XiaoMi-AI文件搜索系统
World File Search System图分
神经营销的黎曼脑电图分析框架
为了进一步验证，我们使用了额外的公开数据集。共有 31 名健康个体（13 名男性，年龄 19-41 岁）参与了这项研究。研究人员以随机顺序向参与者播放了六种选定食品的三段相同视频广告（即动态内容）。每个视频广告的长度在 25 到 46 秒之间。视频播放完成后，使用二元选择试验得出产品排名。在这里，分类任务归结为对参与者在排名方面的第一个和最后一个选择的辨别，这很容易与决策过程联系起来，从而与购买（或不购买）产品的意图联系起来。最后，记录脑电图活动，并进行抽样
独立于受试者的运动想象脑电图分类...
背景：脑机接口（BCI）系统帮助运动功能障碍患者与外界环境进行交互。随着技术的进步，BCI系统已在实践中得到应用，但其实用性和可用性仍然受到很大挑战。使用BCI系统前往往需要大量的校准时间，这会消耗患者的精力和耐心，并容易导致焦虑。针对这一问题，我们提出了一种与受试者无关的零校准方法。方法：提出一种双分支多尺度自编码网络（MSAENet）实现与受试者无关的运动想象分类，旨在实现BCI的即插即用。首先，该网络由一个多尺度分支和一个自动编码器（AE）组成，用于从不同角度进行特征学习。其次，以EEG信号与8-30 Hz频段内常见空间模式之间的协方差作为空谱特征，并将特征预提取信息作为MSAENet的输入。最后，网络引入中心损失函数提升分类能力。在三个公开数据集BCIV2a，SMR-BCI，OpenBMI上测试网络泛化能力。结果：结果表明，所提网络在三个数据集上均表现出良好的效果，在受试者独立的情况下，MSAENet在BCIV2a和SMR-BCI数据集上优于其他四种比较方法，而在OpenBMI数据集上F1得分值高达69.34%；分类性能最好的受试者相关结果明显优于其他四种先进的比较方法。我们的方法在保证较少的参数量和较短的预测时间的同时，能够保持较好的分类精度。结论：MSAENet验证了以下三点：（1）空间频域特征可以从原始EEG信号中提取有效信息。（2）双分支多尺度特征融合可以更全面地提取特征。 (3)中心损失函数的引入弥补了Softmax分类器只考虑类间距而忽略类内距离的缺陷，实现了零校准，有效解决了BCI应用中需要大量校准时间的问题。
脑电图分类在...
摘要 — 对脑电图 (EEG) 信号进行分类有助于理解脑机接口 (BCI)。EEG 信号对于研究人类思维方式至关重要。在本文中，我们使用了由计算前信号 (BCS) 和计算期间信号 (DCS) 组成的算术计算数据集。该数据集包含 36 名参与者。为了了解大脑中神经元的功能，我们对 BCS 和 DCS 进行了分类。对于这种分类，我们提取了各种特征，例如互信息 (MI)、锁相值 (PLV) 和熵，即排列熵、谱熵、奇异值分解熵、近似熵、样本熵。这些特征的分类是使用基于 RNN 的分类器完成的，例如 LSTM、BLSTM、ConvLSTM 和 CNN-LSTM。当使用熵作为特征并使用 ConvLSTM 作为分类器时，该模型的准确率达到 99.72%。索引词 — 脑机接口、脑电图、循环神经网络、互信息、相位锁定值、熵。
危重病人的诊断和预后脑电图分析：一项深度学习研究
脑电图 (EEG) 的视觉解释非常耗时、可能缺乏客观性并且仅限于人类可检测到的特征。基于计算机的方法，尤其是深度学习，可以克服这些限制。然而，大多数深度学习研究都集中在特定问题或单一病理上。在这里，我们探索了深度学习在基于 EEG 的诊断和预后评估中对各种病因的急性意识障碍 (ACI) 患者的潜力。我们回顾性分析了来自一项随机对照试验 (CERTA，NCT03129438) 的 358 名成年人的 EEG。卷积神经网络用于预测临床结果（基于生存率或最佳大脑性能类别）并确定病因（四种诊断类别）。最大概率输出作为网络对其预测的信心的标志（“确定性因子”）；我们还系统地将预测与原始 EEG 数据进行了比较，并使用可视化算法 (Grad-CAM) 来突出显示判别模式。当考虑所有患者时，预测生存率的受试者工作特征曲线下面积 (AUC) 为 0.721，基于最佳 CPC 预测结果的受试者工作特征曲线下面积为 0.703；对于确定性因素 ≥ 60% 的患者，AUC 分别增加至 0.776 和 0.755；对于确定性因素 ≥ 75% 的患者，AUC 分别增加至 0.852 和 0.879。预测病因的准确率为 54.5%；对于确定性因素为 50%、60% 和 75% 的患者，准确率分别增加至 67.7%、70.3% 和 84.1%。视觉分析表明，该网络学习了人类专家通常识别的 EEG 模式，并提出了新的标准。这项工作首次展示了基于深度学习的 EEG 分析在患有各种病因的 ACI 的危重患者中的潜力。确定性因素和输入数据与预测的事后相关性有助于更好地表征该方法并为未来在临床常规中的实施铺平道路。
用于脑电图分析的图神经网络
