XiaoMi-AI文件搜索系统
World File Search System信号识别
物联网技术员（智能医疗） - Bharat Skills
通过通用生物医学传感器信号应用于医疗保健领域。智能手机和可穿戴传感器设备的工作原理和应用 - 通过心脏生物医学信号识别活动和监测健康，通过活动和环境数据主动提供帮助。纺织品集成非接触式传感器的工作原理和应用 - 通过呼吸和脉搏生物信号长期监测呼吸和脉搏。位置传感器的工作原理 - 实时定位服务。温度传感器的使用 - 环境监测。智能手机和智能手表的使用 - 通过日常活动数据监测糖尿病。多传感器体积描记设备的概念 - 通过脉搏和血流数据检测和预防静脉淤滞。生物医学传感器和智能手机的工作原理和应用 - 通过生物信号（如氧饱和度、心率）获取老年患者的生理数据。使用可穿戴心电图传感器和云处理通过心电图生物信号进行心电图智能医疗监测。不同传感器和执行器的概念 - 通过医疗信号和上下文信息实现的移动医疗计算系统。
身份和想象行动的统一框架...
摘要 — 我们提出了一个统一的深度学习框架，用于基于脑电图 (EEG) 信号识别用户身份和识别想象动作，以用作脑机接口。我们的解决方案利用一种新颖的移位子采样预处理步骤作为数据增强的形式，并使用矩阵表示来编码多电极 EEG 信号固有的局部空间关系。然后将生成的类似图像的数据输入到卷积神经网络以处理局部空间依赖性，并最终通过双向长短期记忆模块进行分析以关注时间关系。我们的解决方案与最先进的几种方法进行了比较，在不同任务上表现出相当或更优异的性能。具体而言，我们在动作和用户分类任务中都实现了 90% 以上的准确率。在用户识别方面，在已知用户和手势的情况下，我们的等错误率达到 0.39%，在更具挑战性的未知用户和手势的情况下，我们的等错误率达到 6.16%。我们还进行了初步实验，以便将未来的工作引导到依赖于一组精简的 EEG 电极的日常应用。
基于BCI系统的脑电信号控制无人机运动
摘要。脑机接口使个人能够通过脑电图 (EEG) 信号与设备进行通信，在许多使用脑电波控制单元的应用中都是如此。本文介绍了一种使用 EEG 波通过眨眼和注意力水平信号控制无人机运动的新算法。通过使用支持向量机算法对眨眼进行分类并通过人工神经网络将其转换为 4 位代码，对获得的信号识别进行优化。线性回归法用于将注意力分为具有动态阈值的低级或高级，从而产生 1 位代码。算法中的运动控制由两个控制层构成。第一层提供眨眼信号的控制，第二层提供眨眼和感知到的注意力水平的控制。使用单通道 NeuroSky Mind-Wave 2 设备提取和处理 EEG 信号。所提出的算法已通过对 5 个不同年龄个体的实验测试进行了验证。结果表明，与现有算法相比，该算法具有较高的性能，对 9 个控制命令的准确率为 91.85%。该算法最多可处理 16 个命令，准确率高，适用于许多应用。
迈向高度自动化车辆的隐性交互
随着自动化程度的提高，车内交互可能会发生根本性变化。车辆中集成的传感器数量不断增加、机器学习取得重大进展以及处理能力的增强，使得驾驶员行为可以被实时捕捉和解读[73]。这一发展使得创新的交互成为可能，如车载情感语音助手[15]。人机集成[32,72]或共生交互[59]等领域的研究趋势也反映了这一点。然而，到目前为止，车内交互主要基于显式的直接驾驶员输入，如语音或触摸输入，或直接操作旋钮或控制杆[23]。相比之下，人际交流高度基于隐性动作和行为，如姿势或面部表情。因此，即使他人没有明确地传达这些状态，我们也能够对其状态做出陈述并进行互动[91]。隐性输入已经在高级驾驶辅助系统（ADAS）中发挥着重要作用。例如，可以通过生理信号识别驾驶员的困倦、压力、疲劳或注意力分散[95,107]。随着自动化程度的提高，车辆将接管
基于脑电图的神经网络重度抑郁症和双相情感障碍检测：综述
精神障碍是重大的公共卫生挑战，因为它们是全球疾病负担的主要因素，并严重影响个人的社会和经济福利。本综合综述集中于两种精神障碍：重度抑郁症 (MDD) 和双相情感障碍 (BD)，过去十年中出现了值得关注的出版物。如今，使用生物标志物对精神障碍的表型表征需求很大。脑电图 (EEG) 信号可以为 MDD 和 BD 提供丰富的特征，然后它们可以提高对这些精神障碍的病理生理机制的理解。在本综述中，我们重点关注采用由 EEG 信号馈送的神经网络的文献。在使用 EEG 和神经网络的研究中，我们讨论了各种基于 EEG 的协议、生物标志物和用于检测抑郁症和双相情感障碍的公共数据集。我们最后进行了讨论并提出了宝贵的建议，这将有助于提高已开发模型的可靠性，并实现更准确、更确定的基于计算智能的精神病学系统。对于利用脑电图信号识别抑郁症和躁郁症的研究者来说，这篇评论将是一个结构化且有价值的起点。
电极选择和卷积注意力网络用于从脑电信号中识别无声单词
