XiaoMi-AI文件搜索系统
World File Search System图特
通过联合稀疏性的堆叠深度嵌入回归进行脑电图特征选择
在脑机接口 (BCI) 领域，选择高效且稳健的特征对于人工智能 (AI) 辅助临床诊断非常有吸引力。在本研究中，我们基于嵌入式特征选择模型，以逐层方式构建堆叠深度结构进行特征选择。其良好的性能由堆叠广义原理保证，即添加到原始特征中的随机投影可以帮助我们以堆叠方式连续打开原始特征空间中存在的流形结构。有了这样的好处，原始输入特征空间变得更加线性可分。我们使用波恩大学提供的癫痫脑电图数据来评估我们的模型。基于脑电图数据，我们构建了三个分类任务。在每个任务中，我们使用不同的特征选择模型来选择特征，然后使用两个分类器根据所选特征进行分类。我们的实验结果表明，我们的新结构选择的特征对分类器更有意义且更有帮助，因此比基准模型产生更好的性能。
脑电图特征可预测重度抑郁症的抗抑郁反应
δ 通讯地址：Amit Etkin，amitetkin@stanford.edu。贡献：WW 参与了数据的分析和解释以及手稿的起草和修改。YZ 和 JJ 参与了数据的分析和手稿的起草。MVL 和 GAF 参与了手稿的起草和修改。CER、CC、CCF、NK、CAC、RW、RT、HMT、KM、TLC、KS、MKJ 和 JMT 参与了研究的实施、数据的分析和解释以及手稿的修改。TD、PA、PJM、MMW 和 MF 参与了研究的设计和实施。DAP、MA 和 MHT 参与了研究的设计和实施以及手稿的起草和修改。AE 参与了研究的设计和实施、数据的分析和解释以及手稿的起草和修改。*博士Etkin 和 Trivedi 作为资深作者做出了同等贡献
脑电图特征可预测重度抑郁症的抗抑郁反应
1 华南理工大学自动化科学与工程学院，广东广州，中国。2 斯坦福大学精神病学和行为科学系，美国加利福尼亚州斯坦福。3 斯坦福大学吴仔神经科学研究所，美国加利福尼亚州斯坦福。4 美国退伍军人事务帕洛阿尔托医疗保健系统和塞拉太平洋精神疾病研究、教育和临床中心 (MIRECC)，美国加利福尼亚州帕洛阿尔托。5 美国德克萨斯州达拉斯德克萨斯大学西南医学中心精神病学系。6 美国德克萨斯州达拉斯德克萨斯大学西南医学中心奥唐奈脑研究所。7 脑诊所基金会脑诊所研究所，荷兰奈梅亨。8 荷兰马斯特里赫特大学心理学和神经科学学院认知神经科学系。9 美国马萨诸塞州贝尔蒙特哈佛医学院和麦克莱恩医院精神病学系。 10 纽约州精神病研究所和哥伦比亚大学医学院精神病学系，纽约州纽约市，美国。11 乌得勒支大学实验心理学系，荷兰乌得勒支。12 荷兰神经护理集团，荷兰奈梅亨。13 以下作者贡献相同：Madhukar H. Trivedi、Amit Etkin。✉ 电子邮件：amitetkin@stanford.edu
NSGA-II 目标对运动想象相关脑电图特征选择的影响
选择与运动想象 (MI) 具有功能相关性的脑电图 (EEG) 特征是基于脑机接口 (BCI) 的运动康复成功的关键任务。MI 期间的个体 EEG 模式需要基于受试者的特征选择，由于特征的复杂性和数量庞大，这是一项艰巨的任务。一种解决方案是使用元启发式算法，例如遗传算法 (GA)，以避免不切实际的穷举搜索。在本研究中，使用最广泛使用的 GA 之一 NSGA-II 和分层个体表示来排除与 MI 无关的 EEG 通道。本质上，在先前记录的 MI EEG 数据集上评估了 NSGA-II 中不同目标的性能。实证结果表明，k-最近邻（k-NN）与皮尔逊相关系数（PCFS）相结合作为目标函数，与其他目标组合相比，分类准确率更高（73% vs. 69%）。线性判别分析（LDA）与特征减少（FR）相结合作为目标函数，最大程度地减少了特征（99.6%），但降低了分类性能（65.6%）。所有与 PCFS 相结合的分类器目标都根据 MI 期间的预期活动模式选择了类似的特征。总之，PCFS 和分类器作为目标函数构成了 MI 数据的良好权衡解决方案。
