XiaoMi-AI文件搜索系统
World File Search System信号采集
一种用于图像压缩感知参数提取的平台...
摘要 — 在本文中，我们介绍了一个完整的（硬件/软件）亚奈奎斯特速率（×13）宽带信号采集链，该链能够在 100 MHz – 2 的瞬时带宽内采集雷达脉冲参数。5 GHz，具有相当于 8 ENOB 数字化性能。该方法基于压缩感知（CS）的替代感知范式。硬件平台采用全集成 CS 接收器架构，称为随机调制预积分器 (RMPI)，采用 Northrop Grumman 的 450 nm InP HBT 双极技术制造。软件后端由一种新颖的 CS 参数恢复算法组成，该算法无需执行全时域信号重建即可提取有关信号的信息。这种方法显著减少了检索所需信息所涉及的计算开销，这为在功率受限的实时应用中采用 CS 技术提供了一条途径。所开发的技术在由制造的 RMPI 物理测量的 CS 样本上得到验证，并给出了测量结果。详细描述了参数估计算法，并给出了物理硬件的完整描述。
用于神经信号记录的液态金属电极阵列
摘要：神经电极是神经科学、神经疾病和神经机接口研究的核心设备，是连接大脑神经系统和电子设备的桥梁。目前使用的大多数神经电极都是基于刚性材料，其柔韧性和拉伸性能与生物神经组织有显著不同。本研究采用微加工技术开发了一种基于液态金属 (LM) 的 20 通道神经电极阵列，该阵列采用铂金属 (Pt) 封装材料。体外实验表明，该电极具有稳定的电性能和优异的机械性能，如柔韧性和弯曲性，使电极与颅骨形成保形接触。体内实验还使用基于 LM 的电极从低流量或深度麻醉下的大鼠记录了脑电信号，包括由声音刺激触发的听觉诱发电位。使用源定位技术分析了听觉激活的皮层区域。这些结果表明，基于 20 通道 LM 的神经电极阵列满足脑信号采集的需求，并提供支持源定位分析的高质量脑电图 (EEG) 信号。
利用单眼动模式简化多模态情绪识别
多模态情绪识别一直是情感计算的热门话题，因为与单一模态相比，它能显著提高识别性能。其中，脑电图 (EEG) 和眼动信号的组合由于它们的互补性和客观性而成为最有吸引力的实践之一。然而，脑电图信号采集的高成本和不便性严重阻碍了多模态情绪识别在实际场景中的普及，而眼动信号则更容易获取。为了在不影响性能的情况下提高情绪解码的可行性和泛化能力，我们提出了一个基于生成对抗网络的框架。在我们的模型中，单一模态的眼动作为输入，它能够将信息映射到多模态特征上。在不同情绪类别的 SEED 系列数据集上的实验结果表明，与使用多模态输入的模型相比，使用单一眼动模态生成的多模态特征的模型保持了具有竞争力的准确率，并且大大优于那些单模态情绪分类器。这说明该模型有可能在不牺牲性能的情况下减少对多模态的依赖，从而使情绪识别更具适用性和实用性。
![arxiv：2501.16651v1 [eess.sp] 2025年1月12日](/simg/6\64442d13ca6f300de928f4cb40f36c1c3490bdfc.webp)
arxiv：2501.16651v1 [eess.sp] 2025年1月12日
摘要。使用侵入性方法的胎儿心脏健康监测的生存能力有限，因为它们只能在劳动期间使用并且不舒服。另一方面，非侵入性FECG被母体心电图掺假，因此导致分析不佳。相反，脉冲波多普勒（PWD）超声心动图产生代表胎儿血液体积流血流量的高质量信号。它也遵循非侵入性信号采集。唯一的缺点是它需要非常昂贵的设置。为了解决这一方面，我们提出了一个挑战研究问题 - 我们可以使用非侵入性胎儿ECG重建PWD信号吗？要回答这个问题，我们就输入FECG波极性，输出PWD信号配置（EA+，EA-和组），输出PWD信封（上，下，下，PCA压缩和组），输入FECG信号的信号长度和不同的回归模型进行了可行性研究。为了实现良好的重建，我们还提出了PWDRECNET - 一个深度学习框架，可在多个时间上下文中运行。据我们所知，这是第一项考虑Ni-Fecg重建PWD信号的工作。观察的数值结果表明，使用足够的配置和模型可以获得更好的重建。
基于 EOG 的人机界面：2000-2020 年回顾
摘要：基于眼电图 (EOG) 的脑机接口 (BCI) 是一项影响物理医学、日常生活、游戏甚至航空领域的相关技术。基于 EOG 的 BCI 系统记录与用户意图、感知和运动决策相关的活动。它将生物生理信号转换为外部硬件的命令，并通过输出设备执行用户期望的操作。EOG 信号用于通过主动或被动交互识别和分类眼球运动。这两种类型的交互都有可能通过执行用户与环境的通信来控制输出设备。在航空领域，人们正在探索对 EOG-BCI 系统的研究，将其作为替代手动命令的相关工具和致力于加速用户意图的交流工具。本文回顾了过去二十年基于 EOG 的 BCI 研究，并通过大量代表性论文提供了一个结构化的设计空间。我们的目的是介绍现有的基于 EOG 信号的 BCI 系统，并启发新系统的设计。首先，我们重点介绍基于 EOG 的 BCI 研究的基本组成部分，包括 EOG 信号采集、EOG 设备特性、提取的特征、翻译算法和交互命令。其次，我们概述了基于 EOG 的 BCI 在现实和虚拟环境中的应用以及航空应用。最后我们进行了总结
