XiaoMi-AI文件搜索系统
World File Search System谱密度
原创研究基于多脑区脑电信号分析的抑郁症检测
背景：脑电图作为检测脑部神经电活动的客观方法，已被成功应用于重度抑郁症（MDD）的检测，但脑电通道和脑区的选择直接影响检测算法的性能。方法：针对上述问题，提取非线性特征Lempel-Ziv复杂度（LZC）和频域特征功率谱密度（PSD）对EEG信号进行分析，并在闭眼和睁眼静息状态下研究不同脑区及脑区组合对MDD检测的影响。结果：MDD患者的平均LZC高于对照组，MDD患者的平均PSD普遍低于对照组。颞区是MDD检测的最佳脑区，检测准确率为87.4%；最佳多脑区组合的检测准确率为92.4%，由额叶、颞叶和中枢脑区组成。结论：本文验证了多脑区检测MDD的有效性，为探索MDD的病理机制、创新诊疗方法提供了新思路。
专家系统及其应用
癫痫是一种导致人们癫痫发作的神经系统疾病，也是脑电图的主要应用领域。在本研究中，提出了一种用于健康和癫痫（EEG）信号分类的时间和频率特征方法。使用互相关（CC）方法提取时域特征。通过计算功率谱密度（PSD）提取与频域相关的特征。在研究中，这些单独的时间和频率特征被认为对EEG本身的性质具有互补性。通过使用散度分析，可以定量测量特征空间中特征向量的分布。因此，建议使用而不是单个特征向量进行分类。为了显示该方法的效率，首先，分别分析基于时间和频率的特征向量在总体准确度方面的分类性能。然后，将通过各个特征向量获得的特征向量用于分类。给出了不同分类器结构所取得的结果。借助其他针对同一数据集的研究，对本研究获得的性能进行了比较评估。结果表明，互相关和 PSD 得出的特征组合在区分癫痫和健康脑电图片段方面非常有前景。
使用卷积的 MEG 驱动情绪分类...
本文提出了一种基于新型脑磁图 (MEG) 数据集 CiNet 的新型多通道情绪分类方法。本文属于脑机接口 (BCI) 研究领域，因为它使用大脑活动数据来识别人类情绪。它应该是一个有价值的贡献和对比，因为大多数 BCI 研究使用脑电图 (EEG) 数据，主要来自 DEAP 数据集。使用卷积神经网络 (CNN) 和循环神经网络 (RNN) 的组合，系统将分析高保真数据，以尝试识别受试者的情绪状态。CNN 对空间信息进行编码，而 RNN 跟踪随时间的变化。每个部分都单独评估，也结合评估，以确定每个分析方面的贡献。这些模型变体在原始 MEG 信号和从信号中提取的功率谱密度 (PSD) 上进行了评估。实验结果表明，最佳模型是在原始信号数据上训练的 CNN+RNN 组合，在效价/唤醒分类任务上实现了 56.5% 的平均准确率。
基于深度卷积神经网络的癫痫脑电图（EEG）信号分类
脑电图 (EEG) 信号包含有关大脑电活动的重要信息，被广泛用于辅助癫痫分析。癫痫诊断中一个具有挑战性的要素，即对不同癫痫状态的准确分类，尤其令人感兴趣并得到了广泛的研究。本文提出了一种基于深度学习的新型分类方法，即癫痫脑电信号分类 (EESC)。该方法首先将癫痫脑电信号转换为功率谱密度能量图 (PSDED)，然后应用深度卷积神经网络 (DCNN) 和迁移学习从 PSDED 中自动提取特征，最后对四类癫痫状态进行分类 (发作间期、发作前持续时间至 30 分钟、发作前持续时间至 10 分钟和癫痫发作)。它在准确性和效率方面优于现有的癫痫分类方法。例如，在 CHB-MIT 癫痫脑电图数据的案例研究中，它实现了超过 90% 的平均分类准确率。
用于嗜睡的离散小波变换系数...
