XiaoMi-AI文件搜索系统
World File Search System多通
多通道恒温金属槽校准系统设计
1 南京航空航天大学自动化系仪器科学与技术专业，江苏省南京市江宁区将军大道 29 号，211106，zhuoxiaobingling@sina.com 2 新疆维吾尔自治区计量测试研究院热工计量测试研究所，乌鲁木齐市河北街 258 号，830011，li_1221@sina.com，ykzhao2005@sina.com 3 新疆大学机电工程学院，新疆大学博多校区，新疆乌鲁木齐市水磨沟区华瑞街 777 号，830011，乌鲁木齐市，lilixiu_z@163.com 4 中国科学院大学微电子研究所，北京市海淀区邓庄南路 9 号， 100094，中国，zhouweihu@ime.ac.cn
使用多通道EEGS上的变压器模型自动癫痫发作检测
摘要 - 癫痫病是一种流行的神经系统疾病，其特征是通过癫痫发作，影响了全球约5000万个人。鉴于相关并发症的潜在严重程度，早期和准确的癫痫发作检测至关重要。在临床实践中，头皮脑电图（EEG）是非侵入性工具，广泛用于癫痫发作和定位，有助于癫痫发作类型的分类。但是，手动脑电图注释是劳动密集型的，昂贵的，并且遭受了低相互协议的侵害，因此需要自动化方法。为了解决这个问题，我们介绍了一个新颖的深度学习框架，将卷积神经网络（CNN）模块结合在一起，用于从多渠道EEG数据中提取时间和空间特征，以及一个变压器编码器模块以捕获长期顺序信息。我们对公共脑电图癫痫发作数据集进行了广泛的实验，未加权的F1得分为0.731，精度为0.724，召回（灵敏度）为0.744。我们进一步复制了文献中的几个EEG分析管道，并证明我们的管道表现优于当前的最新方法。这项工作为自动癫痫发作检测提供了重要的一步。通过实现更有效，更有效的诊断工具，它有可能显着影响临床实践，优化患者护理和癫痫治疗的结果。GitHub 1上可用的代码。索引项 - eegs，癫痫发作，变压器模型
brite-真正可穿戴的多通道FNIRS设备
nirs是铜基于的技术，主要依赖于人类组织的两个特征。首先是人类组织在NIR范围内光的相对透明度，其次是血红蛋白依赖于氧合的吸光度。基于这些原则，Brite使得可以监测您的主题的大脑活动：NIRS用于许多研究领域。nirs测量了生物组织中氧血红蛋白（O2HB），脱氧血红蛋白（HHB）和总血红蛋白（THB）的相对变化。
体感皮质的生物映射多通道微刺激传达了仿生手的高分辨率力反馈
手动相互作用与对象相互作用受到手的触觉信号的支持。这种触觉反馈可以通过体感皮质（S1）的心脏内微刺激（ICM）在脑控制的仿生手中恢复。在基于ICMS的触觉反馈中，可以通过基于仿生手上力传感器的输出调节刺激强度来发出接触力，这又调节了感知的感觉的幅度。在本研究中，我们在三名参与者中衡量了基于ICMS的力反馈的动态范围和精度，这些参与者植入了S1中的微电极阵列。为此，我们测量了由于ICM振幅增加以及参与者区分不同强度水平的能力而导致的感觉幅度的增加。然后，我们通过实施“仿生” ICMS培训来评估是否可以提高反馈的忠诚度，旨在唤起神经元活动的模式，这些模式更紧密地模仿那些自然接触的人，并一次通过多个通道传递ICMS。我们发现，多通道仿生ICMS产生的感觉比单通道对应物更强，更有区别。最后，我们用仿生手实施了仿生多通道反馈，并让参与者执行合规性歧视任务。我们发现，仿生多通道触觉反馈对单渠道线性对应物产生了改善的歧视。我们得出的结论是，多通道仿生的ICMS传达了精细分级的力反馈，该反馈更接近自然接触所赋予的灵敏度。
MBrain：一种用于脑信号的多通道自监督学习框架