根据声学特征生成脑电图特征
脑电图 (EEG) 是一种非侵入性测量人脑电活动的方法。EEG 传感器被放置在受试者的头皮上以获取 EEG 记录。参考文献 [1]–[3] 表明，EEG 特征可用于执行孤立和连续语音识别，其中受试者说话或聆听时记录的 EEG 信号使用自动语音识别 (ASR) 模型转换为文本。在 [4] 中，作者展示了使用深度学习模型从侵入性皮层脑电图 (ECoG) 信号合成语音。同样，在 [2]、[5] 中，作者展示了使用深度学习模型从 EEG 信号合成语音。在 [2]、[5] 中，作者展示了使用不同类型的 EEG 特征集的结果。使用 EEG 特征进行语音合成和语音识别可能有助于有语言障碍的人或无法说话的人恢复语音。在本文中，我们感兴趣的是研究是否有可能从声学特征预测 EEG 特征。这个问题可以表述为基于 EEG 的语音合成的逆问题。在基于脑电图的语音合成中，声学特征是根据脑电图特征预测的，如参考文献 [2]、[5] 中所述。从独特的声学模式预测脑电图特征或特征可能有助于更好地理解人类大脑如何处理语音感知和产生。在实验室中记录脑电图信号是一项耗时且昂贵的工作
文章根据静息状态脑电图数据预测个体用户脑电图特征的动态范围，以评估其对被动脑电图的适用性——
摘要：随着近年来低成本可穿戴脑电图 (EEG) 记录系统的发展，被动式脑机接口 (pBCI) 应用正在教育、娱乐和医疗保健等各种应用领域中得到积极研究。各种 EEG 特征已被用于实现 pBCI 应用；然而，经常有报道称，有些人难以充分享受 pBCI 应用，因为他们的 EEG 特征的动态范围（即其随时间变化的幅度）太小，无法用于实际应用。进行初步实验以寻找与不同心理状态相关的个性化 EEG 特征可以部分避免这一问题；然而，对于大多数 EEG 特征动态范围足够大以用于 pBCI 应用的用户来说，这些耗时的实验是没有必要的。在本研究中，我们尝试从静息状态脑电图 (RS-EEG) 预测个人用户最广泛用于 pBCI 应用的脑电图特征的动态范围，最终目标是识别可能需要额外校准才能适合 pBCI 应用的个人。我们使用基于机器学习的回归模型来预测三种广泛使用的脑电图特征的动态范围，已知这三种特征与大脑的效价、放松和集中状态有关。我们的结果表明，脑电图特征的动态范围可以预测，归一化均方根误差分别为 0.2323、0.1820 和 0.1562，证明了使用短暂静息脑电图数据预测 pBCI 应用的脑电图特征的动态范围的可能性。
马萨诸塞州斯基图特镇 2021-2025 财政年度首府...
要求各部门使用三年前推出的新表格来填写 21-25 财年的所有资本项目申请。如果您之前已根据五年滚动资本计划（至 24 财年）提交了申请，则无需重新提交，除非您已提前更换年份或更新了成本估算。应审查各部门之前提交的所有资本申请，以确保随附的信息和价格估算合理且最新。这意味着更新采购成本、规格或车辆类型、型号或年份的变化以及持续维护。请准备一份新表格并提交随附材料以支持变更。五年资本计划要求申请至 25 财年的资本需求，并且必须严格遵守以下规定的要求提交这些申请。
马尔伯勒、哈德逊、南弗雷明汉、纳蒂克及周边地区的商界领袖，还包括萨克森维尔和科奇图特
组织和装备民兵部队。组建民兵连，进行训练，并保证在需要时给予奖励，简而言之，人民的普遍程度都遵循了“战争时期准备战争”这一简短的建议。