XiaoMi-AI文件搜索系统
World File Search System电信号
虚拟现实中的实时情感检测：基于情感和脑电信号三维模型的技术
本文探讨了一种实时检测虚拟现实 (VR) 用户情感状态的技术的开发。该技术通过一项实验的数据进行测试，实验中 18 名参与者在 VR 家庭影院内观看了 16 个包含情感内容的视频，同时记录了他们的脑电图 (EEG) 信号。参与者根据三维情感模型评估了他们对视频的情感反应。分析了该技术的两种变体。两种变体之间的区别在于用于特征选择的方法。在第一个变体中，使用线性混合效应 (LME) 模型选择从 EEG 信号中提取的特征。在第二个变体中，使用递归特征消除和交叉验证 (RFECV) 选择特征。两种变体都使用随机森林来构建分类模型。通过交叉验证获得准确度、精确度、召回率和 F1 分数。进行了方差分析以比较每个变体中构建的模型的准确性。结果表明，特征选择方法对分类模型的准确性没有显著影响。因此，两种变体（LME 和 RFECV）在检测 VR 用户的情感状态方面似乎同样可靠。分类模型的平均准确率在 87% 到 93% 之间。
基于脑电信号的智能结构设计与实现
摘要：最近有研究表明，需要设计智能结构，例如智能房屋，以便以不同的方式进行控制。由于它对某些无法接触需要与人类直接交互的控制单元的人很有用，因此需求量很大。在本文中，我们提出并开发了一种新的基于增强型脑电图 (EEG) 的智能结构设置，可用于帮助有或无疾病的人以轻松舒适的方式控制设备。十个年龄范围广泛（20-65 岁）且男女不限的人积极参与了这项研究。因此，本研究采用了八个 EEG 通道来覆盖大脑的大部分区域，所采用的协议适用于残疾人和行动不便的人。为广泛的参与者找到标准或共同特征是一项挑战。为了缓解这种情况，使用重建独立成分分析 (RICA)（传统独立成分分析 (ICA) 的改进技术）来获得最佳特征。此外，所提出的改进型支持向量机 (SVM) 模型将选定的特征分为不同的类别，能够消除导致错误分类的高噪声和重叠。所识别的类别负责根据参与者状态启动智能房屋的执行器。使用 MATLAB 和嵌入式系统实时将多通道 EEG 数据分类为脑电波成分、结果可视化和设备控制。使用所提出的模型，类别之间只有一种重叠情况，而使用传统 SVM 则有 74 种重叠情况。因此，错误分类的结果达到零，所提出的模型能够基于脑电波控制智能房间，总体准确率达到 98%。随着未来的改进，所获得的研究结果将促使使用所建议的基于 EEG 的智能结构，这可能对不动的人有帮助。
基于脑电信号的BCI虚拟康复及远程辅助设备技术综述
摘要：虚拟现实已广泛应用于娱乐、通信和医疗保健等各个行业。在医疗行业，结合脑机接口 (BCI)，虚拟现实可以产生康复措施，可能有助于实现远程康复或远程康复等新策略。BCI 的设计和开发集成了不同的过程，包括生物信号采集和处理、特征提取和选择、信号分类以及将该技术应用于接受康复治疗的患者。本文对侧重于 BCI 实施和基于虚拟现实实施的远程康复辅助技术的论文进行了文献综述。这篇综合评论的目的是找出那些利用虚拟现实与生物医学技术相结合来改善各种康复过程表现的研究。各种重新审视的研究为远程康复提供了一个完整的系统。这些发现可以导致将这些模型应用于各种康复任务。
脑电信号分析
页码摘要（泰语）................................................................................................................摘要（英文）................................................................................................................致谢................................................................................................................................目录 .............................................................................................................................................目录 .................................................................................................................................... S 目录................................................................................................................................................第 3 章
