XiaoMi-AI文件搜索系统
World File Search System信号分析
LCS与信息熵作为一种新型算法的应用...
基于条件维修（CBM）是一种现代维修理念[1] 。作为实现基于条件维修的有效方法，预测与健康管理（PHM）已成为研究的重点[2] 。一个典型的例子是PHM在联合打击战斗机（JSR）F-35中的应用[3] 。要建立合适的装备PHM，首先需要开展用于预测的退化特征提取研究[4] 。退化实验需要很长时间，退化过程中的振动信号非常复杂[5] 。然而，传统方法[6]提取的特征通常基于单个监测信号。Tran等人通过对监测信号进行时域分析来提取特征[7] 。赵等将经验模态分解（EMD）应用于振动信号分析，提取近似熵作为退化特征[8]。董等。选择非广义小波特征尺度熵作为退化评估特征[9]。在这种情况下，一些重要的故障信息可能会丢失。例如，众所周知，滑靴松动故障是液压泵的典型故障模式[10]。这是由活塞头和滑靴帽之间的磨损引起的[11]。最后，可以以打击的形式在泵壳上监测相互作用。
结构完整性的无损检测和评估
摘要。部件或结构的可靠性能取决于部件的服役前质量和运行条件下部件的服役退化。无损评估 (NDE) 在确保服役前质量以及监测服役退化以避免部件/结构过早失效方面的作用日益增强。有许多基于各种物理原理的 NDE 技术。NDE 的最终目标是检测和表征材料中的缺陷、应力和微观结构退化等异常。这是通过建立无损测量的物理/派生参数与缺陷/应力/微观结构的定量信息之间的相关性来实现的。NDE 信息与设计参数一起被考虑用于评估部件/结构的完整性和寿命。本文简要介绍了 NDE 方法的物理概念以及用于评估缺陷、应力和微观结构的物理/派生参数。本文还根据作者实验室进行的研究，讨论了一些案例研究，强调了无损检测和评估对结构完整性评估的重要性。本文还讨论了材料智能处理、专家系统、神经网络、使用多传感器融合数据以及利用信号分析和成像方法等新兴概念。
脑部计算机界面中的注意机制
随着深度学习的快速发展，注意机制在脑电图（EEG）信号分析中变得必不可少，从而显着增强了大脑计算机界面（BCI）应用。本文对传统和变压器的注意机制，其嵌入策略及其在基于EEG的BCI中的应用进行了全面综述，并特别强调了多模式数据融合。通过捕获跨时间，频率和空间通道的脑电图变化，注意机制可改善特征提取，表示学习和模型鲁棒性。这些方法可以广泛地分为传统的注意机制，该机制通常与卷积和经常性网络集成，以及基于变压器的多头自我注意力，在捕获长期依赖性方面表现出色。除了单模式分析之外，注意机制还增强了多模式的脑电图应用，从而促进了脑电图与其他生理或感觉数据之间的有效融合。最后，我们讨论了基于注意力的脑电图建模中的现有挑战和新兴趋势，并强调了推进BCI技术的未来方向。本综述旨在为寻求利用注意力机制的研究人员提供宝贵的见解，以改善脑电图的解释和应用。
基于脑电信号的情绪识别中时间窗长度的研究
摘要 本研究旨在利用机器学习技术和便携式无线传感设备 EPOC+，对情绪识别中使用不同长度的时间窗口 (TW) 进行比较分析。本研究以个体在情绪刺激过程中提取的脑电信号数据集为基础，以熵为特征，评估不同分类器模型在不同 TW 长度下的性能。进行了两种类型的分析：被试间和被试内。在五种监督分类器模型中比较了准确率、曲线下面积和 Cohen's Kappa 系数等性能指标：K最近邻 (KNN)、支持向量机 (SVM)、逻辑回归 (LR)、随机森林 (RF) 和决策树 (DT)。结果表明，在两种分析中，所有五种模型在 2 至 15 秒的 TW 中均表现出较高的性能，其中 10 秒 TW 在被试间分析中尤为突出，5 秒 TW 在被试内分析中尤为突出；此外，不建议使用超过20秒的TW。这些结果为研究情绪时EEG信号分析中选择TW提供了有价值的指导。
