XiaoMi-AI文件搜索系统
World File Search SystemDEAP
使用深神网络和稀疏自动编码器
基于大脑计算机界面（BCI）系统的情绪分类是一个吸引人的研究主题。最近，已经对BCI系统的情绪分类进行了深入学习，并与传统的分类方法进行了比较。在本文中，提出了一种新型的深层神经网络，用于使用脑电图系统进行情绪分类，该系统结合了卷积神经网络（CNN），稀疏自动编码器（SAE）和深神经网络（DNN）。在拟议的网络中，CNN提取的功能首先发送到SAE进行编码和解码。然后将冗余降低的数据用作分类任务的DNN的输入特征。使用DEAP和种子的公共数据集用于测试。实验结果表明，所提出的网络比情绪识别的常规CNN方法更有效。对于DEAP数据集，价值和唤醒的最高识别精度分别达到了89.49％和92.86％。但是，对于种子数据集，最佳识别精度达到96.77％。通过组合CNN，SAE和DNN并分别训练它们，提出的网络被显示为具有比常规CNN更快的收敛速度的有效方法。
使用EEG
摘要：使用脑电图的情绪识别已被广泛研究，以应对与情感计算相关的挑战。在EEG信号上使用手动特征提取方法会导致学习模型的最佳性能。通过深度学习的进步作为自动化功能工程的工具，在这项工作中，已经提出了手动和自动特征提取方法的混合体。不同大脑区域中的不对称性在2D载体中被捕获，称为ASMAP，从EEG信号的差分熵特征中捕获。这些ASMAP随后用于使用卷积神经网络模型自动提取特征。已将所提出的特征提取方法与差分熵和其他特征提取方法（例如相对不对称，差异不对称和差异尾巴）进行了比较。使用SJTU情绪EEG数据集和DEAP数据集进行了基于类数量的不同分类问题的DEAP数据集进行实验。获得的结果表明，提出的特征提取方法会导致更高的分类精度，从而优于其他特征提取方法。使用SJTU情感EEG数据集，在三级分类问题上达到了97.10％的最高分类精度。此外，这项工作还评估了窗口大小对分类精度的影响。
使用频道特征的可解释的基于EEG的跨主体EEG识别“ 2279
摘要：基于脑电图（EEG）的情绪识别正在对脑部计算机界面（BCI）和医疗保健的研究中受到显着关注。要准确地从脑电图数据中识别跨主体情绪，必须为与脑电图数据收集过程相关的主题可变性提供有效表示的技术。在本文中，提出了一种使用时间序列分析和空间相关性预测跨受试者情绪的新方法。为代表大脑区域之间的空间连通性，提出了依靠通道的特征，该特征可以有效地处理所有通道之间的相关性。通过对称矩阵定义了通道的特征，其元素是由Pearson相关系数计算得出的，这些元素在两倍通道之间能够互补处理主题特异性变异性。然后，渠道特征将被馈送到两层堆叠的长短期内存（LSTM），该记忆可以提取时间特征并学习情感模型。对两个公开数据集进行了广泛的实验，即使用生理信号（DEAP）的情绪分析数据集和SJTU（Shanghai jiao Tong University）情绪EEG数据集（SEED），证明了渠道功能和LSTM联合使用的效果。实验结果在DEAP的两级价值分类和唤醒的两级分类期间，最新的分类率分别为98.93％和99.10％，在种子中三级分类期间的精度为99.63％。
建筑能效等级 (BER) 评估师和展示能源证书 (DEC) 评估师
1. 简介 建筑能效等级 (BER) 评估师（“ BER 评估师 ”）和展示能效证书 (DEC) 评估师（“ DEC 评估师 ”）是在爱尔兰可持续能源管理局（“ SEAI ”）注册的人员，负责根据经修订的《欧盟（建筑能效）条例 20121》（“条例”）的要求开展 BER/DEC 评估。 本行为准则适用于条例适用的家庭和非家庭 BER 评估师和 DEC 评估师。 本行为准则由 SEAI 根据条例第 17 (1)(g) 条颁发，根据条例第 17(2) 条，BER 和 DEC 评估师必须遵守准则的规定。此外，通过注册成为 BER/DEC 评估师，个人有义务遵守本准则。