XiaoMi-AI文件搜索系统
World File Search System电信号
实现脑电信号自动编码器压缩的机械可解释性
脑电图 (EEG) 是一种非侵入性工具，通过将电极放置在人体头皮上来测量大脑活动，从而检测神经元放电电压。虽然 EEG 技术存在信噪比差和仅捕获表面大脑活动等局限性，但它仍然是诊断癫痫和睡眠障碍等疾病的可靠方法 [ 1 ]。自动编码器 [ 2 ] 是一类特殊的神经网络，用作编码器-解码器对。编码器通过逐步减少各层的神经元数量，最终达到瓶颈层，将输入数据压缩为压缩表示，称为潜在空间。相反，解码器通过逐渐增加后续层中的神经元数量从这种压缩形式重建输入数据。这种压缩和重建过程使网络能够有效地捕获输入数据的显着特征。卷积变分自动编码器 (CVAE) [ 3 , 4 ] 通过合并卷积层扩展了此框架，使其特别适合处理图像数据。与标准自动编码器不同，CVAE 生成概率潜在空间。这种概率方法有助于学习稳健的特征，并增强模型生成类似于训练数据的新数据实例的能力。利用卷积层，CVAE 可以利用数据中的空间层次结构，从而增强其分析和重建图像数据中固有的复杂模式和纹理的能力。因此，CVAE 在要求详细
Simplicial同源性全球脑电信号提取的情绪识别
摘要：情绪识别是人类功能的重要组成部分。TextColorredit使个人能够对环境事件做出适当的反应并发展自我意识。大脑计算机接口（BCI）技术中的快节奏开发技术必须使未来的智能机器能够数字化和识别人类的情绪。为了实现这一目标，除其他视觉提示外，人类和机器都依赖面部表情。虽然面部表情有效地识别情绪，但它们可以人工复制，需要持续的监视。近年来，由于深度学习和机器学习技术的进步，脑电图（EEG）信号的使用已成为一种流行的情感识别方法。基于EEG识别情绪的系统涉及测量暴露于情绪刺激（例如图像，声音或视频）的受试者的大脑中的电活动。然后，使用机器学习算法来从与特定情绪状态相对应的电活动数据中提取特征。提取的脑电图信号的质量至关重要，因为它影响了系统的整体复杂性和机器学习算法的准确性。本文提出了一种方法，以提高基于脑电图的情绪识别系统的准确性，同时降低其复杂性。该方法涉及优化脑电图的数量，其放置在人头皮上以及测量信号的目标频带，以最大程度地提高高和低唤醒水平之间的差异。用于此目的的优化方法，称为简单同源性全局优化（SHGO）。实验结果表明，最佳地放置的六电极构造可以比14-电极构造获得更好的准确度，从而导致电极数量的复杂性降低了60％以上。这种方法会赋予有希望的结果，从而提高了基于脑电图的情感识别系统的效率和准确性，这可能会对各种领域产生影响，包括医疗保健，心理学和人类计算机接口。
认知分心对脑电信号上肢运动解码的影响
摘要 目的：从脑电信号中解码手部运动对上肢障碍患者的康复和辅助至关重要。现有的从脑电信号中解码手部运动的研究很少考虑干扰因素。然而在实际生活中，患者在使用手部运动解码系统时可能会受到干扰。本文旨在研究认知干扰对运动解码性能的影响。方法：首先利用黎曼流形提取仿射不变特征和高斯朴素贝叶斯分类器（RM-GNBC），提出一种从脑电信号中对认知干扰进行手部运动方向鲁棒解码的方法。然后，利用无干扰和有干扰条件下的实验和模拟脑电数据，比较三种解码方法（包括所提出的方法、切向空间线性判别分析（TSLDA）和基线方法））的解码性能。结果：仿真和实验结果表明，基于黎曼流形的方法（即RM-GNBC和TSLDA）在无认知分心和有认知分心条件下的准确率均高于基线方法，且无认知分心和有认知分心条件下解码准确率的下降幅度小于基线方法。此外，RM-GNBC方法在无认知分心和有认知分心条件下的准确率分别比TSLDA方法高6%（配对t检验，p=0.026）和5%（配对t检验，p=0.137）。结论：结果表明，基于黎曼流形的方法对认知分心具有更高的鲁棒性。意义：本研究有助于开发脑机接口（BCI），以改善现实生活中手部残疾患者的康复和辅助，并为研究分心对其他BCI范式的影响开辟了道路。
儿童阻塞性睡眠呼吸暂停脑电信号拓扑数据分析
信号处理技术的最新进展，包括拓扑数据分析 (TDA)，为脑电信号分析提供了一种强大的方法。TDA 利用数学领域拓扑的思想，并将这些思想应用于现实世界信号的分析 [5]。广义上讲，TDA 使我们能够利用数据固有的拓扑和几何结构，并利用这些结构研究阻塞性睡眠呼吸暂停 (OSA) 阳性和 OSA 阴性患者的脑电信号之间的根本差异。在本文中，我们介绍了 TDA 技术，该技术允许仅使用脑电信号识别 OSA。这项工作的关键假设是 OSA 阳性患者的大脑连接网络具有与 OSA 阴性患者的大脑连接网络根本不同的拓扑结构。现有的用于识别儿童 OSA 的技术涉及整夜睡眠研究，称为多导睡眠图 (PSG)。这要求患者要么去医疗机构的睡眠实验室，要么在家安排夜间睡眠测试，这两项工作都可能需要几个月的时间才能安排好。
使用脑电信号和卷积神经网络自动分类睡眠阶段
