XiaoMi-AI文件搜索系统
World File Search System信号特征
多通道神经记录植入物：综述
摘要：近年来，神经科学研究和相关成果的不断进展以及制造工艺的进步增加了对神经接口系统的需求。脑机接口 (BMI) 已被证明是一种很有前途的诊断和治疗神经系统疾病以及恢复感觉和运动功能的方法。神经记录植入物作为 BMI 的一部分，能够捕获脑信号，并通过发射器将其放大、数字化并传输到体外。设计此类植入物的主要挑战是最大限度地降低功耗和硅片面积。本文对多通道神经记录植入物进行了调查。在介绍各种神经信号特征后，我们研究了主要的可用神经记录电路和系统架构。探索了可用架构的基本模块，例如神经放大器、模数转换器 (ADC) 和压缩块。我们介绍了神经放大器的各种拓扑结构，进行了比较，并探讨了它们的设计挑战。为了在神经放大器的输出端实现相对较高的 SNR，我们讨论了降噪技术。此外，为了将神经信号传输到体外，需要使用数据转换器对其进行数字化，然后在大多数情况下，会应用数据压缩来降低功耗。我们介绍了各种专用 ADC 结构，并概述了主要的数据压缩方法。
应用机器学习脑电信号分类来
摘要 机器学习方法已成功应用于多种神经生理信号分类问题。考虑到情绪与人类认知和行为的相关性，机器学习的一个重要应用是在基于神经生理活动的情绪识别领域。尽管如此，文献中的结果存在很大的差异，这取决于神经元活动测量、信号特征和分类器类型。本研究旨在为基于电生理脑活动的机器学习应用于情绪识别提供新的方法论见解。为此，我们分析了之前记录的脑电图活动，这些活动是在向一组健康参与者提供情绪刺激、高唤醒和低唤醒（听觉和视觉）时测量的。我们要分类的目标信号是刺激前开始的大脑活动。使用光谱和时间特征比较了三种不同分类器（线性判别分析、支持向量机和 k-最近邻）的分类性能。此外，我们还将分类器的性能与静态和动态（时间演变）特征进行了对比。结果表明，时间动态特征的分类准确率明显提高。特别是，具有时间特征的支持向量机分类器在对高唤醒和低唤醒听觉刺激进行分类时表现出最佳准确率（63.8％）。
VERA：虚拟环境记录注意力
摘要 — 患有注意力缺陷多动障碍 (ADHD) 的儿童在日常生活中表现出不同的症状，例如难以集中注意力、冲动、难以调节运动功能等。最常用的治疗方法是药物治疗，但会产生副作用。另一种解决方案是行为治疗，但似乎并不比药物治疗效果更好，而且成本更高。一种越来越受关注的新方法是使用神经反馈 (NF) 来教患者自己调节症状，通过以可理解的形式可视化大脑活动。此外，虚拟现实 (VR) 是 ADHD 背景下 NF 的支持环境。然而，在进行 NF 之前，确定与症状表现相对应的生理信号特征非常重要。我们在此提出了一个新框架，该框架基于可嵌入 VR 耳机的设备对脑电图 (EEG) 和视线方向的联合测量，目标是估计注意力状态。在信号采集的同时，执行注意力任务来标记生理信号。从信号中提取特征，并应用机器学习 (ML) 模型来检索注意力状态。这项初步研究提供了令人鼓舞的结果，能够在多种情况下做出正确的分类。此外，带有标记生理信号的数据集正在开发中。这将有助于更好地理解 ADHD 症状背后的机制。关键词 —虚拟现实、眼动追踪、脑机接口、机器学习
一种 3D-CNNs 方法对用户表情进行分类
