XiaoMi-AI文件搜索系统
World File Search System小波
小波相干性作为轮椅击剑运动员躯干稳定肌激活的量度
摘要背景：肌肉间同步是有效运动表现和日常生活活动的关键方面之一。本研究旨在利用小波分析评估轮椅击剑运动员躯干稳定肌的同步性。方法：评估了左右两组背阔肌/腹外斜肌 (LD/EOA) 肌肉间的肌肉间同步性和拮抗性 EMG-EMG 相干性。研究组由 16 名轮椅击剑运动员组成，他们是波兰残奥会队的成员，分为两类残疾（A 和 B）。数据分析分三个阶段进行：(1) 使用 sEMG 记录肌肉激活；(2) 小波相干性分析；(3) 相干性密度分析。结果：在残奥会轮椅击剑运动员中，无论其残疾类别如何，肌肉都在低频率水平上被激活：A 类击剑运动员为 8-20 Hz，B 类击剑运动员为 5-15 Hz。结论：结果表明，轮椅击剑运动员（包括脊髓损伤运动员）的躯干肌肉活动明显，这可以解释为他们高强度训练的结果。肌电信号处理应用在提高轮椅运动员的表现和诊断方面具有巨大潜力。关键词：小波分析、残疾运动员、脊髓损伤、肌电图、频率水平
通过正交小波分解特征提取
在过去十年中，对便携式电子设备的需求迅速增加，这促使电池生产的增长增长。自从1990年代开发作为商业能源储能解决方案以来，锂离子电池（LIB）由于其较长的周期寿命，高能量密度，低自我放电速率和高工作电压而引起了科学和工业的极大关注。生产LIB需要大量的聚合物粘合剂 - 通常是聚偏二氟乙烯（PVDF），以进行处理和性能。但是，由于该材料是石化衍生的，因此它远非“绿色”或可持续性。另一方面，聚合物及其构建块在整个自然界中被广泛发现，并且可以以低成本从生物量中获得。因此，用生物质衍生的粘合剂代替PVDF是减少LIB环境足迹的一种有前途的方法。此外，聚合物粘合剂在下一代电池性能中起着至关重要的作用。例如，硅（Si）是一种有前途的大容量阳极材料，因为它具有高理论能力（4200 mahg -1），工作势较低，并且在地壳中具有很高的丰度。但是，由于传统的粘合剂仅与硅的天然表面相互作用，并且无法维持电极的长期完整性，因此其在电荷/放电期间的巨大变化往往会导致循环寿命缩短。自然衍生的聚合物由于其高结构优势而在该角色上取得了更好的成功。在这篇综述中，我们总结了源自各种生物质源的硅阳极粘合剂的最新发展，重点是聚合物特性及其对电池性能的影响。我们根据自己对这些作品的评估提出了各种观点，并对该领域的未来前景进行了简要评论。
小波骨骼在睡眠脑电图中作为轻度认知障碍早期诊断的生物标志物
许多神经变性疾病在早期阶段很难诊断。例如，对轻度认知障碍（MCI）的早期诊断需要各种各样的测试，以区分MCI症状和衰老的正常后果。在本文中，我们使用小波 - 骨骼方法在健康的成年患者和认知功能障碍患者的脑电图（EEG）中找到一些特征模式。我们分析了11名60至75岁年龄段的11名老年患者在自然睡眠期间记录的EEG活性，其中6例患有轻度的认知障碍，并采用基于连续小波转化骨骼的非线性分析方法。我们的研究表明，对整个睡眠状态的EEG信号进行了全面分析，使我们能够确定频带中振荡模式平均持续时间的显着降低[12; 14] Hz在有轻度认知障碍的情况下。因此，该频率范围的变化可以解释为与运动皮层的活性相关，作为制定早期客观MCI标准的候选者。
使用可调 Q 小波变换和旋转森林集成分类器的基于脑电图的情绪识别