为了开发最终模型，我们首先提出了几种从 EEG 信号构建图形的程序，探索表示通道间连接的不同方式以及相关特征提取的方法。目前，还没有针对阿尔茨海默病或 MCI 检测提出的 GNN 模型。因此，我们使用了类似任务所采用的架构，并针对我们的特定领域对其进行了修改。最后，在同一组指标下评估一组连贯的图形和 GNN 模型组合。此外，对于性能最佳的组合，还研究了几个超参数的影响。为了处理所有可能的实验，我们开发了一个软件框架，可以轻松构建不同类型的图形、创建模型并评估其性能。
一种新型的深度学习方法，使用Alexnet在阿尔茨海默氏病和轻度认知障碍中对脑电图分类
摘要 - 阿尔茨海默氏病（AD）是痴呆症的最常见形式。轻度认知障碍（MCI）是描述前驱AD的阶段的术语，代表了早期AD诊断中的“危险因素”，这是由于老龄化引起的正常认知能力下降。脑电图（EEG）已被广泛研究以进行AD表征，但可靠的早期诊断继续提出挑战。这项研究的目的是使用EEG衍生的功能图像和深度学习技术引入AD患者，MCI受试者和年龄匹配的健康对照组（HC）受试者之间进行分类的新型方法。将141名年龄匹配受试者（52 AD，37 MCI，52 HC）的EEG记录转换为2D灰度图像，代表21 EEG通道之间的Pearson相关系数和距离LEMPEL-ZIV复杂性（DLZC）。每种特征类型都是从原始记录中分割的1s，2s，5s和10s的EEG时期计算的。CNN体系结构ALEXNET已修改并用于这项三向分类任务，并使用70/30拆分进行训练和验证，并使用每个不同的时期长度和EEG衍生的图像进行验证。使用来自10S时期的DLZC衍生图像作为模型的输入获得了73.49％的最大分类精度，但使用从Pearson相关系数和5S时期获得的图像达到了98.13％的分类精度达到98.13％。
一种基于无监督深度迁移学习的脑机接口运动想象脑电图分类方案
摘要：脑机接口（BCI）研究受到全世界的关注并得到了迅速发展。脑电图（EEG）作为一种著名的非侵入式BCI技术，从头皮表层记录大脑的电信号。然而，由于EEG信号的非平稳特性，在不同时刻或从不同受试者采集的数据分布可能有所不同。这些问题影响了BCI系统的性能并限制了其实际应用范围。在本研究中，通过将迁移学习的思想应用于运动想象EEG信号的分类，提出了一种基于无监督深度迁移学习的方法来处理当前BCI系统的局限性。采用欧几里德空间数据对齐（EA）方法在欧几里德空间中对齐源域和目标域EEG数据的协方差矩阵。然后，利用公共空间模式（CSP）从对齐的数据矩阵中提取特征，并应用深度卷积神经网络（CNN）进行EEG分类。通过与其他四种方法进行比较，基于公共EEG数据集的实验结果验证了所提方法的有效性。
高性能多类运动想象脑电图分类
摘要：在现实生活中的脑机接口应用中，脑电图 (EEG) 中的运动想象 (MI) 的使用需要高性能算法，这些算法既准确又计算量小。基于公共空间模式 (CSP) 和滤波器组公共空间模式 (FBSP) 的特征提取方法已被证明非常有前景。在本文中，我们推进了这一前沿，提出了一种新的有效方法，其变体在准确性（就 kappa 值而言）方面优于具有相同或更小特征集的现有方法。我们已经证明，从准确性和计算复杂度的角度来看，使用一个 mu 波段和三个 beta 子波段都非常理想。我们已经能够使用我们的方法为 BCI 竞赛 IV 的数据集 2a 实现最佳报告 kappa 值 0.67，其中特征向量长度为 64，直接由 FBCSP 变换后的数据样本组成，无需进一步的特征选择。直接由 FBCSP 数据组成的 32 大小的特征向量足以在 kappa 值实现方面胜过现有方法。在本文中，我们还系统地报告了使用不同分类器（包括 kNN、SVM、LDA、Ensemble、ANN 和 ANFIS）和不同长度的特征向量进行的实验。据报道，SVM 是最好的分类器，其次是 LDA。
减少量子退火偏差以解决图分割问题
当以 QUBO（二次无约束二进制优化）或 Ising 形式表示时，量子退火器提供了一种计算 NP 难题高质量解决方案的有效方法。这是通过将问题映射到量子芯片的物理量子比特和耦合器上来实现的，在称为量子退火的过程之后，从中读取解决方案。然而，这个过程受到多种偏差来源的影响，包括校准不良、相邻量子比特之间的泄漏、控制偏差等，这些偏差可能会对退火结果的质量产生负面影响。在这项工作中，我们旨在通过提供一种两步方法来减轻此类偏差对解决约束优化问题的影响，并将其应用于图分区。在第一步中，我们测量并减少因实施问题约束而导致的任何偏差。在第二步中，我们将目标函数添加到约束的结果偏差校正实现中，并将问题发送给量子退火器。我们将这一概念应用于图分割，这是一个重要的 NP 难题，它要求找到一个图的顶点分割，该分割是平衡的（约束）并最小化切割尺寸（目标）。我们首先量化量子退火器上约束实现的偏差，也就是说，在无偏实现中，我们要求任何两个顶点被分配到相同或不同分区部分的可能性相同。然后，我们提出了一种迭代方法来纠正任何此类偏差。我们证明，在添加目标后，在量子退火器上解决由此产生的偏差校正的 Ising 问题可获得更高的解决方案精度。