XiaoMi-AI文件搜索系统
World File Search System电信号
文章 使用 2 型模糊和深度卷积网络的组合从脑电信号中自动识别情绪
摘要：情绪是人类生活中不可分割的一部分。自动情绪识别可广泛应用于脑机接口。本研究提出了一种基于深度学习和模糊网络相结合的脑电信号自动情绪识别新模型，可以识别两种不同的情绪：积极和消极。为了实现这一目标，我们编制了一个基于脑电信号音乐刺激的标准数据库。然后，为了处理过拟合现象，使用生成对抗网络来扩充数据。生成对抗网络的输出被输入到所提出的模型中，该模型基于具有 2 型模糊激活函数的改进深度卷积网络。最后，在两个单独的类中，对两种积极情绪和两种消极情绪进行分类。在这两类的分类中，所提出的模型实现了 98% 以上的准确率。此外，与以前的研究相比，所提出的模型表现良好，可用于未来的脑机接口应用。
基于脑电信号自动情绪识别的定制二维 CNN 模型
摘要：脑电图 (EEG) 信号中的自动情绪识别可视为脑机接口 (BCI) 系统的主要组成部分。在过去的几年中，许多该方向的研究人员提出了各种从 EEG 信号中自动分类情绪的算法，并取得了令人鼓舞的成果；然而，缺乏稳定性、高误差和低准确度仍然被认为是这项研究的主要差距。为此，获得一个具有稳定性、高精度和低误差前提的模型对于自动分类情绪至关重要。在本研究中，提出了一种基于深度卷积神经网络 (DCNN) 的模型，该模型可以高可靠性地从基于音乐刺激的 EEG 信号中分类出三种积极、消极和中性情绪。为此，在志愿者听积极和消极音乐以刺激情绪状态时，收集了一个全面的 EEG 信号数据库。所提出的模型的架构由六个卷积层和两个完全连接层的组合组成。本研究研究了不同的特征学习和手工特征选择/提取算法，并相互比较了它们对情绪的分类。所提出的两类（正面和负面）和三类（正面、中性和负面）情绪分类模型的准确率分别为 98% 和 96%，与之前的研究结果相比，这一结果非常有希望。为了更全面地评估，所提出的模型还在噪声环境中进行了研究；在各种不同的 SNR 下，分类准确率仍然大于 90%。由于所提出的模型性能高，它可以用于脑机用户环境。
使用新概率粒子群优化器和顺序差分进化的脑电信号癫痫病识别模型
摘要 癫痫是个体的一种慢性发作状态。脑细胞群反映出异常的电活动。脑电图 (EEG) 是一种监测大脑活动和诊断神经系统疾病的常用工具。在处理具有超高维度的复杂变换特征并从 EEG 中提取最佳特征时，对癫痫和非癫痫数据进行分类是一项具有挑战性的任务。本文提出了一种新的混合方法来选择最佳特征，该方法涉及粒子群优化 (PSO) 算法、新开发的概率粒子群优化 (PPSO) 算法和顺序差分进化 (SDE) 算法。癫痫患者的 EEG 数据已用于评估该方法。使用离散波长变换提取特征。PSO、PPSO 和 SDE 从 EEG 的特征空间中选择最佳特征。进一步使用不同的分类器评估这些最佳特征的性能。比较了 PSO、PPSO 和 SDE 的性能。本文对生物启发算法对脑电信号特征优化的重要性进行了广泛的研究。在所有分类器中，支持向量机 (SVM) 表现优异，在第 100 个周期时，PPSO 的准确率为 97.74%，SDE 的准确率为 98.34%。这表明最佳特征选择提高了分类器的性能。
跨任务导向的脑电信号分析方法
跨任务脑电信号分析方法研究已成为一个快速发展的研究热点。近年来，越来越多的研究者将脑电信号分析中广泛使用的特征应用到跨任务脑电信号分析研究中，包括功率谱密度（PSD）特征（Touryan et al.，2016；Adewale and Panoutsos，2019）、融合特征（Kakkos et al.，2021）等，旨在找到有效处理任务间差异的方法。同时，一些研究者通过与传统特征分类方法进行比较，探索出对不同任务之间的差异更加友好的分类器，包括多层感知器神经网络（MLPNN）（Kamrud et al.，2021）、领域自适应方法（Zhou et al.，2022）、滑动窗口支持向量机（SVM）（Boring et al.，2020）等。另一方面，为了缩小任务间的差异，提出了一些基于深度学习模型的新型跨任务模型，如卷积神经网络（CNN）（Mota et al.，2021）、循环神经网络（RNN）（Gupta et al.，2021）、基于度量的方法（Jia et al.，2023）、CNN 与 RNN 的组合（Zhang et al.，2019；Zhou et al.， 2019；Taori等，2022）等。但跨任务脑电信号分析方法领域仍有许多未探索的领域，例如：任务分割与复杂度设计（Kamrud等，2021）、多源域自适应应用（Zhou等，2022）、多尺度多方向滤波器研究（Taori等，2022）、同时考虑特征提取和特征分类、增加数据量等。另外，跨任务分析与比较常见的跨学科研究也存在一些相互联系。本研究将从特征提取和特征分类的角度对跨任务脑电信号分析相关的文献进行综述，并讨论跨任务研究与跨学科研究对于脑电信号分析的关系，最后提出我们原创的观点，以期为跨任务脑电信号分析研究领域提供有益的建议。
基于脑电信号的深度神经网络——...
