حتی اگر وضعیت کنونی سنسورهای EEG آنها را در دسترس یا جذاب برای اکثر افراد قرار ندهد ، هنوز برخی از امکانات جالب برای آینده وجود دارد.

امکانات

- -

اگر به فناوری در وضعیت فعلی آن فکر کنیم و اینکه چگونه می تواند پیشرفت های آینده ، ما می توانیم چند برنامه مختلف را در نظر بگیریم.

دسترس پذیری

من دوست دارم حسگرهای مغزی به افراد دارای نوعی معلولیت کمک کنند که زندگی بهتری داشته باشندو مستقل تر باشید.

این چیزی بود که من هنگام ساخت اولین نمونه اولیه صفحه کلید مغز در ذهن داشتم. من می دانم که نمونه اولیه به پایان نرسیده است ، اما من واقعاً علاقه داشتم ببینم آیا یک دستگاه مصرف کننده عمومی می تواند به مردم کمک کند. همه به سیستم های پیچیده پزشکی دسترسی ندارند و من واقعاً هیجان زده بودم که دیدم دستگاه در دسترس تری که می توانید به صورت آنلاین خریداری کنید واقعاً می تواند کمک کننده باشد!

ذهن آگاهی

برنامه ای که در حال حاضر تمرکز برخی از حسگرهای مغزی (به عنوان مثال ، Muse) تمرکز حواس است.

مدیتیشن می تواند مشکل باشد. سخت است بدانید که آیا این کار را به درستی انجام می دهید یا خیر. حسگرهای مغزی می توانند به مردم کمک کنند تا بازخورد مستقیم خود را در مورد نحوه عملکرد خود داشته باشند یا حتی راهنمایی در مورد نحوه بهبود در طول زمان داشته باشند.

پیشگیری

اگر از حسگرهای مغزی به اندازه ما استفاده شود از تلفن های خود استفاده کنیم ، احتمالاً می توانیم برنامه هایی بسازیم که بتوانند در مواقعی که برخی عملکردهای فیزیولوژیکی آنطور که باید کار نمی کنند ، ردیابی کنند. برای مثال ، اگر بتوانیم الگوریتم های تشخیص را برای جلوگیری از سکته مغزی ، حملات اضطرابی یا حملات صرع بر اساس فعالیت مغز بسازیم ، بسیار عالی خواهد بود. مدیتیشن ، آنها همچنین می توانند زمان هایی از روز را که بیشترین تمرکز را در آنها دارید ، پیگیری کنند. اگر ما مرتباً از سنسور استفاده می کردیم ، در نهایت می توانست به ما بگوید که چه زمانی باید کارهای خاصی را انجام دهیم. حتی می توانید تصور کنید که برنامه شما بر این اساس تنظیم می شود تا مطمئن شوید روزهای شما پربارتر است.

هنر

من تقاطع تکنولوژی و هنر را به عنوان راهی برای کشف چیزها دوست دارم. مجبور به انجام کار نباشید من واقعاً فکر می کنم که ساختن چیزهای خلاقانه با سنسورهای مغزی نباید دست کم گرفته شود زیرا به ما امکان می دهد قبل از استفاده از یک برنامه کاربردی مفیدتر ، امکانات و محدودیت های مختلف فناوری را کشف کنیم.

ترکیب با سایر حسگرها

من اخیراً به این موضوع فکر کردم که سنسورهای مغزی نباید به طور مستقل درمان شوند. مغز جهان را از طریق سایر قسمتهای بدن درک می کند ، بدون چشم نمی بیند ، بدون گوش نمی شنود و غیره ... بنابراین اگر می خواهیم امواج مغزی را معنا کنیم ، احتمالاً باید سایر عملکردهای بیولوژیکی را نیز دنبال کنیم. .

مسأله اصلی در این مورد این است که ما به تنظیماتی می رسیم که به این شکل هستند:

شناختی

و ما می توانیم مطمئن باشیم هیچ کس به طور روزانه از آن استفاده نخواهد کرد ...

بعدی

- -

چند هفته پیش ، یک سنسور مغزی جدید ، OpenBCI خریدم. گام بعدی من این است که با داده های خام و یادگیری ماشین کار کنم ، بنابراین فکر کردم این دستگاه برای آن کاملاً مناسب است زیرا کاملاً منبع باز است.

