XiaoMi-AI文件搜索系统
World File Search System准确度
用于较低分辨率的多域卷积神经网络...
摘要：运动想象 (MI) 脑机接口 (BCI) 因其在用户意图和任务执行之间直观匹配的特点而被广泛应用于各种应用。将干脑电图 (EEG) 电极应用于 MI BCI 应用可以解决许多限制并实现实用性。在本研究中，我们提出了一种多域卷积神经网络 (MD-CNN) 模型，该模型使用多域结构学习特定于主体和依赖于电极的 EEG 特征，以提高干电极 MI BCI 的分类准确率。所提出的 MD-CNN 模型由三个域表示（时间、空间和相位）的学习层组成。我们首先使用公共数据集评估了所提出的 MD-CNN 模型，以确认多类分类的分类准确率为 78.96%（机会水平准确率：30%）。之后，10 名健康受试者参与并在两个阶段（干电极和湿电极）执行了三类与下肢运动（步态、坐下和休息）相关的 MI 任务。因此，与仅使用单个域的传统分类器（FBCSP、EEGNet、ShallowConvNet 和 DeepConvNet）相比，所提出的 MD-CNN 模型使用三类分类器实现了最高的分类准确度（干电极：58.44%；湿电极：58.66%；偶然水平准确度：43.33%），并且两种电极类型之间的准确度差异最小（0.22%，d = 0.0292）。我们期望所提出的 MD-CNN 模型可用于开发具有干电极的稳健 MI BCI 系统。
基于EEG的BCI疗法中的伪影：朋友还是敌人？
摘要：基于脑电图的脑机接口 (BCI) 具有超越传统神经反馈训练的广阔治疗潜力，例如实现个性化和优化的虚拟现实 (VR) 神经康复范例，其中视觉体验的时间和参数与特定大脑状态同步。虽然 BCI 算法通常被设计为专注于信号中信息量最大的部分，但在这些大脑状态同步的应用中，至关重要的是，最终的解码器对代表各种心理状态的生理大脑活动敏感，而不是对诸如自然运动产生的伪影敏感。在本研究中，我们比较了从提取的大脑活动和 EEG 信号中包含的伪影中解码不同运动任务的相对分类准确度。在基于 VR 的逼真神经康复范例中，从 17 名慢性中风患者身上收集了 EEG 数据，同时执行六种不同的头部、手部和手臂运动。结果表明，在分类准确度方面，EEG 信号的伪像成分比大脑活动的信息量大得多。这一发现在不同的特征提取方法和分类流程中是一致的。虽然可以通过适当的清理程序恢复信息性脑信号，但我们建议不要仅将特征设计为最大化分类准确度，因为这可能会选择剩余的伪像成分。我们还建议使用可解释的机器学习方法来验证分类是否由生理脑状态驱动。总之，虽然信息性伪像在基于 BCI 的通信应用中是一个有用的朋友，但它们在估计生理 32 脑状态时可能是一个麻烦的敌人。33
使用多个数据流学习无标签的神经解码器
神经解码领域的最新进展加速了脑机接口的发展，旨在帮助用户完成日常任务，如说话、行走和操纵物体。然而，目前训练神经解码器的方法通常需要大量标记数据，而这些数据在现实环境中可能非常耗费精力或无法获得。一种有趣的替代方法是使用自监督模型，在两个数据流之间共享自生成的伪标签；此类模型在未标记的音频和视频数据上表现出色，但它们在神经解码方面的扩展效果仍不清楚。在这里，我们通过利用多个同时记录的数据流（包括神经、运动和生理信号）来学习没有标签的神经解码器。具体来说，我们应用跨模态、自监督深度聚类来解码脑部记录中的动作；这些解码器与监督和单模态、自监督模型进行了比较。我们发现，与单模态自监督模型相比，在训练期间在两个数据流之间共享伪标签可显著提高解码性能，其准确度接近在标记数据上训练的监督解码器的准确度。接下来，我们开发了在三种模态上训练的解码器，其性能与监督模型相当或略有超过，实现了最先进的神经解码准确度。跨模态解码是一种灵活、有前途的方法，可在没有任何标签的情况下在现实世界应用中实现稳健、自适应的神经解码。
Open-tES：专为啮齿动物研究设计的经颅电刺激开源刺激器
非侵入性神经调节技术，包括经颅直流电刺激 (tDCS)，已被证明可以调节神经元功能，并用于认知神经科学和治疗神经精神疾病。在这种情况下，动物模型提供了一种强大的工具来识别 tDCS 的神经生物学作用机制。然而，找到一个易于使用且允许各种刺激参数的电流发生器可能很困难和/或昂贵。在这里，我们介绍了 Open-tES 设备，这是一个在协作平台 Git-Hub 上共享的知识共享许可 (CC BY、SA 4.0) 下的项目。该电流发生器允许实现 tDCS（和其他类型的刺激），适用于啮齿动物，易于使用且成本低廉。已经进行了特性分析以测量所输送电流的精度和准确度。我们还旨在将其效果与临床试验中使用的商业刺激器（DC-Stimulator Plus，Neuro-Conn，德国）进行比较。为了实现这一目标，我们进行了一项行为研究，以评估其在减少小鼠抑郁相关行为方面的功效。刺激器的精度和准确度分别优于 250 nA 和 25 nA。本研究对小鼠进行的行为评估未发现临床试验中使用的商业刺激器和 Open-tES 设备之间存在任何显著差异。刺激器的准确度和精确度确保了刺激的高可重复性。该电流发生器是一种可靠且廉价的工具，可用于非侵入性脑电刺激领域的临床前研究。
根据丘脑底核和皮层活动，帕金森病静止性震颤可与自愿手部运动相区分
目的：通过分析脑活动来区分帕金森病静止性震颤和不同的自主手部运动。方法：我们重新分析了 6 名帕金森病患者的丘脑底核的脑磁图和局部场电位记录。数据是在停用多巴胺药物（Med Off）和服用左旋多巴（Med On）后获得的。使用梯度提升树学习，我们将时间段分类为震颤、握拳、前臂伸展或无震颤静止。结果：单独的丘脑底核活动不足以区分四种不同的运动状态（平衡准确度平均值：38%，标准差：7%）。相比之下，皮质和丘脑底核特征的组合可以实现更准确的分类（平衡准确度平均值：75%，标准差：17%）。与仅基于丘脑底活动的分类相比，添加单个皮质区域平均可将平衡准确度提高 17%。在大多数患者中，信息量最大的皮质区域是感觉运动皮质区域。Med On 和 Med Off 下的解码性能相似。结论：只要除了丘脑底活动外还监测皮质信号，电生理记录就可以区分几种运动状态。意义：通过结合皮质记录、皮质下记录和机器学习，自适应深部脑刺激系统可能能够特异性地检测震颤并对几种运动状态做出充分反应。2023 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
用于定位、导航和跟踪的粒子过滤器
开发了使用粒子滤波器（递归蒙特卡罗方法）解决定位、导航和跟踪问题的框架。提出了一种粒子维度简约的通用算法。汽车和航空应用从数字上说明了与基于卡尔曼滤波器的传统算法相比的优势。这里使用非线性模型和非高斯噪声是准确度提高的主要原因。更具体地说，我们描述了如何使用地图匹配技术将飞机的海拔剖面图与数字海拔地图进行匹配，将汽车的水平行驶路径与街道地图进行匹配。在这两种情况下，都可以实时实现，测试表明，其准确度可与卫星导航（如 GPS）相媲美，但完整性更高。基于模拟，我们还讨论了粒子滤波器如何用于基于手机测量的定位、飞机的综合导航以及飞机和汽车的目标跟踪。最后，粒子滤波器为导航和跟踪的组合任务提供了一个有希望的解决方案，这在空中搜寻和汽车防撞上都有所体现。
从单独和组合机载成像光谱和无人机多光谱数据中进行作物分离
