XiaoMi-AI文件搜索系统
World File Search System信号的
带有光束的5G信号的机会性定位
Zaher（Zak）M。Kassas是智能运输系统的TRC主席，也是俄亥俄州立大学的教授。他是阿斯平实验室的主任。他还是美国运输部中心的主任：卡门（具有多模式保证导航的自动化车辆研究中心），重点是导航弹性和高度自动化运输系统的安全性。他获得了B.E.获得了黎巴嫩美国大学电气工程的荣誉，在俄亥俄州立大学的电气和计算机工程中，以及M.S.E.航空工程和博士学位德克萨斯大学奥斯汀分校的电气和计算机工程专业。他是国家科学基金会（NSF）职业奖，海军研究办公室（ONR）年轻研究员计划（YIP）奖，空军科学研究办公室（AFOSR）YIP奖，IEEE WALTER FRIED奖，IEEE HARRYE HARRYE ROWE MIMNO AWARD，IN他是IEEE的院士，离子的研究员，也是IEEE航空航天和电子系统协会和IEEE智能运输系统协会的杰出讲师。他的研究兴趣包括网络物理系统，导航系统，低地球轨道卫星，认知传感和智能运输系统。
eeg信号的空间，时间和复发分析的限制
动机：优化大脑过程！修复受损的大脑，提高健康大脑的效率！首先我们需要了解大脑过程：1。使用神经技术找到大脑结构的特定活性的指纹。2。创建认知体系结构的模型，以帮助了解大脑中的信息处理。3。创建新的诊断和治疗程序。4。使用基于解码和连通性变化的神经反馈来刺激大脑。5。通过监测脑活动并直接刺激它（TMS，DCS，EM）来刺激神经可塑性。
基于脑电信号的音乐情感识别与分析
音乐在人类生活中扮演着重要的角色，可以作为一种表达方式来唤起人类的情感。音乐的多样性使得听者对音乐的体验也呈现出多样性。不同的音乐可以诱发不同的情绪，而同一主题也可以产生与听者当前心理状态相关的其他感受。音乐情感识别（MER）最近引起了学术界和工业界的广泛关注。随着脑科学的发展，MER 已被广泛应用于推荐系统、自动作曲、心理治疗和音乐可视化等不同领域。特别是随着人工智能的快速发展，基于深度学习的音乐情感识别逐渐成为主流。此外，脑电图（EEG）使外部设备无需手术即可感知大脑中的神经生理信号。这种非侵入性脑机信号已被用来探索情绪。本文综述了脑电音乐情感分析，重点介绍了音乐情感分析方法的分析过程，例如数据处理、情感模型和特征提取。然后，提出了基于脑电图的音乐情感识别的挑战性问题和发展趋势。最后对全文进行总结。
用于解码人脑EEG信号的门控变压器
摘要 - 在这项工作中，我们建议使用一个深入的学习框架来解码人脑活动的脑电图（EEG）信号。更具体地，我们学习了一个端到端模型，该模型通过从人类神经活动中收集的脑电图数据识别自然图像或运动图像。为了捕获长脑电图序列中编码的时间信息，我们首先在脑电图信号上采用增强版本的变压器，即门控变压器，以学习沿一系列嵌入式的特征代表。然后，使用完全连接的软磁层来预测解码表示的分类结果。为了证明封闭式变压器方法的有效性，我们针对人脑视觉数据集的图像分类任务进行了实验，以及针对运动图像数据集的分类任务。实验结果表明，与广泛用于脑电图分类的多种现有方法相比，我们的方法实现了新的状态性能。
基于脑电信号的个人热舒适度预测
与仅使用问卷相比，需要对热舒适条件进行定量测量才能获得更有效的测量结果。本研究旨在使用脑电图 (EEG) 信号进行初步研究，以预测室内环境中的个人热舒适度。个人的满意度或不满意度描述了个人对热条件暴露的热舒适度。本研究应用的分类方法是 k-最近邻分类。所得结果表明，大脑的枕叶（以 O2 通道为代表）和额叶（以 FC5 通道为代表）被怀疑可以量化个人热舒适度。量化是在 O2 通道中的 delta（0-4 Hz）和 theta（4-8 Hz）频带以及 FC5 通道中的 beta（13-30 Hz）频带中生成的。k-最近邻算法的准确率为 85%，适合预测个人热舒适度。
基于脑电信号的身份认证技术综述
随着脑机接口技术的快速发展，脑电信号作为一种新的生物特征识别特征近年来受到广泛关注，脑机接口的安全性以及生物特征认证长期以来的不安全性有了新的解决方案。本文对脑电信号生物特征识别进行了分析，并涉及到认证过程中的最新研究，主要介绍了基于脑电信号的认证方法，并首次系统地介绍了基于脑电信号的生物特征密码体制用于认证。在密码学中，密钥是密码体制中认证的核心基础，密码技术可以有效提高生物特征认证的安全性，保护生物特征。基于脑电信号的生物特征密码体制的可撤销性是传统生物特征认证所不具备的优势。最后提出了基于脑电信号的身份认证技术现存的问题和未来的发展方向，为相关研究提供参考。
基于生物信号的脑机接口的最新进展回顾......
