XiaoMi-AI文件搜索系统
World File Search System校准时间
我们自己的 PC - 世界无线电历史
如今，时间就是一切。从会议和约会到最后期限和电话会议，我的日程安排要求我精确到分钟地掌握时间。即使在周末，我也有少年棒球联盟的比赛要指导，节目要录制，飞机要赶。如果我迟到了，我就完蛋了。问题是，如果我的时钟不准确，就很难准时。即使是数字时钟也可能不准确。断电、电池没电、时间变化……所有这些都会导致时钟不准确。接下来，你就会迟到一个小时，走进那个重要的会议。现在你不必担心，因为先进的无线电技术已经生产出一种时钟，它直接从科罗拉多州柯林斯堡的美国原子钟获取时间，这是全世界计时的标准。Arcron 的原子钟是您可以买到的最准确、最可靠、最方便的钟表。地球上最准确的时钟。每天凌晨 1 点，这款“智能”时钟都会调到科罗拉多州美国原子钟发出的无线电时间信号，并自动重置为准确的小时、分钟和秒。美国原子钟每天的精确度为一百亿分之一秒。它使用分子技术测量原子的振动率（一个常数）来校准时间。这意味着时钟在一百万年内偏差不到一秒！原子钟甚至会自动调整夏令时，所以你不必记得“春天
基于脑部计算机界面的EEG解码中转移学习的应用：评论
摘要：脑电图（EEG）解码的算法主要基于当前研究中的机器学习。机器学习的主要假设之一是训练和测试数据属于同一特征空间，并且要遵守相同的概率分布。但是，这可能在脑电图处理中违反。跨会话 /受试者的变化导致在同一任务中EEG信号的特征分布偏离，这降低了对心理任务的解码模型的准确性。最近，转移学习（TL）在处理会议 /受试者的脑电图信号方面表现出巨大的潜力。在这项工作中，我们回顾了2010年至2020年有关TL eeg解码申请的80项相关已发表的研究。在此，我们报告使用了哪种TL方法（例如，实例知识，特征表示知识和模型参数知识），描述已经分析了哪些EEG范式的类型，并总结了用于评估性能的数据集。此外，我们讨论了脑电图解码的TL的最新和未来开发。结果表明，TL可以显着提高主题 /会话中解码模型的性能，并可以减少大脑 - 计算机界面（BCI）系统的校准时间。本评论总结了当前的实用建议和绩效成果，希望它将在将来为脑电图研究提供指导和帮助。
切线空间对齐：脑机接口的迁移学习...
受试者之间和会话之间的脑电图 (EEG) 统计差异是脑机接口 (BCI) 领域面临的一个常见问题。这种差异阻碍了预先训练的机器学习模型的使用，并且需要对每个新会话进行校准。本文介绍了一种处理这种差异性的新迁移学习 (TL) 方法。该方法旨在通过在正定矩阵黎曼流形的切线空间中将一个受试者的 EEG 数据与另一个受试者对齐，来减少校准时间甚至提高 BCI 系统的准确性。我们在 18 个 BCI 数据库上测试了该方法，这些数据库总共包含 349 名受试者，属于三个 BCI 范式，即事件相关电位 (ERP)、运动想象 (MI) 和稳态视觉诱发电位 (SSVEP)。我们使用支持向量分类器进行特征分类。结果表明，与传统的训练-测试流程相比，在 ERP 范式中，分类准确度显著提高，而对于 MI 和 SSVEP 范式，性能均未下降。与之前发布的黎曼方法黎曼普鲁克勒斯分析 (RPA) 相比，总体准确度提高了 2.7%。有趣的是，切线空间对齐具有处理具有不同通道数的数据集的迁移学习的内在能力，自然适用于数据集间的迁移学习。
切线空间对齐：脑机接口的迁移学习...
