XiaoMi-AI文件搜索系统
World File Search System特征提取
通道和特征识别：综述以及基于机器学习的大规模特征提取模型，用于情绪和自闭症分类
自闭症谱系障碍 (ASD) 的特征是社交和认知技能受损、情绪障碍、焦虑和抑郁。传统的 ASD 诊断过程冗长，迫切需要早期进行有意义的干预。最近，不同的研究提出了通过使用深度神经网络 (DNN) 和机器学习算法进行情绪预测来进行 ASD 诊断和干预的潜力。然而，这些系统缺乏通过多个基准数据集进行广泛的大规模特征提取 (LSFE) 分析。需要进行 LSFE 分析来识别和利用最相关的特征和通道进行情绪识别和 ASD 预测。考虑到这些挑战，我们首次分析和评估了一个广泛的特征集，以使用 LSFE 和特征选择算法 (FSA) 选择最佳特征。使用不同的最佳情况 FSA 确定了一组最多八个最合适的通道。还确定了通道和特征的主体重要性。所提出的方法使用线性支持向量机 (LSVM) 分类器进行情绪预测时，最佳准确率、精确率和召回率分别为 95%、92% 和 90%。它还为 ASD 分类提供了 100% 的最佳准确率、精确率和召回率。这项工作利用了文献中迄今为止报告的最大数量的基准数据集 (5) 和主题 (99) 进行验证。本文提出和使用的 LSVM 分类算法的复杂度明显低于最近 ASD 和情绪预测系统中使用的 DNN、卷积神经网络 (CNN)、朴素贝叶斯和动态图 CNN。
基于时频域特征提取的脑电信号视障人士压力检测
压力是指身体对任何环境变化做出的生理、情绪和心理反应，需要进行调整，对人类心理产生重大影响。视障人士 (VIP) 的压力尤其难以控制，因为他们在未知情况下很容易感到压力。脑电图 (EEG) 信号可用于检测压力，因为它基本上代表了人类大脑中持续的电信号变化。文献表明，压力检测技术大多基于时域或频域分析。然而，使用时域或频域分析可能不足以提供适当的压力检测结果。因此，本文提出了一种使用经验模态分解 (EMD) 和短期傅里叶变换 (STFT) 从 EEG 信号中提取考虑时空信息的特征的方法。在 EMD 中，信号首先被分解为表示有限数量信号同时保持时域的固有模态函数 (IMF)，然后使用 STFT 将时域转换为时频域。采用支持向量机 (SVM) 对陌生室内环境中 VIP 的压力进行分类。将所提方法的性能与最先进的压力检测技术进行了比较。实验结果证明了所提技术优于现有技术
一种用于特征提取的优化 SWCSP 技术...
摘要——多通道脑电图 (EEG) 是一种常用的非侵入性方法，用于向基于运动想象 (MI) 的脑机接口 (BCI) 系统提供输入信号。目前，由于缺乏所需的分类准确度，其使用受到严重限制。机器学习用于 BCI 中以识别 EEG 数据中的隐藏模式，然后将其分类到适当的 MI 任务中。在本研究中，提出了一种称为优化频谱加权公共空间模式的方法来改进基于 EEG 的 BCI 系统中的特征提取。它通过优化频谱和空间系数的权重来增强信息增益，以从事件相关去同步 (ERD) 大脑活动中提取判别特征。通过在 BCI 竞赛 IV 的基准数据集 2a 上执行该方法来评估所提出的方法。独立成分分析法用于去除噪声，而线性判别分析法用于分类。与文献中报道的其他方法相比，使用所提出方法的实验结果产生了更高的分类准确度。
研究文章 FDCNet：用于肿瘤检测和分类的模糊 CNN 和分形特征提取的介绍
