XiaoMi-AI文件搜索系统
World File Search System信号分类
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
使用有机电化学晶体管阵列和脉冲神经模拟进行神经形态信号分类
摘要 — 神经形态计算是一个令人兴奋且发展迅速的领域，旨在创建能够复制人类大脑复杂动态行为的计算系统。有机电化学晶体管 (OECT) 因其独特的生物电子特性而成为开发此类系统的有前途的工具。在本文中，我们提出了一种使用 OECT 阵列进行信号分类的新方法，该方法表现出类似于通过全局介质连接的神经元和突触的多功能生物电子功能。我们的方法利用 OECT 的固有设备可变性来创建具有可变神经元时间常数和突触强度的储存器网络。我们通过将表面肌电图 (sEMG) 信号分为三个手势类别来证明我们方法的有效性。OECT 阵列通过多个门馈送信号并测量对具有全局液体介质的一组 OECT 的响应来执行有效的信号采集。我们比较了在有和没有将输入投射到 OECT 上的情况下我们的方法的性能，并观察到分类准确率显著提高，从 40% 提高到 68%。我们还研究了不同的选择策略和使用的 OECT 数量对分类性能的影响。最后，我们开发了一种基于脉冲神经网络的模拟，该模拟模仿了 OECT 阵列，并发现基于 OECT 的分类与基于脉冲神经网络的方法相当。我们的工作为下一代低功耗、实时和智能生物医学传感系统铺平了道路。
量子支持向量机应用于黎曼几何的脑电信号分类
有关量子计算的文献表明，与传统计算相比，量子计算在计算时间和结果方面可能更具优势，例如在模式识别或使用有限的训练集时 [14, 5]。一个无处不在的量子计算库是 Qiskit [1]。Qiskit 是一个在 Apache 2.0 下分发的 IBM 库，它同时提供量子算法和后端。后端可以是本地机器，也可以是远程机器，可以模拟它，也可以是量子机器。Qiskit 对您想要使用的机器类型的抽象使量子算法设计变得无缝。Qiskit 实现了支持向量类分类器的量子版本，称为量子增强支持向量分类器 (QSVC) [10]。在分类任务复杂的情况下，QSVC 可能比传统 SVM 更具优势。任务复杂性随着数据编码为量子态、可用数据的数量和数据质量的提高而增加。在 [6] 中，我们提出量子分类可能对依赖脑电图 (EEG) 的脑机接口具有巨大的潜力。基于这个想法，我们研究了 EEG 信号量子分类的可行性 [7]，通过使用 QSVC 结合黎曼几何 -
使用机器学习增强脑电信号分类和
本文提出了一种基于脑电图的大脑语言信号分类的更好解决方案，它使用机器学习和优化算法。该项目旨在通过实现更高的准确性和速度来取代语言处理任务中的脑信号分类。本研究使用改进的离散小波变换 (DWT) 进行特征提取，通过将脑电图信号分解为显著的频率分量，提高了适当捕获信号特征的能力。应用灰狼优化 (GWO) 算法方法来改进结果并选择最佳特征，通过选择具有最大相关性的有影响力的特征同时最小化冗余，获得更准确的结果。这种优化过程总体上提高了分类模型的性能。在分类的情况下，提出了支持向量机 (SVM) 和神经网络 (NN) 混合模型。这结合了 SVM 分类器在高维空间中管理函数的能力，以及神经网络利用其特征进行非线性学习（模式学习）的能力。该模型在脑电图数据集上进行了训练和测试，分类准确率为 97%，表明我们的方法的稳健性和有效性。结果表明，这种改进的分类器可用于脑机接口系统和神经系统评估。机器学习和优化技术的结合已确立了这一范式，成为进一步研究脑语言识别脑电信号处理的一种高效方法。
信号分类的Grasmmannian歧管自我注意网络
在人工智能社区中，在使用深度学习技术编码序列数据中取得了显着的进步。从未有过，如何有效地从通道维度挖掘有用的信息仍然是一个主要的挑战，因为这些特征具有子序列结构。线性子空间是格拉曼尼亚歧管的基本元素，已被证明是统计代表中的效率流形特征描述符。此外，欧几里得的自我关注机制在捕获数据的长期关系方面已显示出巨大的成功。受这些事实的启发，我们将自我注意力的机械主义扩展到了格拉斯曼尼亚的歧管。我们的框架可以有效地表征格拉曼尼亚歧管中编码的顺序数据的空间波动。在三个基准测试数据集（无人机识别数据集和两个EEG信号分类数据集）上进行了广泛的实验结果，证明了我们方法的优越性，而不是最先进的。可以在https://github.com/chenhu-ml/gdlnet上找到这项工作的代码和支持材料。