过完备小波框架扩展对脑电信息挖掘的潜力
脑电图 (EEG) 是通过放大和记录人体头皮上由大脑电流产生的电活动而获得的记录 (Zandi 等人，2011；Larson 和 Taulu，2018)。EEG 是脑成像科学中广泛使用的媒介，在脑机接口 (BCI；Gao 等人，2021) 研究中发挥着重要作用。BCI 是一种将脑信号转换为有用命令的在线计算机系统。到目前为止，不同类型的脑信号已被用于开发 BCI 系统。由于其方便和低成本，EEG 信号已成为 BCI 系统中的主要媒介。然而，实践证明，由于 EEG 信号能量较弱，EEG 信号的采集很容易受到各种噪声的干扰。为了从嘈杂的 EEG 信号中提取有用信息 (Shad 等人，2020)，在 EEG 信号分析中研究了各种信号处理方法。在脑信号分析中，提高信噪比是一个重要的预处理步骤。传统上，它是使用快速傅里叶变换（FFT）完成的（Wahab et al., 2021）。在BCI中，FFT也用于从EEG信号中实现显著特征的提取。短时傅里叶变换是FFT的增强，它可以生成EEG的二维频谱表示（Ha and Jeong，2019）。然而，STFT的主要缺点是其频率分辨率不可调。Huang提出了一种将STFT与卷积神经网络相结合用于生物医学信号分类的方法（Huang et al., 2019）。此外，基于傅里叶分析的数字滤波器也是EEG信号去噪的重要工具（Hsia and Kraft，1983）。它们的应用包括噪声伪影去除、特定频带的特征选择。尽管近年来新的脑电滤波技术不断涌现，但滤波技术并不是 BCI 研究的重点，相关研究也报告了数字滤波器的缺点（Alhammadi and Mahmoud，2016）。在过去的几十年中，随着计算能力的提高，许多更先进的信号处理方法被发明并投入实践。Upadhyay 提出了一种结合 S 变换和独立成分分析的新技术，用于脑电信号中的伪影消除和噪声抑制（Upadhyay et al.，2016）。Djemili 利用经验模态分解将脑电信号分解为固有模态函数，实现了正常和癫痫脑电特征的智能分类（Djemili et al.，2016）。Jiang 的研究中，提出了一种基于多词典的稀疏表示方法，用于癫痫脑电尖峰的自动检测（Jiang et al.，2020）。 Dora 应用变分模态分解来校正 EEG 测量中的伪影（Dora 和 Biswal，2020 年）。Chen 提出了一种稀疏傅里叶变换，并将其应用于电力线伪影消除（Chen et al.，2021b）。
MCGNet+：基于余弦相似度的改进运动想象分类
解决运动想象分类问题一直是脑信息学领域的难题。由于计算能力和算法可用性无法满足复杂的脑信号分析，准确度和效率是过去几十年运动想象分析的主要障碍。近年来，机器学习（ML）方法的快速发展使人们能够用更有效的方法来解决运动想象分类问题。在各种ML方法中，图神经网络（GNN）方法在处理相互关联的复杂网络方面显示出了其效率和准确性。GNN的使用为从大脑结构连接中提取特征提供了新的可能性。在本文中，我们提出了一种名为MCGNet +的新模型，它提高了我们之前的模型MutualGraphNet的性能。在这个最新的模型中，输入列的互信息形成了列间余弦相似度计算的初始邻接矩阵，从而在每次迭代中生成一个新的邻接矩阵。动态邻接矩阵与时空图卷积网络（ST-GCN）相结合，比不变矩阵模型具有更好的性能。实验结果表明，MCGNet+具有足够的鲁棒性来学习可解释的特征，并且优于目前最先进的方法。
367 类通信、电气：声波系统...