受试者之间和会话之间的脑电图 (EEG) 统计差异是脑机接口 (BCI) 领域面临的一个常见问题。这种差异阻碍了预先训练的机器学习模型的使用，并且需要对每个新会话进行校准。本文介绍了一种处理这种差异性的新迁移学习 (TL) 方法。该方法旨在通过在正定矩阵黎曼流形的切线空间中将一个受试者的 EEG 数据与另一个受试者对齐，从而减少校准时间并提高 BCI 系统的准确性。我们在 18 个 BCI 数据库上测试了该方法，这些数据库总共包含 349 名受试者，涉及三个 BCI 范式，即事件相关电位 (ERP)、运动想象 (MI) 和稳态视觉诱发电位 (SSVEP)。我们使用支持向量分类器进行特征分类。结果表明，与传统的训练-测试流程相比，在 ERP 范式中，分类准确度显著提高，而对于 MI 和 SSVEP 范式，性能均未下降。与之前发布的黎曼方法黎曼普鲁克勒斯分析 (RPA) 相比，总体准确度提高了 2.7%。有趣的是，切线空间对齐具有处理具有不同通道数的数据集的迁移学习的内在能力，自然适用于数据集间的迁移学习。
基于双分支特征Fusion的运动图像与主题无关的脑电图分类
摘要：大脑计算机接口（BCI）系统可帮助电动机功能障碍的人与外部环境相互作用。随着技术的发展，BCI系统已在实践中应用了，但是它们的实用性和可用性仍然受到极大挑战。在使用BCI系统之前，通常需要大量的校准时间，这可以消耗患者的能量并容易导致焦虑。本文提出了一种基于新型的运动辅助方法，该方法基于新型的双支车多尺度自动编码器网络（MSAENET）来解释人脑运动图像的意图，同时引入了中心损失功能，以补偿传统的分类者的缺点，这些分类者仅考虑阶层间差异和忽略内部的内部内部cllass class class类。该方法的有效性在三个数据集上进行了验证，即BCIIV2A，SMR-BCI和OpenBMI，以实现MI-BCI系统的零校准。结果表明，我们提出的网络在所有三个数据集上都显示出良好的结果。在受试者独立的情况下，MSAENET在BCIIV2A和SMR-BCI数据集上的其他四个比较方法优于其他四个比较方法，而在OpenBMI数据集中则获得了F1_SCORE值高达69.34％。我们的方法通过少量参数和短预测时间保持更好的分类精度，该方法实现了MI-BCI系统的零校准。
交叉主题EEG- ...
情感脑部计算机中解码的人类情绪相互交流，由于脑电图（EEG）信号的受试者间变化能力，遭受了重大挫折。现有的ap-praches通常需要收集每个新主题的大量脑电图数据，这些数据非常耗时，用户体验差。为了解决这个问题，我们将脑电图指定为每个主题的私人组件，并共享所有主题的情感组成部分。根据此表示的部分，我们提出了一种用于处理受试者间可变性的插件适应方法。在训练阶段，主题不变的情感表示和源主题的私人组成部分由共享的编码器和私人编码者分别捕获。此外，我们在共享分区和受试者的单个分类器上建立了一个情感分类，以结合这两个部分。在校准阶段，该模型仅需要来自传入目标对象的未标记的脑电图数据来对其私人组件进行建模。因此，除了共享的表演分类外，我们还有另一个管道来通过私人组合的相似性来利用源主题的知识。在测试阶段，我们将共享情绪分类器的预测与通过相似权重调制后的单个分类器的聚合物的预测。在种子数据集中进行的实验性调查表明，我们的模型在一分钟内的校准时间非常短，同时保持了识别精度，所有这些都使人们的情绪更具概括性和可行性。
交叉主题EEG- ...
情感脑部计算机中解码的人类情绪相互交流，由于脑电图（EEG）信号的受试者间变化能力，遭受了重大挫折。现有的ap-praches通常需要收集每个新主题的大量脑电图数据，这些数据非常耗时，用户体验差。为了解决这个问题，我们将脑电图指定为每个主题的私人组件，并共享所有主题的情感组成部分。根据此表示的部分，我们提出了一种用于处理受试者间可变性的插件适应方法。在训练阶段，主题不变的情感表示和源主题的私人组成部分由共享的编码器和私人编码者分别捕获。此外，我们在共享分区和受试者的单个分类器上建立了一个情感分类，以结合这两个部分。在校准阶段，该模型仅需要来自传入目标对象的未标记的脑电图数据来对其私人组件进行建模。因此，除了共享的表演分类外，我们还有另一个管道来通过私人组合的相似性来利用源主题的知识。在测试阶段，我们将共享情绪分类器的预测与通过相似权重调制后的单个分类器的聚合物的预测。在种子数据集中进行的实验性调查表明，我们的模型在一分钟内的校准时间非常短，同时保持了识别精度，所有这些都使人们的情绪更具概括性和可行性。