人工智能 (AI) 的情绪识别是一项具有挑战性的任务。已经进行了各种各样的研究，证明了音频、图像和脑电图 (EEG) 数据在自动情绪识别中的实用性。本文提出了一种新的自动情绪识别框架，该框架利用脑电图 (EEG) 信号。所提出的方法是轻量级的，它由四个主要阶段组成，包括：再处理阶段、特征提取阶段、特征降维阶段和分类阶段。在预处理阶段使用基于离散小波变换 (DWT) 的降噪方法，在此称为多尺度主成分分析 (MSPCA)，其中使用 Symlets-4 滤波器进行降噪。可调 Q 小波变换 (TQWT) 用作特征提取器。使用六种不同的统计方法进行降维。在分类步骤中，旋转森林集成 (RFE) 分类器与不同的分类算法一起使用，例如 k-最近邻 (k-NN)、支持向量机 (SVM)、人工神经网络 (ANN)、随机森林 (RF) 和四种不同类型的决策树 (DT) 算法。所提出的框架使用 RFE + SVM 实现了超过 93% 的分类准确率。结果清楚地表明，所提出的基于 TQWT 和 RFE 的情感识别框架是使用 EEG 信号进行情感识别的有效方法。
土耳其计算机和数学教育杂志第12卷（2021），452-465 网络安全性的量子密钥分布算法 深层小波自动编码器使用深神经网络T.Balamurugan 1，e.gnanamanoharan 2，L.Martin 3
Tadesse Hailu Ayane A，Satyasis Mishra B，Davinder Singh Rathee C，Harish Kalla d a Dept.，ECE，SEEEC，SIGNAL和IMAGE PROCESTING SIG，ADAMA科学技术大学，Adama，埃塞俄比亚文章历史：收到：2021年1月10日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年6月4日摘要：这项研究工作提出了一种新颖的快速且坚固的模糊C表示基础（FRFCM）分割技术，用于从MR（磁共振）图像中检测脑肿瘤，该技术可以告知放射线医生和医生脑肿瘤的细节。 这种分割技术已用于消除里奇亚的噪声和形态重建的图像。 MR（磁共振）图像特征已通过流行的灰度共发生矩阵（GLCM）和离散小波变换特征提取技术提取。 提取的特征应用于基于拟议的PSO（粒子群优化）的极限学习机（ELM），以分类恶性和良性脑肿瘤的类型，以进行视觉定位。 此外，将将分类结果与现有支持向量机和相关向量机模型进行比较。 在这项研究工作中，PSO算法已更新了拟议的新型多类极限学习机分类器模型的权重，以提高分类器的性能。 为了展示研究的独特性，此外，研究工作提出了通过嵌入式系统平台实施检测和分类的，这可能是研究工作的产品结果。 关键字：，ECE，SEEEC，SIGNAL和IMAGE PROCESTING SIG，ADAMA科学技术大学，Adama，埃塞俄比亚文章历史：收到：2021年1月10日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年6月4日摘要：这项研究工作提出了一种新颖的快速且坚固的模糊C表示基础（FRFCM）分割技术，用于从MR（磁共振）图像中检测脑肿瘤，该技术可以告知放射线医生和医生脑肿瘤的细节。这种分割技术已用于消除里奇亚的噪声和形态重建的图像。MR（磁共振）图像特征已通过流行的灰度共发生矩阵（GLCM）和离散小波变换特征提取技术提取。提取的特征应用于基于拟议的PSO（粒子群优化）的极限学习机（ELM），以分类恶性和良性脑肿瘤的类型，以进行视觉定位。此外，将将分类结果与现有支持向量机和相关向量机模型进行比较。在这项研究工作中，PSO算法已更新了拟议的新型多类极限学习机分类器模型的权重，以提高分类器的性能。为了展示研究的独特性，此外，研究工作提出了通过嵌入式系统平台实施检测和分类的，这可能是研究工作的产品结果。关键字：这将帮助医务人员，特别是让放射线医生和医生了解肿瘤的严重性。此外，嵌入式系统平台已用于通过GUI（图形用户界面）显示分类，分割和功能。
基于离散小波变换的眼睛状态识别