من فقط وقت داشتم آن را راه اندازی کنم ، بنابراین من هرگز " هنوز چیزی با آن ساخته نشده است ، اما در اینجا پیش نمایش کوچکی از ظاهر دستگاه و رابط کاربری است.

OpenBCI

فعلا همین!

متوجه شدم که این یک پست طولانی است بنابراین اگر همه چیز را خوانده اید ، بسیار متشکرم!

من در حال یادگیری هستم ، بنابراین اگر نظری ، بازخورد دارید یا می خواهید منابع را به اشتراک بگذارید ، خیالتان راحت باشد!

منابع

- -

در اینجا یک تعداد کمیاگر می خواهید برخی از ابزارها را امتحان کنید یا بیشتر بیاموزید پیوندها را پیوند دهید.

چارچوب

Epoc.js - چارچوب جاوا اسکریپت برای تعامل با Emotiv Epoc.

بیت مغز - مکانیسم املایی آنلاین P300 برای هدست Emotiv.

Wits - کتابخانه ای Node.js که با هدست Emotiv EPOC EEG ذهن شما را می خواند.

مانیتور مغزی - یک برنامه پایانی که در Node نوشته شده است. js برای نظارت بر سیگنال های مغزی در زمان واقعی.

Ganglion BLE-سرویس گیرنده بلوتوث وب برای رابط مغز و کامپیوتر Ganglion توسط OpenBCI.

BCI.js-پردازش سیگنال EEG و یادگیری ماشین در جاوا اسکریپت.

پیوندهای مفید

NeurotechX

رابط مغز و کامپیوتر (کتاب)

اصول علوم عصبی (کتاب)

مقدمه ای از Techy برای علوم اعصاب - Uri Shaked

تشخیص وضعیت فعالیت مغز با استفاده از رابط کامپیوتر مغز - ویاچسلاو نستروف

افراد

الکس کاستیلو

Andrew Jay Keller

Conor Russomano

Uri Shaked

Nataliya Kosmyna

- -

نقطه عطف عملکرد خودروهای برقی سال 2012 بود

اتومبیل های برقی و موتورسیکلت ها در سال 2012 و 2013 برنده مسابقات شدند

اتومبیل های برقی و موتورسیکلت ها در مسابقات بزرگ مانند پیک شروع به رقابت کردند Peak International Hill Climb، Isle of Mann TT and Formula Student در اواخر دهه 2000. آنها در حال رقابت با خودروهای احتراق داخلی با چندین دهه پالایش و پشتیبانی صنعتی بودند. و آنها به سرعت شروع به پیروزی مستقیم یا رقابت شدید کردند و به سطوح عملکردی احتراق داخلی رسیدند ...

نکاتی درباره نحوه زنده ماندن از مچ پا شکسته

عصر گرم بهاری در سان فرانسیسکو بود. من بعد از گذراندن یک روز در اوکلند با موتور سیکلتم به خانه برگشتم. من دوچرخه ام را در محل معمول خود در خانه پارک کردم ، اما متأسفانه زمین کمی نرمتر از حد معمول بود و ضربه محکم و ناگهانی من در خاک فرو رفت و باعث خم شدن آن شد و دوچرخه روی من افتاد و مچ پایم را به جعبه گل محکم کرد. باور کنید یا نه ، من فکر نمی کردم مچ پای من شکسته باشد. شب را خوابیدم و به اورژانس رفتم تا صبح معاینه شود. آنها فوراً به من اطلاع دادند که نیاز به عمل جراحی دارم.

من دچار شکستگی مچ پا دو عضلانی شدم ، که به این معنی است که استخوان درشت نی و استخوان استخوانی شکسته شده است. این باعث می شود مچ پای من بسیار ناپایدار باشد و برای بهبودی بعد از عمل به 3 ماه پوند نیاز دارم.

حالا چی؟

در ابتدا ، این یک پروسه طولانی خواهد بود ، اما احتمالاً نه آنطور که فکر می کنید. به خاطر داشته باشید که تنها راه نجات است ، بنابراین برای این روند و خودتان صبور باشید.

جدول زمانی شکسته مچ پای من (در حال حاضر در حال انجام است)

30 مارس: n مچ پا ، برخورد موتورسیکلت و جعبه گل 1 آوریل: trip سفر روز بعد به ER 10 آوریل: urجراح! 18 آوریل:

کنید.