使用磁共振成像检测脑肿瘤是目前人工智能和医学工程面临的最大挑战之一。尽早发现这些脑肿瘤非常重要，因为它们可能会长大直至死亡。脑肿瘤可分为良性和恶性。创建一个智能医疗诊断系统来根据 MRI 成像诊断脑肿瘤是医学工程的重要组成部分，因为它可以帮助医生尽早发现脑肿瘤并监督整个康复过程中的治疗。在本研究中，提出了一种诊断良性和恶性脑肿瘤的综合方法。所提出的方法包括四个部分：图像增强以降低噪声并统一图像大小、对比度和亮度，基于形态学算子的图像分割，特征提取操作（包括基于分形模型的尺寸减小和特征选择），以及最终根据模糊深度卷积神经网络的分割和最佳类别的选择来改进特征。实验结果中使用 BraTS 数据集作为磁共振成像数据。还将一系列评估标准与以前的方法进行了比较，其中所提出的方法的准确率为 98.68%，具有显著的效果。
使用选择性搜索和脉冲耦合神经网络特征提取进行脑肿瘤检测
摘要。基于磁共振图像 (MRI) 分析识别脑中的肿瘤组织是一项具有挑战性且耗时的任务，高度依赖于放射科医生的专业知识。由于肿瘤的及时诊断往往是患者生存的固有因素，因此，减少花在 MRI 手动分析上的时间，同时提高检测过程的准确性至关重要。为了解决这些问题，许多研究工作已经调查了高效的计算机视觉系统。它们为协助医疗保健提供者建立快速、更准确的肿瘤检测、分类和分割提供了新的机会。然而，这些解决方案通常基于深度学习方法，开发和调整这些解决方案仍然耗时耗力，同时导致决策系统缺乏可解释性。在本研究中，我们通过使用选择性搜索 (SS) 算法结合简化的脉冲耦合神经网络 (PCNN) 进行视觉特征提取和检测验证来解决脑肿瘤检测任务，以应对这些问题。
65 nm CMOS中的16通道神经记录系统与CHT特征提取处理器
摘要 - 次生的入侵神经接口需要完全可植入的无线系统，这些系统可以同时从大量通道中记录。但是，由于高吞吐量，将记录的数据从植入物转移到外部接收器是一个显着的挑战。为了应对这一挑战，本文提出了一种神经记录系统 - 片上，该系统通过使用片上的特征提取来实现高资源和无线带宽效率。能量 - 有效的10位20 ks/s前端放大并数字化局部势势内的神经信号（LFP）和动作电位（AP）频段。使用压缩的Hadamard变换（CHT）处理器将每个通道的原始数据分解为光谱特征。选择要计算的功能的选择是通过机器学习算法来量身定制的，以便在不损害分类性能的情况下将总体数据速率降低80％。此外，CHT功能提取器允许在接收器侧的波形重建进行监视或其他后处理。通过体内和离线实验验证了所提出的方法。65 nm CMO制造的原型还包括无线
基于脑电信号的脑动态复杂网络特征提取及儿童癫痫判别框架
摘要：当前关于癫痫的复杂网络研究大多采用脑电图直接构建静态复杂网络进行分析，忽略了其动态特征。本研究采用滑动窗口法对儿童癫痫患者与儿童对照组睡眠状态下的脑电图构建动态复杂网络，提取动态特征并结合到各类机器学习分类器中探究其分类性能，并比较了静态与动态复杂网络的分类性能。在单变量分析中，静态复杂网络中原本不显著的拓扑特征在动态复杂网络中可以转化为显著特征。在大多数导联间连通性计算方法下，利用动态复杂网络特征进行判别的准确率均高于静态复杂网络特征。特别是在全频段下的相干函数虚部（iCOH）方法中，大多数机器学习分类器的判别准确率均高于95%，且在较高频段（β频段）和全频段的判别准确率高于较低频段。与使用静态复杂网络特征相比，我们提出的方法和框架可以有效地概括脑电信号中更多的时变特征，从而提高机器学习分类器的判别准确率。
用于生物特征机器学习的眼动追踪特征提取
