XiaoMi-AI文件搜索系统
World File Search SystemCollos
Sienna建模框架
nrel Sienna团队：Dhilipal Collos，Simple，Doubllea，Rodrigo Henririz Henririz Henririz，Gabriel良心，Jos Daniel，Senchez的Pedrge Wood，Daily
一种深入的CNN方法，用于解码上肢的电动机从源级别的EEG信号的时间 - 频率图
一个可以检测到行动和解码计划运动意图的系统，可以帮助所有可以计划运动但无法实施的受试者。在本文中，通过使用脑电图（EEG）信号来研究电动机计划活动，目的是解码运动制备阶段。在执行不同动作（肘部流量/扩展，前臂旋转/supination/supination/suplination/open/loth/collos）的过程中，可公开可用的61个通道EEG信号，右上肢录制了15个健康受试者的EEG信号。 引入了一种新型系统，用于静止与静止和前期时期的分类。 对于每个时期，所提出的系统都会通过光束成形和连续的小波变换（CWT）生成电动机源信号的时间频率（TF）图，然后将所有映射嵌入体积中并用作输入到深CNN中。 拟议的系统成功地歧视了前提下的平均准确度为90.3％（最低74.6％，最大100％），在文献中的表现优于可比较的方法，而在鉴别期间的VS vs vs vs等待中的平均准确度为62.47％。 所达到的结果鼓励通过深度学习方法在时间频域中的源级别调查电动机计划。可公开可用的61个通道EEG信号，右上肢录制了15个健康受试者的EEG信号。引入了一种新型系统，用于静止与静止和前期时期的分类。对于每个时期，所提出的系统都会通过光束成形和连续的小波变换（CWT）生成电动机源信号的时间频率（TF）图，然后将所有映射嵌入体积中并用作输入到深CNN中。拟议的系统成功地歧视了前提下的平均准确度为90.3％（最低74.6％，最大100％），在文献中的表现优于可比较的方法，而在鉴别期间的VS vs vs vs等待中的平均准确度为62.47％。所达到的结果鼓励通过深度学习方法在时间频域中的源级别调查电动机计划。