摘要：背景。对于运动受限或没有运动能力的患者，需要使用脑电图 (EEG) 信号进行心理任务识别。可以应用与受试者无关的心理任务分类框架来识别没有可用训练统计数据的受试者的心理任务。深度学习框架在研究人员中很受欢迎，用于分析空间和时间序列数据，使其非常适合对 EEG 信号进行分类。方法。在本文中，提出了一种深度神经网络模型，用于从 EEG 信号数据中对想象任务进行心理任务分类。通过应用拉普拉斯表面对从受试者获取的原始 EEG 信号进行空间滤波后，获得 EEG 信号的预计算特征。为了处理高维数据，进行了主成分分析 (PCA)，这有助于从输入向量中提取最具鉴别力的特征。结果。提出的模型是非侵入性的，旨在从从特定受试者获取的 EEG 数据中提取心理任务特定特征。训练是在除一名受试者之外的所有受试者的平均组合功率谱密度 (PSD) 值上进行的。使用基准数据集评估了基于深度神经网络 (DNN) 的所提模型的性能。我们实现了 77.62% 的准确率。结论。性能和与相关现有工作的比较分析验证了所提出的跨受试者分类框架在根据 EEG 信号执行准确的心理任务方面优于最先进的算法。
脑电信号特征提取应用趋势
本文将重点介绍脑电图 (EEG) 信号分析，重点介绍研究文献中提到的常见特征提取技术，以及可应用于各种应用。在这篇综述中，我们涵盖了时间域、频域、分解域、时频域和空间域中的单维和多维 EEG 信号处理和特征提取技术。我们还为讨论的方法提供了伪代码，以便从业者和研究人员可以在他们特定的生物医学工作领域中复制它们。此外，我们还讨论了人工智能应用，例如辅助技术、神经疾病分类、脑机接口系统以及它们的机器学习集成对应物，以完成 EEG 信号分析的整体流程设计。最后，我们讨论了可以在 EEG 信号分析的特征提取领域进行创新的未来工作。
基于蝙蝠脑电信号分析的优化深度学习模型设计
基于蝙蝠脑电信号分析优化深度学习模型的设计 3 技术 ( Zhang 等 2018 ) 、EEG-AR 模型 ( Ouyang 等 2020 )、卷积神经系统
从智能设备上的脑电信号进行关键词识别的一种新方法
UGC 试用帐户 (3000178880) - UGC-Infonet 数字图书馆联盟召集人 (3000132959) - 奥兰加巴德巴巴萨海布·阿姆贝德卡尔马拉特瓦达大学 (3000171661) - 信息和图书馆网络 (INFLIBNET) 中心 (3994475188)
基于 脑电信号 身份 认证 系统
摘要：在当今的信息时代，我们通常以远程信息处理的方式访问个人和专业信息，例如银行帐户数据或私人文件。为了确保这些信息的隐私，应准确开发用户身份验证系统。在这项工作中，我们专注于生物特征认证，因为它取决于用户的固有特征，因此可以提供个性化的身份验证系统。具体而言，我们提出了一种基于心电图 (EEG) 的用户身份验证系统，该系统采用单类和多类机器学习分类器。从这个意义上讲，本文的主要创新之处在于引入了孤立森林和局部异常因子分类器作为用户身份验证的新工具，并研究了它们与 EEG 数据的适用性。此外，我们确定了对身份验证贡献较大的 EEG 通道和脑电波，并将它们与传统的降维技术、主成分分析和 χ 2 统计检验进行了比较。在我们的最终提案中，我们详细阐述了一种使用孤立森林和随机森林分类器的抵抗随机伪造攻击的混合系统，最终获得 82.3% 的准确率、91.1% 的精确率和 75.3% 的召回率。