摘要 — 脑控车辆 (BCV) 是一种已成熟的技术，通常专为残疾患者设计。本综述重点介绍与脑控车辆最相关的主题，特别是考虑使用生物信号（如脑电图 (EEG)、眼电图和肌电图）控制的地面 BCV（例如，移动汽车、汽车模拟器、真实汽车、图形和游戏汽车）和空中 BCV（也称为 BCAV）（例如，真实四轴飞行器、无人机、固定翼、图形直升机和飞机）。例如，基于 EEG 的算法从大脑的运动想象皮层区域检测模式以进行意图检测，例如事件相关去同步\事件相关同步、状态视觉诱发电位、P300 和生成的局部诱发电位模式。我们已经确定，报告的最佳方法采用机器学习和人工智能优化方法，即支持向量机、神经网络、线性判别分析、k-最近邻、k-均值、水滴优化和混沌拔河优化。我们考虑了以下指标来分析不同方法的效率：生物信号的类型和组合、时间响应和准确度值与统计分析。本研究对过去十年的主要发现进行了广泛的文献综述，指出了该领域的未来前景。
M/EEG 信号的对称正定矩阵上的 Sliced-Wasserstein
在处理脑电图或脑磁图记录时，许多监督预测任务是通过使用协方差矩阵来汇总信号来解决的。使用这些矩阵进行学习需要使用黎曼几何来解释它们的结构。在本文中，我们提出了一种处理协方差矩阵分布的新方法，并证明了其在 M/EEG 多元时间序列上的计算效率。更具体地说，我们定义了对称正定矩阵测度之间的 Sliced-Wasserstein 距离，该距离具有强大的理论保证。然后，我们利用它的属性和核方法将此距离应用于从 MEG 数据进行大脑年龄预测，并将其与基于黎曼几何的最新算法进行比较。最后，我们表明它是脑机接口应用领域自适应中 Wasserstein 距离的有效替代品。
解开生理生物信号的对抗性迁移学习
摘要 — 可穿戴传感器的最新发展为有效和舒适地监测生理状态提供了良好的结果。生理状态评估的一个主要挑战是迁移学习问题，这是由于不同用户或同一用户的不同记录会话的生物信号域不一致而导致的。我们提出了一种用于迁移学习的对抗推理方法，以从压力状态水平评估中的生理生物信号数据中提取解开的干扰鲁棒表示。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗迁移学习方法也适用于其他深度特征学习框架。索引词——压力水平评估、生理生物信号、对抗网络、迁移学习、深度神经网络、解耦表示学习
解开生理生物信号的对抗性迁移学习
摘要 — 可穿戴传感器的最新发展为有效和舒适地监测生理状态提供了良好的结果。生理状态评估的一个主要挑战是迁移学习问题，这是由于不同用户或同一用户的不同记录会话的生物信号域不一致而导致的。我们提出了一种用于迁移学习的对抗推理方法，以从压力状态水平评估中的生理生物信号数据中提取解开的干扰鲁棒表示。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗迁移学习方法也适用于其他深度特征学习框架。索引词——压力水平评估、生理生物信号、对抗网络、迁移学习、深度神经网络、解耦表示学习