在近几十年中，由于它们在临床诊断或人机界面（HMI S）等新兴地区的直接含义，因此眼目光分析和眼科识别构成了一个具有研究的研究领域。用户及其目光移动的眼部状态可以揭示其认知状况的重要特征，这对于医疗保健目的至关重要，也对日常生活活动的分析至关重要。因此，它已经在多个领域进行了研究和应用，例如驾驶员嗜睡检测[1-3]，机器人控制[4]，婴儿睡眠 - 灭绝状态识别[5]或癫痫发作检测[6]等[7，8]。已经提出了用于研究眼睛凝视和眼状态的不同技术，例如视频摄影（VOG），电学（EOG）和脑电图（EEG）。在VOG [9，10]中，几个相机记录了用户眼睛的视频或图片，并且通过应用图像处理和人工视觉算法，可以准确地分析用户的眼睛状态。在EOG [11 - 15]中，将一些电极放在用户的皮肤附近，以捕获眼部活动产生的电信号。另一方面，在脑电图技术[16，17]中，使用放置在用户头皮上的电极来测量大脑产生的电信号。由于分析和分类多个图像的昂贵过程，与基于图像的方法（例如VOG）中使用的算法相关的计算复杂性高得多[18]。），这可能是实施实际应用程序的关键信息。EOG方法似乎是基于眼动或眨眼构建HMI的有趣技术，但是在用户脸上的电极放置可能不舒服，并且在实践应用中不可用[19]。因此，脑电图技术是开发新界面的有吸引力的解决方案，基于用户的眼睛状态，可以分析和推断其认知状态（放松，压力，入睡等。
网络安全性的量子密钥分布算法深层小波自动编码器使用深神经网络T.Balamurugan 1，e.gnanamanoharan 2，L.Martin 3
摘要。最近一年，大脑成像技术在检查和专注于解剖学和脑功能的新视野中一直发挥着重要作用。图像处理机制被广泛用于医学中，以增强早期检测和治疗。分割和分类对于MRI脑图像处理是至关重要的作用。这项工作的目的是开发一种系统，该系统通过提出的图像分类器的过程来帮助肿瘤检测和脑MRI图像识别。在这项工作中，我们建议一个深层神经网络进行分类和细分。这项工作提出了使用深波自动编码器（DWA）的图像压缩技术，该技术结合了将自动编码器的主要功能与小波变换的图像降解属性最小化的能力。两者的组合对减小与DNN的其他分类任务的函数的大小相同。已经消除了脑系统，并考虑了提出的DNN-DWAE图像分类。与不同现有方法相比，DNN-DWAE分类器的性能评估已得到改善。
使用双树复小波 (DTCW) 和剪切波变换减少 SAR 图像的斑点噪声
摘要：合成孔径雷达 (SAR) 图像由于相干采集系统的乘性斑点噪声而难以解释。因此，SAR 图像的去斑点始终是 SAR 图像处理中的首要预处理任务。有许多方法使用各种空间域滤波器和变换域算法来减少斑点，但并非所有方法都能保留图像边缘特征。本文提出了一种通过稀疏表示的去斑点算法，该算法使用具有方向选择性和平移不变性的 Shearlet 变换和 DTCW 变换的组合。实验结果表明，所提出的方法比现有的最先进方法具有更好的 PSNR、ENL 和 EPI 值。所提出的方法不仅保留了边缘，还通过增强 SAR 图像的纹理改善了视觉效果。
使用小波转换和复发性神经网络的睡眠脑电图信号的索赔，用于睡眠阶段分类的新方法
摘要简介：视觉睡眠阶段评分是一种时间表，无法提取脑电图（EEG）的非线性特征。本文提出了一种基于小波变换和重新当前神经网络（RNN）的睡眠信号的索引，用于睡眠阶段分化的新方法。方法：使用较长的短期记忆模型，根据分类吉他作品和库尔德坦堡Makams的数据库进行了两个RNN的签名和训练。此外，使用离散的小波变换和小波包分解来确定EEG信号和MUSICAL螺距之间的关联。连续的小波变换用于从脑电图中提取基于音乐节拍的功能。然后，验证的RNN用于生成音乐。为了测试构图，将11个睡眠脑映射到吉他和坦率频率间隔上，并呈现给Pre-