睡眠阶段分类是研究人类生活质量的新课题之一，因为它在养成健康的生活方式方面起着至关重要的作用。睡眠异常变化或缺乏正常睡眠可能导致不同的疾病，如心脏相关疾病、糖尿病和肥胖症。一般来说，睡眠分期分析可以使用脑电图 (EEG) 信号进行。本研究提出了一种基于卷积神经网络 (CNN) 的睡眠阶段分类方法，使用六个通道采集的 EEG 信号将其转换为时频分析图像。所提出的方法包括三个主要步骤：(i) 将 EEG 信号分割成 30 秒长的时期，(ii) 使用时频分析将时期转换为 2D 表示，以及 (iii) 将 2D 时频分析输入到 2D CNN。结果表明，所提出的方法是稳健的，对通道 C4-A1 实现了 99.39% 的非常高的准确率。所有其他通道的准确率均超过 98.5%，这表明任何通道都可用于高精度的睡眠阶段分类。所提出的方法在总体准确率或单通道准确率方面优于文献中的方法。它有望为医生，尤其是神经科医生带来巨大益处；为他们提供一种新的强大工具来支持睡眠相关疾病的临床诊断。
利用脑电信号识别座舱内飞行员心理负荷
摘要：商用飞机驾驶舱是一个自然的多任务工作环境，其中经常以各种形式出现中断，在许多情况下导致航空事故报告。自动表征飞行员的工作负荷对于防止此类事故至关重要。此外，尽可能最小化生理传感器网络仍然是一项挑战和要求。脑电图 (EEG) 信号与特定的认知和心理状态（例如工作负荷）显示出高度相关性。但是，文献中没有足够的证据来验证模型在新的受试者执行与模型训练期间的工作负荷相似的任务的情况下的泛化能力。在本文中，我们提出了一个卷积神经网络，用于在连续性能任务测试中对不同心理负荷的 EEG 特征进行分类，该测试部分测量工作记忆和工作记忆容量。我们的模型在一般人群层面有效，并且能够将任务学习转移到模拟作战环境中的飞行员心理工作量识别。
使用机器学习和神经网络对脑电信号进行情感分析
摘要 — 情绪对人的思维方式和与他人的互动方式有重大影响。它是人的感觉与行为之间的纽带，或者可以说它有时会影响一个人的生活决定。由于情绪及其反映的模式因人而异，因此必须基于对广泛人群区域有效的方法进行探究。为了提取特征并提高准确性，使用脑电波或脑电图信号进行情绪识别需要实施有效的信号处理技术。人机交互技术的各种方法已经存在了很长时间，近年来，研究人员在使用脑信号自动理解情绪方面取得了巨大成功。在我们的研究中，使用 SVM（支持向量机）、KNN（K 最近邻）和高级神经网络模型 RNN（循环神经网络）对从著名的公开数据集 DEAP 数据集收集的脑电图信号进行了几种情绪状态的分类和测试，并使用 LSTM（长短期记忆）进行训练。本研究的主要目的是改进使用脑信号提高情绪识别性能的方法。另一方面，情绪会随着时间而变化。因此，我们的研究也考察了情绪随时间的变化。索引词 — 情绪识别、EEG 信号、DEAP 数据集、fft、机器学习、SVM、KNN、DEAP、RNN、LSTM
通过卷积神经网络引导改进脑电信号手动注释
开发经过验证的自动处理伪影算法对于可靠、快速地处理 EEG 信号至关重要。最近，在设计机器学习算法以改善经过培训的专业人员的伪影检测方面取得了方法上的进展，这些专业人员通常会一丝不苟地检查和手动注释 EEG 信号。然而，由于数据大多是私密的，数据注释既耗时又容易出错，这些方法的验证因缺乏黄金标准而受到阻碍。为了规避这些问题，我们提出了一个迭代学习模型来加速和减少手动注释 EEG 的错误。我们使用卷积神经网络 (CNN) 对专家注释的睁眼和闭眼静息态 EEG 数据进行训练，这些数据来自正常发育儿童 (n = 30) 和患有神经发育障碍的儿童 (n = 141)。为了克服旨在开发新算法和进行基准测试的循环推理，我们提出了一种迭代学习模型来加速和减少手动注释 EEG 的错误。
基于CNN网络的运动意图脑电信号自动识别（端到端）
摘要：基于运动的脑机接口 (BCI) 很大程度上依赖于运动意图的自动识别。它们还允许患有运动障碍的患者与外部设备进行通信。提取和选择判别特征通常会增加计算机的复杂性，这是自动发现运动意图的问题之一。这项研究介绍了一种利用脑电图数据自动对二类和三类运动意图情况进行分类的新方法。在建议的技术中，原始脑电图输入直接应用于卷积神经网络 (CNN)，而无需提取或选择特征。根据先前的研究，这是一种复杂的方法。建议的网络设计包括十个卷积层，后面是两个完全连接的层。由于其准确性高，建议的方法可用于 BCI 应用。
基于多域特征和随机子空间集成的脑电信号分类
摘要 摘要 摘要：摘要：针对BCI系统中预处理特征提取和分类识别问题，提出一种基于多域特征随机子空间集成学习的运动想象脑电信号分类方法。在分析运动想象（MI）信号的ERD/ERS特征的基础上，提取效果最佳的时间和频段的多域特征作为特征向量，并自适应地选择带有交叉验证的随机子空间集成尺度，利用线性判别分析（LDA）分类器集成实现脑电信号分类。测试结果表明，多域特征和随机子空间集成的准确率可达90.71%，Kappa系数为0.63，优于比赛中第一名的算法，证明了该算法的有效性和先进性。