轨迹解码中的迁移学习：传感器还是源空间？
摘要：本研究调查了跨参与者和跨会话的迁移学习，以在连续手部轨迹解码的背景下最大限度地缩短脑机接口 (BCI) 系统的校准时间。我们重新分析了一项涉及 10 名健全参与者、为期 3 个会话的研究的数据。采用留一参与者 (LOPO) 模型作为起始模型。采用递归指数加权偏最小二乘回归 (REW-PLS) 来克服由于训练数据池庞大而导致的内存限制。我们考虑了四种场景：无更新的广义 (Gen)、具有累积更新的广义 (GenC) 以及具有累积 (IndC) 和非累积 (Ind) 更新的个别模型，每个模型都使用传感器空间特征或源空间特征进行训练。广义模型（Gen 和 GenC）的解码性能低于偶然水平。在个体模型中，累积更新 (IndC) 相对于非累积模型 (Ind) 没有显著改善。性能表明解码器无法在此任务中跨参与者和会话进行推广。结果表明，尽管源空间特征中有额外的解剖信息，但传感器空间个体模型可以实现最佳相关性。在 Ind 模型中，解码模式在三个会话中显示出围绕楔前叶的更局部化的模式。
通过基于核的 SPD 流形域自适应进行运动想象分类
摘要：背景：记录脑机接口的校准数据是一个费力的过程，对受试者来说是一种不愉快的体验。域自适应是一种有效的技术，它利用来自源的丰富标记数据来弥补目标数据短缺的问题。然而，大多数先前的方法都需要首先提取脑电信号的特征，这会引发 BCI 分类的另一个挑战，因为样本集较少或目标标签较少。方法：在本文中，我们提出了一种新颖的域自适应框架，称为基于核的黎曼流形域自适应 (KMDA)。KMDA 通过分析脑电图 (EEG) 信号的协方差矩阵来绕过繁琐的特征提取过程。协方差矩阵定义了一个对称正定空间 (SPD)，可以用黎曼度量来描述。在 KMDA 中，协方差矩阵在黎曼流形中对齐，然后通过对数欧几里德度量高斯核映射到高维空间，其中子空间学习通过最小化源和目标之间的条件分布距离同时保留目标判别信息来执行。我们还提出了一种将 EEG 试验转换为 2D 帧（E 帧）的方法，以进一步降低协方差描述符的维数。结果：在三个 EEG 数据集上的实验表明，KMDA 在分类准确度方面优于几种最先进的领域自适应方法，BCI 竞赛 IV 数据集 IIa 的平均 Kappa 为 0.56，BCI 竞赛 IV 数据集 IIIa 的平均准确度为 81.56％。此外，使用 E 帧后整体准确度进一步提高了 5.28％。 KMDA 在解决主体依赖性和缩短基于运动想象的脑机接口校准时间方面显示出潜力。
用于 P300 解码的轻量级多尺度卷积神经网络：训练策略分析与网络决策揭示
卷积神经网络 (CNN) 可以自动从原始数据中学习特征以近似函数，这种网络越来越多地应用于脑电图 (EEG) 信号的端到端分析，尤其是用于解码脑机接口 (BCI) 中的大脑状态。尽管如此，CNN 引入了大量可训练参数，可能需要较长的训练时间，并且缺乏学习到的特征的可解释性。本研究的目的是提出一种用于 P300 解码的 CNN 设计，重点在于其在保证高性能的同时的轻量级设计、不同训练策略的影响以及使用事后技术来解释网络决策。所提出的设计名为 MS-EEGNet，以高效和优化（就可训练参数而言）的方式学习了两个不同时间尺度（即多尺度，MS）中的时间特征，并在三个 P300 数据集上进行了验证。使用不同的策略（参与者内和会话内、参与者内和跨会话、留一法、迁移学习）训练 CNN，并与几种最先进的 (SOA) 算法进行了比较。此外，分析了基线 MS-EEGNet 的变体，以评估不同超参数对性能的影响。最后，使用显着图来推导驱动 CNN 决策的相关时空特征的表示。尽管 MS-EEGNet 具有多个时间尺度，但它与测试的 SOA CNN 相比是最轻的 CNN，并且明显优于 SOA 算法。事后超参数分析证实了 MS-EEGNet 创新方面的优势。此外，MS-EEGNet 确实受益于迁移学习，尤其是使用少量训练示例，这表明所提出的方法可用于 BCI 中以准确解码 P300 事件，同时减少校准时间。从显著性图得出的表示与 P300 时空分布相匹配，进一步验证了所提出的解码方法。本研究通过专门解决轻量级设计、迁移学习和可解释性方面的问题，有助于推动基于 P300 的 BCI 深度学习算法的开发。