367 电气通信：声波系统与装置 1 声纳对抗措施 2 应答器 3 .声纳浮标和声纳浮标系统 4 ..带有部件启动或部署装置 5 ..带有多个声纳浮标 6 .带有多个应答器 7 声像转换 8 .声全息术 9 ..地震显示 10 ..液体或可变形表面全息术 11 .带有记忆装置 12 光束稳定或补偿 13 测试、监测或校准 14 地震勘探 15 .海上勘探 16 ..传感器位置控制 17 .液压机械 18 .流体变化 19 ..传感器电缆位置确定 20 ..多水听器电缆系统 21 ..信号处理 22 ..传感器输出加权 23 ..受控源信号 24 ..混响消除 25 .测井 26 ..阈值设置系统 27 ..时间间隔测量 28 ..振幅测量 29 ..峰值振幅 30 ..振幅比较 31 ..非压缩声波能量 32 ..频率相关确定 33 ..深度记录或控制 34 ..接收信号周期鉴别 35 ..井眼或套管状况 36 .陆地折射类型 37 .陆地反射类型 38 ..信号分析和/或校正 39 ..随机信号相关 40 ..接收相关 41 ..传输相关 42 ..标准相关 43 ..滤波器
ScaleHD：通过自适应缩放实现强大的大脑启发式超维计算
受大脑启发的超维计算 (HDC) 在机器人、生物医学信号分析和自然语言处理等各种认知任务中表现出良好的能力。与深度神经网络相比，HDC 模型具有轻量级模型和一次性/少次学习能力等优势，使其成为传统资源密集型深度学习模型的有前途的替代范式，尤其是在资源有限的边缘设备中。尽管 HDC 越来越受欢迎，但尚未对 HDC 模型的鲁棒性和增强 HDC 鲁棒性的方法进行系统分析和充分研究。HDC 依靠称为超向量 (HV) 的高维数值向量来执行认知任务，HV 中的值对于 HDC 模型的鲁棒性至关重要。我们提出了 ScaleHD，一种自适应缩放方法，可以缩放 HDC 模型的联想记忆中的 HV 值，以增强 HDC 模型的鲁棒性。我们提出了三种不同的ScaleHD模式，包括Global-ScaleHD、Class-ScaleHD和(Class+Clip)-ScaleHD，它们基于不同的自适应缩放策略。结果表明，ScaleHD能够将HDC对内存错误的鲁棒性提高到10,000𝑋。此外，我们利用增强的HDC鲁棒性，通过电压缩放方法节省能源。实验结果表明，ScaleHD可以将HDC内存系统的能耗降低高达72.2%，而准确度损失不到1%。
ECG 信号 PQRS 检测和信号噪声的综合估计 Hemant Amhia 博士研究学者，电气工程 MITS Gwalior MP。
摘要 --- 自动化生物电信号分析在智慧医疗中有着重要的应用。在本文中，我们专注于心电信号，并提出一种心律失常疾病分类的新方法。我们设计了一种新颖的分析框架，从心电信号中提取不同的特征变换。并且我们训练了多特征的 ANN 模型以获得预测。最后，我们在 MIT-BIH 心律失常的公共数据库上测试了我们的方法。数据库上的实验结果表明我们的模型比其他方法具有更好的分类性能。关键词 --- 心电信号、心电去噪、希尔伯特变换、同步检测、固有模态函数、瞬时频率、本振。介绍心电图 (ECG) 作为心脏活动记录提供了有关心脏状态的重要信息 [1]。心电图心律失常检测对于心脏病患者的早期诊断是必要的。一方面，医生很难在有限的时间内分析记录时间较长的心电图 [1]。另一方面，如果没有工具的支持，人们也几乎无法识别心电信号的形态变化，因此需要一个有效的计算机辅助诊断系统来解决这一问题。大多数心电图分类方法主要基于一维心电图数据，这些方法通常需要提取波形特征、相邻波的间隔以及每个波的幅度和周期作为输入，它们之间的主要区别在于分类器的选择[2,3]。
音乐认知之光 - LEAD
研究与音乐感知和创作相关的神经过程是认知神经科学中一个成熟的领域。虽然大多数神经成像工具在研究音乐体验的复杂性方面存在局限性，但功能性近红外光谱 (fNIRS) 是一种有前途的、相对较新的工具，可用于在实验室和生态环境中研究音乐过程，也适用于整个发育过程中的典型和病理人群。在这里，我们系统地回顾了 fNIRS 对音乐认知的研究，强调了前景和潜力。我们还概述了 fNIRS 的基本理论，并简要比较了与其他神经成像工具的特点。在五个专题部分中介绍了 59 项符合纳入标准（即使用以音乐为主要刺激的 fNIRS）的研究。对方法论的批判性讨论使我们提出了旨在实现稳健信号分析和可重复性的良好实践指南。提出了一个不断更新的世界地图，包括符合纳入标准的研究的基本信息。它提供了一个有组织的、可访问的、可更新的参考数据库，可以作为社区内未来合作的催化剂。总之，fNIRS 显示出研究音乐认知过程的潜力，特别是在生态环境和特殊人群中，这与音乐认知的当前研究重点相一致。