最近的研究表明，社交辅助机器人 (SAR) 可用于各种操作环境，在这些环境中，促进人机交互和建立融洽关系取决于引发积极感觉。不同的人以不同的方式表达和感受情绪，这一事实造成了巨大的偏见，即使借助人工智能技术，也很难识别和区分情绪。这是最大的挑战之一。使用客观指标而非主观指标（如生物信号）作为情绪特征鉴别器可以缩小这一差距。先前的研究调查了使用 EEG 测量对 HRI 中的情绪进行分类，方法是查看一系列分类方法，例如使用 MLP 模型和全局优化算法应用于支持向量机、随机森林、决策树、K 最近邻和深度神经网络等方法，应用于原始和派生信号特征（例如，效价、唤醒、PSD 等）。本文介绍了一种新方法，该方法采用 3D 卷积神经网络 (3D-CNN) 来处理从 EEG 获得的地形图。据我们所知，该方法尚未在该领域进行研究。所提出的模型实现了令人印象深刻的 99.2% 的分类准确率，成功区分了积极和消极情绪，并表明将 EEG 数据转换为图像可能是一种可行的解决方案，因为它允许使用更准确的分类模型。所提出的模型的结果与最佳的最先进的模型一致。
个性化在线癫痫检测的资源高效持续学习
摘要 — 癫痫是一种主要的神经系统疾病，需要仔细诊断和治疗。然而，癫痫发作的检测仍然是一项重大挑战。目前的临床实践依赖于专家对脑电图信号的分析，这个过程既耗时又需要专业知识。本文探讨了使用深度学习技术自动检测癫痫发作的潜力，特别关注基于持续学习的个性化模型。我们强调了根据每个患者独特的脑电图信号特征调整这些模型的重要性，这些特征会随着时间的推移而变化。我们的方法解决了将新数据集成到现有模型中而不丢失先前获取的信息的基本挑战，这是静态深度学习模型在动态环境中应用时常见的问题。在本研究中，我们提出了一种用于癫痫发作检测的新型持续学习算法，该算法集成了重放缓冲机制。这种机制是获取新数据的同时保留过去数据的相关信息的关键，从而有效地提高了模型随着时间的推移的性能。我们的方法旨在节省资源，使其适合在嵌入式系统中实施。我们使用 CHB-MIT 数据集证明了我们方法的有效性，与不考虑灾难性遗忘的微调方法相比，F1 分数提高了 35.34%。此外，我们表明，一个 1 小时的小数据重放缓冲区足以实现与资源无限场景相当的 F1 分数，同时与资源不受约束的方法相比，24 小时内的误报率降低了 33%。索引术语 — 癫痫发作检测、持续学习、增量学习、深度学习、个性化模型、可穿戴设备
使用原位宽频带宽声压检测线材和电弧增材制造中的缺陷
摘要 线材和电弧增材制造 (WAAM) 是一种增材制造 (AM) 工艺，可以生产大型金属部件，材料浪费少，生产率高。然而，WAAM 的高沉积率需要高热量输入，这可能导致孔隙、裂纹、未熔合或变形等潜在缺陷。为了在工业环境中实际实施 WAAM 工艺，必须确保无缺陷生产。然而，使用传统 NDT 技术（例如超声波、涡流、X 射线）进行 NDT 检测是一项非常艰巨的任务，尤其是在零件生产过程中。因此，需要可靠的在线 NDT 检测和监测技术来推广 WAAM 的工业应用。这项工作的目的是使用频率带宽为 10 至 1MHz 的现场采集声学数据来检测 WAAM 生产零件上的缺陷形成。WAAM 零件经过故意引入污染物的处理，同时获取其声学信号以将不同的信号特征与缺陷关联起来。为了识别缺陷形成，使用了两种不同类型的麦克风从同一沉积过程中获取数据。信号处理包括应用时域和频域技术，即功率谱密度和短时傅立叶变换。获得的声学特征可以区分有缺陷和无缺陷的信号，并确定污染物的空间位置。获取的声学信号还表明，传统麦克风获取的数据不足以完全表征 WAAM 工艺发出的声谱。这项工作展示了声学数据和信号处理在 WAAM 生产部件的在线检查中的潜力。关键词：WAAM、声学、傅里叶变换、光学麦克风、STFT
研究文章端到...