YOLO用于射频信号分类
免责声明这一信息是作为由美国政府机构赞助的工作的帐户准备的。美国政府或其任何机构，或其任何雇员均未对任何信息，设备，产品或过程披露或代表其使用将不会侵犯私人拥有的私有权利。参考文献以商品名称，商标，制造商或其他方式指向任何特定的商业产品，流程或服务，并不一定构成或暗示其认可，建议或受到美国政府或其任何机构的支持。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
EMSO信号分类的机器学习
传统上，电磁信号（例如通信和雷达信号）已使用针对特定信号类型的手工制作的特征提取器进行了分类。然后，在分析或统计学上得出低维特征空间中的决策边界。但是，对无线电频谱的快速自主理解对于诸如频谱干扰监测，无线电故障检测，动态频谱访问以及各种调节和防御目的等应用至关重要。因此，尽可能多地自动化这些过程是由于疲劳引起的效率和误差。机器学习（ML）方法，尤其是基于人工智能的方法，在增强电磁频谱操作（EMSO）信号识别的敏感性和准确性方面具有重要潜力，尤其是在短时观察的情况下。
EMG信号分类和使用机器学习和
在本文中，使用支持向量机（SVM）设计了一个分类器来对肌电图（EMG）信号进行分类。鉴于EMG信号，基于SVM的分类器旨在将十个单独的手指运动命令分类为预定义的运动之一。在分类之前，将EMG数据用DWT（例如平均绝对值（MAV），均方根（RMS）和SD提取，并将每个窗口提取并组合到功能集。提取的特征用作分类系统的输入。线性SVM（单位方法）用于EMG信号的多类分类。DWT大小。还报告了确保手指运动之间最大歧视的最佳功能集。验证表明，支持向量机可以正确分类EMG信号，更高的分类精度为91.7％，适用于为建议的方法设计。
如何引用：Venu, K., Natesan, P. (2023)。使用改进的 Whale 优化算法对 EEG 信号分类进行优化的深度学习模型。
脑机接口 (BCI) 是一种利用脑电图 (EEG) 信号在人的心理状态和基于计算机的信号处理系统之间建立联系的技术，该系统无需肌肉运动即可解码信号。无需实际移动身体部位即可想象身体部位运动的心理过程称为运动想象 (MI)。MI BCI 是一种基于运动想象的脑机接口，允许运动障碍患者通过操作机器人假肢、轮椅和其他设备与周围环境互动。特征提取和分类是 MI BCI 脑电信号处理的重要组成部分。在这项工作中，提出了具有改进互利阶段的鲸鱼优化算法，以找到最佳卷积神经网络架构，用于对运动想象任务进行分类，具有高精度和较低的计算复杂度。Neurosky 和 BCI IV 2a 数据集用于评估所提出的方法。实验表明，对于 Neurosky 和 BCI 数据集，所提出的技术在分类准确率方面分别优于其他竞争方法，分别为 94.1% 和 87.7%。
一种用于运动想象脑电信号分类的精简深度学习方法
摘要 — 近年来，深度学习 (DL) 方法在基于脑电图 (EEG) 的运动想象 (MI) 脑机接口 (BCI) 系统的开发中越来越受欢迎，旨在提高现有中风康复策略的性能。复杂的深度神经网络结构具有大量神经元和数千个参数需要优化，并且通常需要大量数据来训练网络，并且训练过程可能需要非常长的时间。高训练成本和高模型复杂度不仅对 BCI 系统的性能产生负面影响，而且影响其满足支持患者康复锻炼的实时要求的适用性。为了应对这一挑战，本文提出了一种基于贡献的神经元选择方法。实现了基于卷积神经网络 (CNN) 的运动想象分类框架，并开发和应用了神经元修剪方法。利用 CNN 层捕捉脑电信号的时空特征，然后采用快速递归算法（FRA）对全连接层中的冗余参数进行修剪，从而在不影响 CNN 模型性能的情况下降低其计算成本。实验结果表明，该方法可以实现高达 50% 的模型尺寸缩小和 67.09% 的计算节省。