通过基于有效几何深度网络的生成对抗网络从脑电信号中实现视觉显著性和图像重建
摘要：了解大脑感知外界输入数据的功能是神经科学的一大目标。神经解码有助于我们模拟大脑活动和视觉刺激之间的联系。通过这种建模可以实现从大脑活动重建图像。最近的研究表明，视觉显著性是图像刺激的重要组成部分，它给大脑活动留下了深刻的印象。本文提出了一个深度模型，通过视觉显著性从脑电图 (EEG) 记录中重建图像刺激。为此，我们训练了基于几何深度网络的生成对抗网络 (GDN-GAN)，将 EEG 信号映射到每个图像对应的视觉显著性图。所提出的 GDN-GAN 的第一部分由切比雪夫图卷积层组成。所提出的网络的 GDN 部分的输入是基于功能连接的 EEG 通道图形表示。 GDN 的输出被施加到所提出的网络的 GAN 部分以重建图像显著性。所提出的 GDN-GAN 使用 Google Colaboratory Pro 平台进行训练。显著性指标验证了所提出的显著性重建网络的可行性和效率。训练后的网络的权重用作初始权重来重建灰度图像刺激。所提出的网络实现了从 EEG 信号进行图像重建。
Microsoft Word - 31 46845 41454632 心理压力分类的脑电信号分析综述.docx
摘要 心理压力如今已被视为一个重要问题。长期压力可能导致许多严重疾病，如心脏病发作、糖尿病、可能的猝死和精神障碍。传统的临床检测和监测压力的技术主要基于问卷调查和访谈。然而，由于它们的局限性和数据处理障碍，迫切需要更先进的技术。最近，许多研究集中于使用生理信号（如心脏活动、大脑活动、肌肉活动、语音和面部表情）对心理压力进行分类。从大脑活动收集数据的一种方法是使用一种名为脑电图 (EEG) 的非侵入式设备。本文简要介绍了 EEG，然后全面分析了伪影及其去除技术。讨论了 EEG 中的两种伪影及其去除方法，以及专家面临的挑战、优势和不同障碍。还讨论了用于心理压力分类的可能的机器学习 (ML) 和深度学习 (DL) 模型。此外，还讨论了提高压力检测准确性的可能方法的未来方向。
使用基于递归图的特征提取和迁移学习自动检测癫痫脑电信号
* 通讯作者：sachin.viet@gmail.com，电话：+91-9268793832 摘要 - “癫痫”是一种常见的神经系统大脑疾病，会影响人类生命的任何阶段。全世界约有 1-2% 的人口受到这种主要慢性疾病的影响。在癫痫诊断的几种应用中，脑电图 (EEG) 信号是早期发现癫痫发作的最重要工具。根据癫痫发作，脑电图 (EEG) 信号可分为癫痫性和非癫痫性。最近的研究主要通过两种方法进行了预测和分析癫痫发作的各种可能性：使用信号处理的传统方法和基于深度学习的方法。因此，需要找到一种合适且可靠的方法来检测和分类 EEG 信号中的癫痫发作。由于 EEG 信号本质上非常随机且非线性，因此我们需要一种非线性技术来检查 EEG 信号，从而能够对不同的 EEG 信号（即癫痫信号和非癫痫信号）进行分类。在我们的论文中，我们提出了一种非线性技术，使用递归量化分析方法（缩写为 RQA）来提取 EEG 信号的特征，其参数来自递归图 (RP)。在分析和分类时间序列时，大多数时候会从 EEG 时间序列中提取一些已识别的统计特征集，并将其作为机器学习分类器的输入。我们提出的方法找到了一种使用深度神经网络 (DNN) 对 EEG 信号时间序列进行分类的新颖且合适的方法。因此，使用递归图将 EEG 信号转换为 RGB 图像。我们使用预训练的 DNN 作为 ResNet-50，这是一个深度为 50 层的卷积神经网络，用于从递归图中提取特征。然后我们使用多个机器学习分类器将信号分类为癫痫和非癫痫，并指出 SVM 的准确率最高。本研究论文表明，可以使用深度学习算法通过脑电图信号利用复发图诊断癫痫，这种算法通常用于图像分类挑战。关键词-癫痫；脑电图信号；复发图；深度神经网络；成像时间序列数据 1. 简介大脑是人体的重要器官，负责监测和控制代谢过程。癫痫、缺血性中风和脑肿瘤等脑部疾病可能会损害正常的生物功能 [1]。神经系统疾病影响从婴儿到老年人的所有年龄段的人。这些疾病有几种形式，癫痫在受其影响的人数最多方面位居第四
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。
基于脑电信号的音乐情感识别与分析
音乐在人类生活中扮演着重要的角色，可以作为一种表达方式来唤起人类的情感。音乐的多样性使得听者对音乐的体验也呈现出多样性。不同的音乐可以诱发不同的情绪，而同一主题也可以产生与听者当前心理状态相关的其他感受。音乐情感识别（MER）最近引起了学术界和工业界的广泛关注。随着脑科学的发展，MER 已被广泛应用于推荐系统、自动作曲、心理治疗和音乐可视化等不同领域。特别是随着人工智能的快速发展，基于深度学习的音乐情感识别逐渐成为主流。此外，脑电图（EEG）使外部设备无需手术即可感知大脑中的神经生理信号。这种非侵入性脑机信号已被用来探索情绪。本文综述了脑电音乐情感分析，重点介绍了音乐情感分析方法的分析过程，例如数据处理、情感模型和特征提取。然后，提出了基于脑电图的音乐情感识别的挑战性问题和发展趋势。最后对全文进行总结。