BEIJING, Sept. 14, 2023 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” o “Ang Kompanya”), isang nangungunang global na Hologram Augmented Reality (“AR”) Technology provider, ay inihayag ngayon na ang isang brain-computer interface (BCI) batay sa EEG-fNIRS multi-modal na pagsasama ng data ay binuo upang pahusayin ang pagganap at katumpakan ng EEG-fNIRS multi-modal na pagsasama ng data.
Ang multi-modal na pagsasama ng data ay naging isang mainit na paksa sa larangan ng artipisyal na intelihensiya sa mga nakaraang taon, at ang pangunahing layunin nito ay upang epektibong pagsamahin ang data o impormasyon mula sa iba’t ibang pinagmulan upang magbigay ng mas mahusay na batayan para sa paggawa ng desisyon kaysa sa isang solong pinagmulan ng data. Ang electroencephalography (EEG) at functional near-infrared spectroscopy (fNIRS) ay dalawang karaniwang ginagamit na mga teknik para sa pagdedetek ng mga signal ng neural sa utak, at bawat isa sa kanila ay may sariling mga kalamangan at limitasyon.
Ang EEG ay makapagbibigay ng mataas na resolusyong impormasyon sa aktibidad ng neural ng utak, ngunit ang espasyal na resolusyon nito ay relatibong mababa; Bagaman ang fNIRS ay may mababang temporal na resolusyon, ito ay makapagbibigay ng mataas na espasyal na resolusyong impormasyon sa hemodinamiko ng utak. Natuklasan ng koponan ng WiMi na ang pagsasama ng dalawang teknolohiyang ito ay maaaring makompensate para sa kanilang mga kanya-kanyang kakulangan at magbigay ng mas kumpleto at tumpak na impormasyon sa neural ng utak.
Ginamit ng WiMi ang isang binary enhancement algorithm upang makamit ang epektibong pagsasama ng EEG at fNIRS data. Ito ay isang malalim na modelong pang-pagkatuto na may mekanismo ng sariling atensyon na awtomatikong natututong mga likas na korelasyon ng data, pinaaayos ang kalidad at kahusayan ng pagsasama ng data. Bukod pa rito, dinisenyo ng WiMi ang isang natatanging balangkas ng algorithm na maaaring humawak ng malaking sukat na multi-modal na data at matugunan ang mga kinakailangan sa aplikasyon sa iba’t ibang scenario.
Maaaring mahati ang proseso sa mga sumusunod na hakbang:
Pagkuha ng data: Una, kailangan nating kumolekta ng data sa parehong target sa parehong oras gamit ang parehong isang device ng EEG at isang device ng fNIRS. Ire-record ng device ng EEG ang elektrikal na aktibidad ng utak, habang susubaybayan ng device ng fNIRS ang mga pagbabago sa daloy ng dugo sa utak.
Pag-pre-process ng data: Kailangang i-pre-process ang nakolektang data para sa EEG at fNIRS data, kabilang ang pag-filter, pag-denoise, at pag-de-artifact upang pahusayin ang kalidad ng data. Kadalasang kabilang dito ang mga hakbang tulad ng pag-filter at normalization. Bukod pa rito, dahil sa iba’t ibang temporal na resolusyon ng mga device ng EEG at fNIRS, kinakailangan din ang isang operasyon ng temporal na pag-align.
Pagkuha ng mga tampok: Sa pagsasama ng data, maaari nating makuha ang mas mayaman at mas tumpak na mga tampok ng aktibidad ng neural ng utak. Ineekstrakta ang mga kapaki-pakinabang na tampok mula sa na-pre-process na data. Para sa data ng EEG, maaaring i-extract ang mga tampok tulad ng time domain, frequency domain, at time-frequency domain, tulad ng average power spectral density, mga tampok sa time domain (hal. mean, variance), mga coefficient ng wavelet transform, at iba pa. Para sa data ng fNIRS ay mga pagbabago sa luminous flux, atbp.
Pagsasama ng data: Sa EEG-fNIRS multi-modal na pagsasama ng data, pagsasamahin ang mga tampok upang makuha ang isang kumpletong representasyon ng tampok na multi-modal. Ang pangunahing layunin ng pagsasama ng tampok na multi-modal ay upang pagsamahin ang mga tampok na na-extract mula sa data ng EEG at fNIRS upang makakuha ng mas kumpleto at tumpak na impormasyon tungkol sa mga aktibidad ng utak. Sa pamamagitan ng binary enhancement algorithm, isang malalim na modelong pangpagkatuto batay sa mekanismo ng sariling atensyon, awtomatiko itong natututong korelasyon ng data, na nagreresulta sa epektibong pagproseso ng mataas na dimensyon at kumplikadong kayarian ng data.