在学习机器方面，Nilsson (1965) 的研究更多地关注模式分类的机器学习。近年来，对眼动追踪的研究也有所增加。许多研究人员在实验中研究如何利用眼动追踪数据进行研究。因此，在分类研究中使用眼动追踪技术时，会引发一个疑问：从眼动追踪数据中可以获得哪些眼部特征用于分类。眼动追踪技术是指跟踪和测量用户的眼球运动和眼睛焦点的过程。眼动追踪广泛应用于心理学、市场营销、医学、电脑游戏和认知科学等许多领域。因此，眼动追踪越来越多地应用于计算机科学领域，并利用眼部特征来研究信息处理任务（Rayner，2009）。眼动追踪数据可以通过使用眼动追踪传感器或摄像头来测量和获取。这些数据提供了多种特征，可用于多种分类任务。眼动追踪技术非常有用，它可以在未来被广泛采用和实施，因为它只需要一个简单的摄像头就可以收集所需的数据。在本文中，我们进行了系统的文献综述，并收集了5年内（即从2016年到现在）所有与使用眼动追踪数据中的特征进行分类相关的研究和文章。第一部分介绍本文。在背景部分，我们提供了眼动追踪技术和眼动追踪器类型的背景，包括桌面眼动追踪、移动眼动追踪和虚拟现实（VR）中的眼动追踪，以及机器学习的简要介绍。方法论部分描述了研究方法，包括研究问题、选择标准、搜索过程和选择过程。结果部分展示了结果，相关研究如表1所示。最后一部分总结了本文。
基于图的特征提取算法朝向脑部计算机界面的强大数据融合框架
摘要 - 目的：在大多数现有的大脑计算机界面（BCI）系统中，通常会忽略脑电图频谱动力学中隐藏的拓扑信息。此外，脑电图与其他信息性的大脑信号（例如功能性近红外光谱（FNIRS））的系统多模式融合尚未得到充分研究，以增强BCI系统的性能。在这项研究中，我们利用一系列基于图形的EEG特征来研究其在运动假想（MI）分类任务上的性能。方法：我们首先根据复杂的Morlet小波时间频率图提取用户多通道EEG信号的幅度和相位序列，然后将它们转换为无向图以提取EEG EEG拓扑特征。然后通过阈值方法选择基于图的特征，并与FNIRS信号的时间特征融合在一起，每个特征是由最小绝对收缩和选择算子（Lasso）算法选择的。然后，通过线性支持向量机（SVM）分类将融合功能分类为MI任务与基线。结果：与在频带过滤的时间eeg信号上构建的图相比，EEG信号的时频图提高了MI分类精度约5％。我们提出的基于图的方法还显示出与基于功率谱密度（PSD）的经典脑电图特征相当的性能，但是标准偏差较小，显示出在实用BCI系统中潜在使用的稳健性。关键字 - 大脑计算机界面（BCI），EEG-FNIRS数据融合，特征选择，图理论。我们的融合分析显示，与最高的FNIRS相对于单个模态效果相关时，与最高的FNIR相比，仅EEG的最高平均准确性仅为17％，而仅EEG的最高平均精度仅为最高的平均准确性，而最高的FNIRS的平均准确性仅为3％。显着性：我们的发现表明，通过使运动假想推理更加准确，更强大，利用混合BCI系统中基于图的特征的提议数据融合框架的潜在用途。
基于局部均值分解和 Fisher 规则的多尺度模糊熵用于人体运动分析中的脑电特征提取
脑电信号（EEG）是由大量神经元产生的非线性、非平稳、随机的微弱信号，在人工智能、生物医学工程等领域具有重要的研究价值和实际意义，而脑电特征提取是直接影响处理结果的重要步骤，目前常用的脑电特征提取方法有频域或时域分析、时频结合等方法。由于脑电信号的非线性，上述方法都存在一定的局限性。因此，该文提出一种基于局部均值分解和Fisher规则的多尺度模糊熵用于人体运动分析中的脑电特征提取。首先将脑电信号自适应地分解为一系列乘积函数（PF）分量，然后选取有效的PF分量并计算多尺度模糊熵，利用多尺度模糊熵进行特征提取。利用Fisher规则对模糊熵在不同尺度上的特征分类能力进行排序，选取排序最高的多尺度模糊熵构成最优特征向量，实现特征降维。实验结果表明，该方法能有效提取脑电信号特征，验证了新方法的有效性和可行性。