摘要 — 本文提出了一种使用离散小波变换 (DWT) 系数作为特征从脑电信号中检测困倦的有效方法。大多数困倦检测系统使用 FFT 计算功率谱密度或使用 DWT 计算脑电子带的熵来提取特征。虽然这些技术擅长在频域中捕捉有价值的特征，但它们忽略了分析脑电信号所必需的时间细节。这些细节被整合到表示小波函数和不同时间的脑电信号之间相关性的系数中。在我们的工作中，我们使用 DWT 系数对脑电信号进行时频分析以保留这种时间背景。此外，该研究探讨了时间段大小对系统性能的影响。随后，我们确定了最合适的技术来最小化输入特征冗余。我们的方法只使用两个脑电电极 C3 和 C4，与检测清醒和困倦的常见设置相似。评估了四个分类器：决策树、随机森林、多层感知器和支持向量机。研究结果表明，DWT 系数提高了困倦检测的性能，超越了以前的方法。
针对大视场光学干涉仪特性优化的二进制伪随机阵列测试标准
最近，已经演示了一种用于校准各种计量仪器的调制传递函数 (MTF) 的技术。该技术基于结构为一维二进制伪随机 (BPR) 序列和二维 BPR 阵列 (BPRA) 的测试样本。BPR 光栅（序列）和阵列的固有功率谱密度具有确定性的白噪声特性，允许在仪器的整个空间频率范围和视场内以均匀的灵敏度直接确定 MTF。因此，BPR 样品满足测试标准的特征：功能性、易于规范和制造、可重复性以及对制造误差的低敏感性。在这里，我们讨论了我们最近针对优化样品设计、制造、应用和数据处理程序的进展，适用于对大孔径光学干涉仪进行彻底表征。与之前基于编码孔径的设计相比，新测试标准改进的“高度随机化”BPRA 模式提供了更好的仪器 MTF 和像差表征精度和可靠性，并实现了大孔径光学干涉仪的操作优化。我们描述了模式生成算法和测试，以验证是否符合所需的 BPRA 地形。还讨论了该技术不同应用的数据采集和分析程序。
使用 Vision Transformers 增强 SEED-IV 数据集上的情绪分析：一项比较研究
本文介绍了一种利用深度学习模型（特别是视觉变换器 (ViT) 模型）进行情绪分类的新方法，用于分析脑电图 (EEG) 信号。我们的研究实施了一种双特征提取方法，利用功率谱密度和差分熵来分析 SEED IV 数据集。这种方法对四种不同的情绪状态进行了详细分类。最初设计用于图像处理的 ViT 模型已成功应用于 EEG 信号分析。它表现出色，测试准确率达到 99.02%，方差很小。值得注意的是，它在这方面的表现优于 GRU、LSTM 和 CNN 等传统模型。我们的研究结果表明，ViT 模型在准确识别 EEG 数据中存在的复杂模式方面具有很高的有效性。具体而言，该模型的准确率和召回率超过 98%，而 F1 分数估计约为 98.9%。该研究的结果不仅证明了基于变压器的模型在分析认知状态方面的有效性，而且还表明它们在改善人机交互系统方面具有巨大的潜力。
手足运动和想象运动任务的脑电信号聚类
厄瓜多尔瓜亚基尔高等政治学院，ESPOL 电气和计算机工程系，Gustavo Galindo 校区，Perimetral 路 30.5 号，邮政信箱 09-01-5863，瓜亚基尔，厄瓜多尔 {vasanza 1、epelaez 2、floayza 3}@espol.edu.ec 摘要 —。现代技术使用脑机接口 (BCI) 来控制身体有障碍人士的设备或假肢。在某些情况下，EEG 数据用于确定受试者在执行运动和想象运动任务时的意向性。然而，由于获取的电压水平较低，EEG 信号很容易受到噪声的影响。我们使用了 25 名健康受试者在进行手脚运动和想象运动时 64 个 EEG 记录的数据集。数据经过预处理，包括设计滤波器以降低操作 EEG 信号的预期频谱之外的噪声。然后，我们使用基于谱密度的特征提取。最后，应用五种聚类算法来检测运动和想象运动任务。结果表明，k-means、k-medoids 和层次聚类算法可以更好地检测运动活动，而层次聚类则更适合手部的想象任务。
复杂的染色体重排中的断点对应于成熟精子的DNA的转座酶可访问区域
电气惊人用于捕获鳄鱼以执行常规管理程序。从福利点开始，电气令人惊叹必须引起动物的无意识。然而，没有信息有关电气令人惊叹是否引起尼罗河鳄鱼（Crocodylus niloticus）的无意识。该研究的目的是使用5通道参考脑电图分析来评估鳄鱼中电气惊人之前和之后的大脑活动，以确定意识。的行为指标和15个圈养鳄鱼的脑电图记录被捕获并使用功率谱密度分析在令人惊叹前后的功率频谱密度分析进行分析，然后以60 s的间隔，直到播放后5分钟。在湿颈上施加了5–7 s的标准化刻度170伏。无意识的定义是α波功率的降低和增长三角波功率的增加。无法评估三个脑电图。在12个鳄鱼中的6个中发现了无意识，平均持续120 s。脑电图波形振幅和滋补性癫痫发作的波形活性和行为指标的增加并不是可靠的无意识指标。进一步的研究应集中于提高电气惊人的效率和可靠性。
引用/参考：Tosun, M. & Çetin, O. (2021)。使用经验模态分解和 Welch 方法对四类运动幻像脑电信号进行深入分析
在基于脑电图（EEG）的脑机接口（BCI）应用中，从想象相关肢体运动获得的运动想象（MI）信号中提取特征并对其进行分类是一个非常重要的问题。在 MI-EEG 信号的研究中，已经使用了许多不同的特征提取方法和分类算法。然而，随着这些信号中类别数量的增加，分类成功率之间存在显著差异。在提出的方法中，提出了一种包括信号功率谱密度（PSD）信息的特征提取方法。通过对原始 EEG 数据应用经验模态分解 (EMD)，可以获得不同频率水平的信号。这些信号的PSD值是使用Welch方法计算的。将得到的PSD值组合成特征向量。使用生成的特征向量，训练了一种流行的深度学习算法——长短期记忆 (LSTM) 网络。对培训后获得的测试成功情况根据个人和渠道进行了详细的比较。比较结果发现，位于头皮中心点的通道比其他通道更成功。