摘要 — 无声语音期间产生的脑信号已被证明可用于设计基于通信的脑机接口 (BCI)。然而，脑信号本质上是非平稳和复杂的，因此很难识别。我们提出了一个使用通过脑电图 (EEG) 传感器捕获的脑信号识别想象单词的框架。我们的方法包括两个主要部分：(i) 电极选择方法和 (ii) 卷积注意网络。电极选择方法为想象语音识别提供包含最具辨别力的时频信息的电极。此外，来自选定电极的声谱图被用作卷积注意网络的输入，该网络提取时频特征并通过将更高重要性归因于具有更高辨别能力的时间点来执行分类。使用 EEG 数据集的实验结果表明，所提出的方法能够有效识别心里说出的单词，并且性能优于最先进的方法。索引词 —EEG、脑机接口、卷积网络、注意力、内在语言、无声语言、电极选择、时频
基于脑电图的神经网络重度抑郁症和双相情感障碍检测：综述
精神障碍是重大的公共卫生挑战，因为它们是全球疾病负担的主要因素，并严重影响个人的社会和经济福利。本综合综述集中于两种精神障碍：重度抑郁症 (MDD) 和双相情感障碍 (BD)，过去十年中出现了值得关注的出版物。如今，使用生物标志物对精神障碍的表型表征需求很大。脑电图 (EEG) 信号可以为 MDD 和 BD 提供丰富的特征，然后它们可以提高对这些精神障碍的病理生理机制的理解。在本综述中，我们重点关注采用由 EEG 信号馈送的神经网络的文献。在使用 EEG 和神经网络的研究中，我们讨论了各种基于 EEG 的协议、生物标志物和用于检测抑郁症和双相情感障碍的公共数据集。我们最后进行了讨论并提出了宝贵的建议，这将有助于提高已开发模型的可靠性，并实现更准确、更确定的基于计算智能的精神病学系统。对于利用脑电图信号识别抑郁症和躁郁症的研究者来说，这篇评论将是一个结构化且有价值的起点。
使用机器学习方法进行语音情感识别
摘要。如今，情绪识别和分类在人机交互 (HCI) 领域发挥着至关重要的作用。情绪通过面部表情、语调和身体运动等身体行为来识别。本研究将语音情绪识别 (SER) 视为识别情绪的最主要方式之一。SER 数据集包含四个不同的数据集，本项目使用 Ravdess 数据集。使用这种机制是因为其时间分辨率高、无风险且成本低。在过去的几十年里，许多研究人员按顺序使用 SER 信号来配合脑机接口 (BCI) 来检测情绪。它包括从音频信号中去除噪声、从音频信号中提取时间或频谱特征、分别在时域或频域上进行分析，最后设计多类分类策略。本文讨论了基于音频信号识别和分类人类情绪的方法。该方法使用机器学习技术，如随机森林 (RF)、多层感知器 (MLP)、支持向量机 (SVM)、卷积网络 (CNN) 和决策树 (DT) 模型进行分类。获得的实验结果似乎很有希望，在情感分类方面具有良好的准确性。
设想语音识别的脑电图频带分析
摘要 — 自动语音识别 (ASR) 界面在日常生活中越来越受欢迎，用于电子设备的交互和控制。当前使用的界面不适用于各种用户，例如患有言语障碍、闭锁综合症、瘫痪或对隐私有极高要求的用户。在这种情况下，可以使用脑电图 (EEG) 信号识别设想语音的界面可以带来很大的好处。过去已经针对这个问题进行了各种研究。然而，在识别有助于设想语音识别的 EEG 信号频带 (δ、θ、α、β、γ) 方面工作有限。因此，在这项工作中，我们旨在分析从大脑不同叶获得的不同 EEG 频带和信号的重要性及其对识别设想语音的贡献。从不同叶瓣获得的信号以及针对不同频带进行带通滤波的信号被输入到具有卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的时空深度学习架构中。性能评估基于一个公开可用的数据集，该数据集包含三个分类任务 - 数字、字符和图像。我们对这三个任务的分类准确率分别为 85.93%、87.27% 和 87.51%。实现代码已在 https://github.com/ayushayt/ImaginedSpeechRecognition 上提供。索引术语 - 设想语音、EEG、CNN、LSTM、频带、脑机接口
与头部偏航旋转相关的脑电活动的识别
摘要：自动识别头部运动过程中的人类大脑刺激可能会为人机交互 (HCI) 带来重大进步，对严重残疾人群和机器人技术都有重要应用。本文提出了一种基于神经网络的识别技术，通过脑电图信号识别参与者在受到视觉刺激时的头部偏航旋转。目标是识别脑电活动与由参与者左手边/右手边的灯打开/关闭触发的头部运动之间的输入输出函数。该识别过程基于“Levenberg-Marquardt”反向传播算法。在十名参与者身上获得的结果跨越两个多小时的实验，显示了所提出的方法在识别与头部转动相关的脑电刺激方面的能力。对每个参与者的每个实验相关的脑电图信号进行初步分析。预测的准确性由同一文件的训练和测试试验之间的显著相关性证明，在最佳情况下，相关性达到 r = 0.98，MSE = 0.02。在第二次分析中，对一名参与者的 EEG 信号进行训练的输入输出函数由其他参与者的 EEG 信号进行测试。在这种情况下，低相关系数值表明，当对不同的受试者进行训练和测试时，分类器的性能会下降。