在运动成像脑部计算机界面（MI-BCI）的研究中，传统的脑电图（EEG）信号识别算法在提取EEG信号特征和提高分类精度方面似乎是不可能的。在本文中，我们讨论了基于多类MI-EEG信号的新分步提取和模式分类的新分步方法的解决方案。首先，通过自动编码器将所有受试者的训练数据合并并扩大，以满足大量数据的需求，同时由于脑电图数据的随机性，不稳定和个人变异性，从而降低了信号识别的不良效果。第二，提出了具有基于注意力的浅卷积神经网络的端到端共享结构。浅卷积神经网络（SCNN）和双向长期记忆（BILSTM）网络分别用于提取EEG信号的频率空间域特征和时间序列特征。十，将注意力模型引入了特征融合层，以动态权重这些提取的时间频率空间域特征，这极大地有助于降低特征冗余性和提高分类精度。最后，使用BCI竞争IV 2A数据集的验证测试表明，分类准确性和KAPPA系数达到82.7±5.57％和0.78±0.074，这可以强烈证明其在分类准确性和降低分数中的优势中的优势在同一互为中，并且在同一内部crovential di di di di di di di di di di di di di di di di di di oferiention n di di di of riention di di;
p190-Bcr-Abl 慢性粒细胞白血病的表征揭示了特定的信号通路和治疗靶点
摘要 致癌蛋白 Bcr-Abl 有两种主要亚型，p190 Bcr-Abl 和 p210 Bcr-Abl。虽然 p210 Bcr-Abl 是慢性粒细胞白血病 (CML) 的标志，但大多数费城阳性急性淋巴细胞白血病 (Ph + ALL) 患者都患有 p190 Bcr-Abl。在 CML 中，p190 Bcr-Abl 发生在少数与不同血液学特征和较差结果相关的患者中，但 p190 Bcr-Abl 的致病作用和潜在的靶向疗法在很大程度上尚未确定。我们采用下一代测序、磷酸化蛋白质组学分析和药物敏感性测试来表征 CML 和造血祖细胞系模型 (Ba/f3 和 HPC-LSK) 中的 p190 Bcr-Abl。 p190 Bcr-Abl CML 患者对伊马替尼反应不佳，且表观遗传修饰基因频繁突变。与 p210 Bcr-Abl 相比，p190 Bcr-Abl 表现出干扰素、白细胞介素-1 受体和 P53 信号通路的特定转录上调，与相关信号分子（包括 JAK1/STAT1 和 PAK1）的过度磷酸化以及 Src 的过度磷酸化有关。与 p190 Bcr-Abl CML 患者相比，p190 Bcr-Abl 细胞系显示出相似的转录和磷酸化信号特征。通过药物敏感性筛选，我们确定了在 p190 Bcr-Abl 细胞系中具有特定活性的靶向药物，包括 IAP、PAK1 和 Src 抑制剂和糖皮质激素。我们的研究结果为 p190 Bcr-Abl CML 独特特征背后的机制提供了新的见解，并为该高危患者群体提供了有希望的治疗靶点。
MuBiNN：用于脑电信号分类的多层二值化循环神经网络
监测人脑活动对于了解大脑功能、预防精神疾病和改善生活质量具有巨大潜力。为此，EEG 系统必须从当今临床实践中经常使用的有线、固定和笨重的系统转变为提供高信号质量的智能可穿戴、无线和舒适的生活方式解决方案。可穿戴设备上的连续监测要求自动 EEG 分类算法既准确又轻量。这是我们在本文中的主要关注点。请注意，可穿戴设备的处理器很小且有限，与台式机和服务器处理器相比要慢得多。许多以前的算法都是基于经典信号处理技术 [1][2]。由于 EEG 信号特征在不同情况下和不同人之间存在显著差异，因此此类算法中使用的固定特征不足以准确区分所有人的不同类型的疾病。为了自动提取特征并提高脑信号分类准确性，最近提出了基于深度学习的算法，包括深度卷积神经网络 (CNN) 和循环神经网络 (RNN) [3][4]。用于序列学习的最流行和最有效的 RNN 模型之一是长短期记忆 (LSTM) [5]。LSTM 旨在对长程依赖关系进行建模，而 RNN 的记忆备份起着重要作用，因此它们比传统的 RNN 更准确、更有效。本文重点介绍基于 LSTM 循环神经网络的 EEG 分类算法。所提出的方法采用 RNN，因为 EEG 波形自然适合用这种类型的神经网络进行处理。与其他类型的神经网络相比，RNN 可以更有效地捕获序列数据中的时间依赖关系。然而，高分类准确率的代价是
超声波引线键合异常值分类算法
楔形键合机使用超声波能量将金属线键合到金属基板上，整个过程仅需几毫秒。在大批量生产中，故障会导致停机和成本增加。在线监控系统用于减少故障并确定根本原因。我们开发并测试了一种算法来对超声波线键合生产中的异常值进行分类。该算法用于大型线楔形键合机，以测量和分析过程信号并检测和分类键合异常值。它可以帮助键合机操作员、生产主管和工艺工程师检测工艺偏差并解决潜在的根本原因。该算法测量键合信号，例如变形、超声波电流和超声波频率。根据键合顺序和工艺参数，键合会自动分为子组，然后对子组内的信号进行归一化。对于异常值分类，从归一化信号中提取特征并将其组合成故障类别值。污染、无线、高变形、线错位和基板不稳定等故障类别是独立计算的。我们测量了大型铝线键合故障类别的检测率，并演示了该算法如何根据信号计算故障类别值。此外，我们还展示了如何定义新的信号特征和故障类别来检测特定于生产或罕见的故障类别。关键词楔形键合机、超声波引线键合、异常值分类、键合故障、检测算法。