脑信号是理解人脑生理活动和疾病的重要定量数据。同时，快速发展的深度学习方法为更好地建模脑信号提供了广泛的机会，近年来吸引了大量研究投入。现有研究大多关注监督学习方法，但该方法需要高成本的临床标签。此外，侵入性（如SEEG）和非侵入性（如EEG）方法测得的脑信号的临床模式差异巨大，导致缺乏统一的方法。为了处理上述问题，本文提出研究脑信号的自监督学习（SSL）框架，可应用于预训练SEEG或EEG数据。直观地看，脑信号是由神经元放电产生的，会在人脑不同的连接结构之间传输。受此启发，我们提出MBrain来学习不同通道（即电极触点，对应不同的脑区）之间隐含的空间和时间相关性，作为统一建模不同类型脑信号的基石。具体来说，我们用一个图结构来表示空间相关性，该图结构是基于提出的多通道 CPC 构建的。我们从理论上证明优化多通道 CPC 的目标可以得到更好的预测表示，并在此基础上应用瞬时时间移位预测任务。然后，我们通过设计延迟时间移位预测任务来捕捉时间相关性。最后，提出替代判别学习任务来保留每个通道的特征。在 EEG 和 SEEG 大规模真实数据集上进行的大量癫痫检测实验表明，我们的模型优于几种最先进的时间序列 SSL 和无监督模型，并且有能力部署到临床实践中。
一个系统地评估深度学习分类器从原始多通道脑电图数据中学到的表示的框架
深度学习方法在原始脑电图（EEG）数据中的应用越来越普遍。这些方法提供了相对于手动设计功能的其他方法提高性能的可能性，但它们也提出了可解释性降低的问题。因此，许多研究试图提供与基于深度学习的RAW EEG分类领域的独特性解释性方法。在这项研究中，我们提供了这些方法的分类法，确定了提供有关空间，光谱和时间特征的见解的现有方法。然后，我们提出了一个新的框架，该框架由一系列解释性方法组成，以了解对经过原始脑电图数据培训的分类器的洞察力。我们的框架提供了类似于现有方法的空间，光谱和时间解释。，据我们所知，它还提出了第一种解释性方法，以洞悉脑电图中的空间和时空相互作用。鉴于脑电图和神经精神疾病分析的频繁使用和特征的重要性，这一点尤其重要。我们在自动化的重度抑郁症（MDD）诊断的背景下演示了我们提出的框架，培训在公开可用的数据集中采用强大的交叉验证方法训练高性能的一维卷积神经网络。我们确定了中央电极与其他电极之间的相互作用，并确定健康对照组和MDD个体之间额叶θ，β和γ的差异。我们的研究代表了基于深度学习的RAW EEG分类领域的重要一步，从而在互动性上提供了新的功能，并通过我们建议的分类法为未来的创新提供了方向。
计算软件包内无线网络的多通道媒体访问控制协议
摘要 - 由于其低延迟，固有的广播性质和绕过销售限制的限制，芯片量表上的无用通信是对传统电线方法的有趣补充。然而，随着当前趋势推向巨大的和带宽的处理器体系结构，需要无线芯片尺度网络来利用和共享尽可能多的频道。在此上下文中，这项工作通过探索芯片级网络的多通道中型访问控制（MAC）协议的设计空间来解决渠道共享的问题。在现实的交通模式下，呈现和评估了随机访问和代币传递的不同渠道分配策略。表明，即使通过多个渠道实现了改进，这两个协议都保持了其内在优势和缺点。
噪声标签下的基于多通道脑电图的情绪识别
摘要 大量基于脑电图（EEG）的情绪识别任务的深度学习分类方法取得了优异的表现，并且隐含地假设所有标签都是正确的。然而，人类在判断时具有天然的偏见、主观性和不一致性，这会导致脑电图情绪状态的标签带有噪声。为此，我们提出了一种在有噪声标签的情况下基于多通道EEG的情绪识别框架。所提出的噪声标签分类方法基于胶囊网络使用联合优化策略（JO-CapsNet）直至收敛。具体而言，基于胶囊网络的损失函数更新网络参数，通过基于胶囊网络的输出预测类标签的存在可能性来更新伪标签。这样，交替的更新策略可以互相促进以纠正噪声标签。实验结果证明了我们方法的优势。
使用眼镜型可穿戴设备通过多通道面部反应进行情绪识别
摘要 我们提出了一种眼镜式可穿戴设备，以不引人注目的方式从人脸检测情绪。该设备旨在用户佩戴时自然、连续地收集来自用户脸部的多通道响应。多通道面部响应包括局部面部图像和生物信号，包括皮肤电活动 (EDA) 和光电容积图 (PPG)。我们进行了实验以确定可穿戴设备上 EDA 传感器的最佳位置，因为 EDA 信号质量对感应位置非常敏感。除了生理数据外，该设备还可以通过内置摄像头捕捉代表左眼周围局部面部表情的图像区域。在本研究中，我们开发并验证了一种使用从设备获得的多通道响应来识别情绪的算法。结果表明，仅使用局部面部图像的情绪识别算法在对情绪进行分类时的准确率为 76.09%。使用包括 EDA 和 PPG 在内的多通道数据，与单独使用局部面部表情相比，准确率提高了 8.46%。这种眼镜式可穿戴系统以自然的方式测量多通道面部反应，对于监测用户日常生活中的情绪非常有用，在医疗保健行业具有巨大的应用潜力。