皮层内脑机接口中的人工智能代理
摘要 皮层内脑机接口 (iBCI)（例如 Neuralink 所展示的接口）在实现人脑与外部设备之间的直接通信方面表现出巨大潜力。然而，神经数据的复杂性和高维性对将大脑活动解释和翻译成有意义的命令提出了挑战。本文全面回顾了 iBCI 的现状，包括先进的信号采集和解码技术，并探讨了传统方法在实现无缝脑机交互方面的局限性。我们提出了一种新方法，利用配备反射、分层规划和决策等功能的高级 AI 代理作为大脑和 iBCI 之间的接口。通过结合这些先进的 AI 技术，我们旨在增强对神经信号的解释，提高任务执行效率，并提供更直观、适应性更强的用户体验，以实现以思想为导向的结果。本文详细讨论了所提出的方法，强调了其潜在优势和需要解决的挑战。最后，我们概述了未来的研究方向以及将先进的 AI 代理与 iBCI 相结合用于各种应用的前景，包括神经康复、辅助技术和人类增强。
将肌电图生物信号转化为合成声音的端到端乐器系统
摘要：本文介绍了一种结合硬件和软件的定制系统，该系统可感知表演者身体因肌肉收缩而产生的生理信号，并将其转换为计算机合成的声音。我们的目标是在该领域研究历史的基础上开发一个完整的集成系统，供非专业音乐家使用。我们描述了 Embodied AudioVisual 交互肌电图，这是一个端到端系统，涵盖音乐家身体上的可穿戴传感、基于定制微控制器的生物信号采集硬件、基于机器学习的手势到声音映射中间件和基于软件的粒度合成声音输出。一种新颖的硬件设计以最少的模拟预处理将来自肌肉的肌电图信号数字化，并在音频信号处理链中将其作为类兼容的音频和无线 MIDI 接口处理。映射层在强化学习配置中实现了交互式机器学习工作流程，并可以将手势特征映射到多维信息空间中的听觉元数据。该系统调整了现有的机器学习和合成模块，使其与硬件配合使用，形成了一个集成的端到端系统。我们通过一系列公开演讲和一系列音乐从业者的音乐会表演探索了其作为数字乐器的潜力。
基于金属氧化物半导体传感器的电子鼻在医学诊断中的应用
由于恶性疾病往往导致高死亡率，目前迫切需要开发创新的医疗诊断技术，因为现有方法存在局限性，包括非侵入性、无法实时监测以及相关的设备成本高昂。具体来说，呼吸分析在过去二十年中受到了极大的关注。呼出气中的挥发性有机化合物（VOC）可以反映人体的代谢和生理过程。因此，电子鼻（E-nose）由气体传感器阵列、信号采集、预处理单元和模仿人类嗅觉的模式识别算法组成，可以通过准确分析呼出气指纹来诊断疾病，显示出其无创、实时监测、快速诊断和低成本等不可替代的特点。通过结合金属氧化物半导体（MOS）气体传感器的优点（响应速度快、价格实惠、灵敏度高），MOS电子鼻的优势进一步增强。本文主要介绍用于检测挥发性有机化合物的金属氧化物半导体气体传感器。综述了二元和三元金属氧化物传感材料的传感原理和改性方法。本文还综述了用于检测癌症和呼吸系统疾病的金属氧化物半导体电子鼻。
采用六个单位电容器的、与分辨率无关的全差分 SCI 型 SAR ADC 架构
现代仪器系统和数据采集系统需要低到中等分辨率、中速的模数转换器 (ADC)。由于这些系统大多是便携式的，因此 ADC 规范对功率和面积参数有严格的要求。尽管传统的逐次逼近寄存器 (SAR) ADC 因结构简单、模拟模块少而在这些应用中很受欢迎，但它们占用的芯片面积很大。传统 SAR ADC 采用二进制加权电容电荷再分配数模转换器 (DAC) [1,2]。传统电容电荷再分配 DAC 的两个主要限制是转换速度和庞大的电容阵列。较大的 MSB 电容限制了转换速度。这种架构中使用的 DAC 电容阵列变得非常笨重。文献中提出了一些新方法来提高 SAR ADC 的速度 [3,4]。此外，还提出了一些用于 SAR ADC 的面积效率高的 DAC 架构 [5-7]。其中一些 ADC 在性能系数 (FOM) 方面优于其他 ADC，但由于所用 DAC 架构的类型，面积效率 (AE) 参数会降低。[8、9] 中的 SAR ADC 将分辨率可变性融入传统电荷再分配 ADC，以适应需要不同分辨率的多种信号，适用于生物医学信号采集系统等应用。
将肌电图生物信号转化为合成声音的端到端乐器系统
摘要：本文介绍了一种结合硬件和软件的定制系统，该系统可感知表演者身体因肌肉收缩而产生的生理信号，并将其转换为计算机合成的声音。我们的目标是在该领域研究历史的基础上开发一个完整的集成系统，供非专业音乐家使用。我们描述了 Embodied AudioVisual 交互肌电图，这是一个端到端系统，涵盖音乐家身体上的可穿戴传感、基于定制微控制器的生物信号采集硬件、基于机器学习的手势到声音映射中间件和基于软件的粒度合成声音输出。一种新颖的硬件设计以最少的模拟预处理将来自肌肉的肌电图信号数字化，并在音频信号处理链中将其作为类兼容的音频和无线 MIDI 接口处理。映射层在强化学习配置中实现了交互式机器学习工作流程，并可以将手势特征映射到多维信息空间中的听觉元数据。该系统调整了现有的机器学习和合成模块，使其与硬件配合使用，形成了一个集成的端到端系统。我们通过一系列公开演讲和一系列音乐从业者的音乐会表演探索了其作为数字乐器的潜力。