Pagsasanay ng modelo: Ang proseso ng pagsasanay ng modelo, gamit ang mga pamamaraan tulad ng cross-validation para sa pagpili ng parameter ng modelo at pagsusuri ng pagganap.
Pagkakatupad ng application: Batay sa mga na-extract na tampok, naisasakatuparan ang iba’t ibang application. Halimbawa, gamitin ang mga tampok na ito upang sanayin ang mga modelong pang-machine learning para sa pag-predict at pamamahala ng aktibidad ng neural ng utak.
Magbibigay itong malakas na suportang teknikal para sa pananaliksik at application sa mga larangan ng agham ng utak, inhinyeriya ng neural, at pangangalaga sa klinikal na medikal. Makatutulong ito sa mga mananaliksik na lubos na maunawaan ang batas ng aktibidad ng nerbiyo ng utak, magbigay sa mga klinikal ng mas tumpak na batayan para sa diagnosis at paggamot, at maaari ring i-apply sa mga interface ng utak-kompyuter, virtual reality at iba pang mataas na teknolohiyang larangan upang itaguyod ang kanilang teknolohikal na pag-unlad.
Tungkol sa WIMI Hologram Cloud
Ang WIMI Hologram Cloud, Inc. (NASDAQ: WIMI) ay isang comprehensive technical solution provider ng holographic cloud na nakatuon sa mga propesyonal na lugar kabilang ang holographic AR automotive HUD software, 3D holographic pulse LiDAR, head-mounted light field holographic equipment, holographic semiconductor, holographic cloud software, holographic car navigation at iba pa. Ang mga serbisyo at teknolohiya ng holographic AR nito ay kinabibilangan ng holographic AR automotive application, 3D holographic pulse LiDAR technology, holographic vision semiconductor technology, holographic software development, holographic AR advertising technology, holographic AR entertainment technology, holographic ARSDK payment, interactive holographic communication at iba pang mga teknolohiya ng holographic AR.
Mga Pahayag ng Ligtas na Harbor
Ang press release na ito ay naglalaman ng “forward-looking statements” sa loob ng Private Securities Litigation Reform Act ng 1995. Ang mga pahayag na ito ay maaaring makilala sa pamamagitan ng terminolohiyang tulad ng “will,” “inaasahan,” “hinihintay,” “sa hinaharap,” “layunin,” “plano,” “pinaniniwalaan,” “tantiya,” at katulad na mga pahayag. Ang mga pahayag na hindi mga pahayag ng kasaysayan, kabilang ang mga pahayag tungkol sa mga paniniwala at inaasahan ng Kompanya, ay mga pahayag na tumitingin sa hinaharap. Kasama sa iba pang bagay, ang mga pananaw sa negosyo at sipi mula sa pamunuan sa press release na ito at ang mga estratehikong at operasyonal na plano ng Kompanya ay naglalaman ng mga pahayag na tumitingin sa hinaharap. Maaaring gumawa rin ang Kompanya ng nakasulat o pasalitang mga pahayag na tumitingin sa hinaharap sa mga regular na ulat nito sa US Securities and Exchange Commission (“SEC”) sa Mga Form 20−F at 6−K, sa taunang ulat nito sa mga stockholder, sa mga press release, at iba pang nakasulat na materyales, at sa mga pasalitang pahayag na ginawa ng mga opisyal, direktor o empleyado nito sa mga third party. Ang mga pahayag na tumitingin sa hinaharap ay kinasasangkutan ng mga likas na panganib at kawalang katiyakan. Maraming mga factor ang maaaring magresulta sa mga aktuwal na resulta na magkaiba nang malaki mula sa anumang nakasaad sa anumang pahayag na tumitingin sa hinaharap, kabilang ngunit hindi limitado sa mga sumusunod: ang mga layunin at estratehiya ng Kompanya; ang hinaharap na pagpapaunlad ng negosyo, kalagayan ng pananalapi, at resulta ng operasyon ng Kompanya; inaasahang paglago ng industriya ng AR holographic; at mga inaasahan ng Kompanya tungkol sa pangangailangan para sa at pagtanggap ng merkado sa mga produkto at serbisyo nito.
Karagdagang impormasyon tungkol sa mga panganib na ito ay kasama sa taunang ulat sa Form 20-F ng Kompanya at sa kasalukuyang ulat sa Form 6-K at iba pang mga dokumentong naisumite sa SEC. Ang lahat ng impormasyong ibinigay sa press release na ito ay epektibo sa petsa ng press release na ito. Hindi sumasang-ayon ang Kompanya sa anumang obligasyon na i-update ang anumang pahayag na tumitingin sa hinaharap maliban kung kinakailangan sa ilalim ng naaangkop na batas.