摘要：作物品种分离对于广泛的农业应用至关重要——特别是在需要季节性信息时。通常，遥感可以高精度地提供此类信息，但在小规模结构化的农业区域，需要非常高的空间分辨率数据 (VHR)。我们提出了一项研究，涉及使用无人机 (UAV) 获取的近红外 (NIR) 红绿蓝 (NIR-RGB) 波段数据集以及机载棱镜实验 (APEX) 获取的成像光谱 (IS) 数据集得出的光谱和纹理特征。使用基于随机森林的方法来分析这些数据集的单独使用和组合，以确定作物的可分离性。此外，还分析了基于特征因子加载的不同波段缩减方法。使用 IS 数据集和两个组合数据集获得了最准确的作物分离结果，平均准确度 (AA) >92%。此外，我们得出结论，在 IS 特征数量（即波长）减少的情况下，可以通过使用额外的 NIR-RGB 纹理特征（AA > 90%）来补偿准确度。
用于脑机接口单次运动意图检测的 EEG 耳机评估
摘要：脑机接口 (BCI) 可用于神经康复；然而，关于将该技术转移到康复诊所的文献有限。BCI 的一个关键组件是耳机，有几种可选的耳机。本研究的目的是测试四种市售耳机记录和分类运动意图（运动相关皮质电位 - MRCP）的能力。12 名健康参与者进行了 100 次运动，同时在两天内通过耳机记录了连续的脑电图，以确定测量的可靠性：单次试验的分类准确度、拒绝的时期数和信噪比。MRCP 可以用覆盖运动皮层的耳机记录，并且它们获得了最好的分类准确度（73% - 77%）。最好的耳机（覆盖运动皮层的凝胶基耳机）的可靠性为中等到良好。结果表明，在评估的耳机中，可靠地记录 MRCP 需要位于靠近运动皮层位置的通道，并且可能需要基于凝胶的耳机。
卢旺达大学商学院
图 1：将样本从两个类别中分离出来的最大边际超平面 ...................................................................... 9 图 2：决策树算法 .............................................................................................................. 11 图 3：使用决策树对直接邮寄的响应进行分类 ........................................................................ 12 图 4：用于数据分析的 Python 库 ............................................................................................. 21 图 5：我们数据集中缺失值的摘要 ............................................................................................. 23 图 6：热图函数表示空值的分布 ............................................................................................. 24 图 7：说明调查类型的 Python 代码 ............................................................................................. 25 图 8：说明业余建造的 Python 代码 ............................................................................................. 26 图 9：说明飞行阶段的 Python 代码 ............................................................................................. 27 图 10：说明可变数量的发动机的 Python 代码 ............................................................................. 28 图 11：用四个属性的模态值替换缺失值的 Python 代码和结果 ................................................................................................................. 29 图 12：清理后的数据集，没有空值 ............................................................................................. 30图 14：从分类转换为数值后的调查类型摘要 ......................................................................................................................................................................31 图 15：从分类转换为数值后的天气状况摘要 ......................................................................................................................................................31 图 16：从分类转换为数值后的业余建造摘要 ......................................................................................................................31 图 17：从分类转换为数值后的飞行阶段摘要 ......................................................................................................31 图 18：带有数值的发动机数量摘要 .............................................................................................................32 图 19：我们数据集中变量之间相关性的摘要。 .............................................................................................34 图 20：我们数据集的形状 .............................................................................................................................34 图 21：我们数据集中的所有变量 .............................................................................................................35 图 22：筛选特征（可能导致空调事故的潜在特征） .............................................................................................35 图 23：特征重要性 ................................................................................................................ 36 图 24：决策树分类器的分类报告和准确度得分 .............................................................................. 37 图 25：决策树分类器的混淆矩阵 .............................................................................................. 38 图 26：基于曲线下面积的决策树分类器性能图表 ............................................................................................. 38 图 27：随机森林分类器的分类报告和准确度得分 ............................................................................. 39 图 28：随机森林分类器的混淆矩阵 ............................................................................................. 39 图 29：基于曲线下面积的随机森林分类器性能图表 ............................................................................................. 39 图 30：SVM 分类器的分类报告和准确度得分 ............................................................................................. 40 图 31：SVM 分类器的混淆矩阵 ............................................................................................. 40 图 32：基于 AUC 的 SVM 分类器性能图表 ............................................................................................. 40 图 33：朴素贝叶斯的分类报告和准确度得分分类器 .................................................. 41 图 34：朴素贝叶斯分类器的混淆矩阵 .............................................................. 41 图 35：基于 AUC 的朴素贝叶斯分类器性能图表 .............................................. 41 图 36：基于 AUC 对飞机事故数据的不同分类模型的评估性能 ............................................................................................................. 42SVM 分类器的混淆矩阵 ................................................................................................ 40 图 32：基于 AUC 的 SVM 分类器性能图表 .............................................................. 40 图 33：朴素贝叶斯分类器的分类报告和准确度得分 ............................................................ 41 图 34：朴素贝叶斯分类器的混淆矩阵 ............................................................................. 41 图 35：基于 AUC 的朴素贝叶斯分类器性能图表 ............................................................. 41 图 36：基于 AUC 的不同分类模型在飞机事故数据上的评估性能 ............................................. 42SVM 分类器的混淆矩阵 ................................................................................................ 40 图 32：基于 AUC 的 SVM 分类器性能图表 .............................................................. 40 图 33：朴素贝叶斯分类器的分类报告和准确度得分 ............................................................ 41 图 34：朴素贝叶斯分类器的混淆矩阵 ............................................................................. 41 图 35：基于 AUC 的朴素贝叶斯分类器性能图表 ............................................................. 41 图 36：基于 AUC 的不同分类模型在飞机事故数据上的评估性能 ............................................. 42
地理空间应用在粮食安全和弹性方面......
• 水稻、玉米、甘蔗、木薯、橡胶和油棕 • 水稻、玉米、甘蔗和木薯每两周监测一次 • 橡胶和油棕每年监测一次 • 光学 [Landsat 8-9 和 Sentinel 2] 和雷达 [Radarsat-2 和 Sentinel 1] 卫星遥感 • 非监督分类 (计算机) 和图像解释 (视觉) 技术 • 准确度 ≈ 80% • 用户：