اگر برنامه طراحی رایانه برای کامپیوترهای کوانتومی داشتیم چه؟

یک دستگاه چهار کیوبیتی که روی Qiskit Metal

تجسم شده است شکی در این مورد وجود ندارد: ساخت کامپیوترهای کوانتومی سخت است و ما آرزو می کنیم که راحت تر باشد.

طراحی دستگاه های کوانتومی بستر اصلی دنیای محاسبات کوانتومی ، و در عین حال ، این یک فرایند سخت و چند مرحله ای پیچیده تر از جریان کار طراحی تراشه های معمولی است. طراحان سخت افزار کوانتومی مجبورند در چندین جهان معمولاً بدون اتصال کار کنند ، تراشه های رایانه ای را توسعه دهند و معیار قرار دهند که شامل قطعات فلزی ابررسانا بوده و از قوانین الکترودینامیک کوانتومی (QED) پیروی می کند. این نیاز به مجموعه ای از تکنیک های توسعه و تجزیه و تحلیل بدون آنالوگ کلاسیک دارد. اما اگر بخواهیم در واقع این دستگاه های شگفت انگیز را بسازیم و از آن استفاده کنیم ، باید راهی برای سهولت این فرایند پیدا کنیم.

در ظاهر ، طراحی تراشه کوانتومی باید بسیار شبیه به طراحی هر دستگاه دیگری باشد. مدار مجتمع اما یک مدار یکپارچه معمولی از طریق یک فرآیند جریان طراحی می گذرد که چندین دهه تنظیم شده است. با افزایش تراشه ها در تعداد ترانزیستورها مطابق با قانون مور ، ابزارهای طراحی در نوع خود بالغ شده و خودکار می شوند. امروزه ، مجموعه ای از برنامه ها به طراحان تراشه اجازه می دهد تا به صورت مدولار در مورد مدارهای مجتمع با میلیاردها ترانزیستور فکر کنند ، در فرآیندی که به طور یکپارچه طرح ها را ایجاد و آزمایش می کند ، سپس آنها را به مرحله ساخت منتقل می کند.

کوانتوم هر چند کامپیوترها مانند ریزپردازنده های رایانه ای امروزی نیستند. بیت های کوانتومی بسیار بزرگتر از ترانزیستورها هستند و به مدارهای ابررسانایی پیچیده تری نیاز دارند. نرم افزار اتوماسیون طراحی الکترونیکی به کمک رایانه تنها بخشی از این فرایند پیچیده ساخت را پوشش می دهد و استفاده از این بسته های نرم افزاری برای طراحی رایانه کوانتومی با مانع زیادی برای ورود همراه است.

اگر می خواهیم روزی کامپیوترهای کوانتومی مقیاس و بالغ شدن به همان روشی که کامپیوترهای کلاسیک دارند ، ما باید در مورد ابزارهای اتوماسیون طراحی کوانتومی الکترونیکی (EDA) در نوع خود فکر کنیم. در همین حال ، در جامعه خودمان ، ما می خواهیم مانع نوآوری در دستگاه های کوانتومی را تسریع و کاهش دهیم. بنابراین تیم IBM Quantum شروع به فکر کردن در مورد EDA برای پردازنده کوانتومی می کند و امیدوار است که جامعه نیز در مورد آن فکر کند. امروز در کنفرانس هفته کوانتومی IEEE ، تیم درباره چشم انداز خود برای این پروژه در نوع خود بحث کرد. این پروژه به رهبری فیزیکدان کوانتومی زلاتکو مینف و توسعه با دیگر اعضای تیم IBM Quantum ، برای کسانی طراحی شده است که به طراحی سخت افزار کوانتومی علاقه دارند: مجموعه ای از ابزارهای اتوماسیون طراحی که می تواند برای طراحی و تجزیه و تحلیل دستگاه های ابررسانا با تمرکز بر توانایی استفاده شود. برای ادغام بهترین ابزارها در گردش کار طراح سخت افزار کوانتومی. ما پروژه را Qiskit Metal نامگذاری کردیم.

ما امیدواریم که به عنوان یک جامعه ، بتوانیم فرایند کمی سازی را انجام دهیم-فاصله بین قطعات یک فلز ابررسانا بر روی یک تراشه کوانتومی را با ریاضیات محاسباتی پر کنیم. از فضاهای همیلتونی و هیلبرت - در دسترس هر کسی با ذهن کنجکاو و لپ تاپ است. ما می خواهیم طراحی دستگاه های کوانتومی را به فرایندی ساده تبدیل کنیم که وظایف پر زحمت را همانند طراحی دستگاه های الکترونیکی معمولی به صورت خودکار انجام دهد. مادر حال نوشتن نرم افزاری با بهترین شیوه های داخلی و تکنیک های تجزیه و تحلیل کوانتومی پیشرفته هستند ، همه اینها در حالی که از قدرت ابزارهای متعارف EDA استفاده می کند. هدف از Qiskit Metal این است که امکان مدل سازی سخت افزاری کوانتومی آسان با کاهش خطاهای مربوط به طراحی و افزایش سرعت را فراهم می آورد. Minev ، Thomas McConkey و Jay Gambetta نتایج اولیه ای را به اشتراک می گذارند که نشان دهنده توافق سطح درصد بین تجزیه و تحلیل طراحی و سخت افزار آزمایشی است. این پروژه یک کار هیجان انگیز است که در مراحل اولیه توسعه خود در حال پیشرفت است و ممکن است به مدت طولانی "Qiskit Metal" باقی نماند. امیدواریم بتوانیم جامعه را تشویق کنیم تا در مورد اتوماسیون طراحی رایانه های کوانتومی فکر کند و از متخصصان در زمینه محاسبات کلاسیک برای کمک استفاده کند. بنابراین ، بسیار مهم است که ما این پروژه را منبع باز نگه داریم تا مهندسان در سراسر جهان بتوانند به حل این مشکل فوری کمک کنند.

ما خوشحال هستیم که از جامعه می خواهیم در توسعه Qiskit Metal با ما همکاری نزدیک داشته باشد. از طریق یک برنامه دسترسی سریع ، از ماه نوامبر شروع می شود. برای درخواست دسترسی زودهنگام یا کسب اطلاعات بیشتر ، این پیوند را دنبال کنید.

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

- -