不遵守本准则可能导致 SEAI 根据条例第 16(11)(g) 条暂停或终止其注册。本准则的主要目的是确保 BER/DEC 评估员清楚了解其在市场上提供高质量服务的义务。本准则详细说明了 BER/DEC 评估员和 SEAI 在住宅、非住宅和公共建筑中的角色和职责，以确保向客户提供技术熟练且及时的服务，并遵守高标准的职业行为，从而使客户能够履行其在《条例》第 10、11、12、13 和 14 条下的义务和相关义务。本准则促进 BER/DEC 评估员以独立的方式提供高质量服务，这对于《条例》制定的 BER 评估和 DEC 评估计划（“计划”）的声誉和可靠性至关重要。BER/DEC 评估员和未来的 BER/DEC 评估员（以及其委托人（如适用））必须遵守本准则和《条例》。规章副本可在电子版爱尔兰法规全书 (http://www.irishstatutebook.ie/eli/2012/si/243/made/en/pdf) 中获取。在本法中，除非另有明文规定，术语“ 委托人 ”包括雇主和/或作为 BER/DEC 评估师注册申请一部分的任何公司和/或在 BER/DEC 评估师公共登记册上列出 BER/DEC 评估师注册的任何公司。但是，“ 委托人 ” 一词不包括特许经营人的特许人（因为作为特许经营人的 BER 评估师或 DEC 评估师被视为具有独立权利的委托人）。根据规章，SEAI 已指定 BER/DEC 评估师在进行 BER/DEC 评估时应遵循的程序。这些程序包括计算方法和软件，以及任何建筑调查要求。在本规范中，对这些程序的引用如下：“DEAP”是指国内能源评估程序，爱尔兰计算住宅建筑能效等级的官方方法。该方法包括基于互联网的 DEAP 方法软件工具，如 DEAP 手册中所述。DEAP 软件计算 BER 并证明符合新住宅建筑法规第 L 部分的规定。“NEAP”是指非住宅能源评估程序，是爱尔兰计算非住宅建筑能效等级的官方方法。NEAP 软件使用默认的简化建筑能源模型 (SBEMie) 软件或其他经批准的软件计算 BER 并证明符合新建筑建筑法规第 L 部分的规定。“DEC”是指显示能源证书，基于对测量的能耗的评估
MES-CTNet：一种基于多域特征图的新型胶囊变压器网络，用于基于脑电图的情绪识别
摘要：由于脑电信号中蕴含了丰富的真实情绪数据，利用脑电信号进行情绪识别在人机交互领域引起了广泛关注。然而，传统的情绪识别方法在挖掘多域特征之间的联系和发挥其优势方面存在不足。在本文中，我们提出了一种基于多域特征的新型胶囊Transformer网络，用于基于EEG的情绪识别，称为MES-CTNet。该模型的核心由一个嵌入ECA（高效通道注意）和SE（挤压和激励）块的多通道胶囊神经网络（CapsNet）和一个基于Transformer的时间编码层组成。首先，结合多域特征的空频时间特性构建多域特征图作为模型的输入。然后，利用改进的CapsNet从多域特征图中提取局部情绪特征。最后利用基于Transformer的时间编码层全局感知连续时间片的情绪特征信息，得到最终的情绪状态。本文在DEAP和SEED两个不同情绪标签的标准数据集上进行了充分实验。在DEAP数据集上，MES-CTNet在情绪效价维度上取得了98.31%的平均准确率，在唤醒度维度上取得了98.28%的平均准确率；在SEED数据集上的跨会话任务上取得了94.91%的准确率，相比传统脑电情绪识别方法表现出了优异的性能。本文提出的MES-CTNet方法利用多域特征图，为基于脑电的情绪识别提供了更广阔的观察视角，显著提高了分类识别率，在脑电情绪识别领域具有重要的理论和实用价值。
Snolab组夏季学生就业2025.pdf
夏季学生就业申请截止日期：2025年2月5日，星期三，皇后大学的实验粒子天体物理学小组在2025年夏季为本科夏季研究人员开放。该小组积极参与下一代实验的设计，结构和操作，这些实验试图回答粒子物理和天体物理学中的基本问题，包括搜索暗物质颗粒，中微子和中微子性质的研究，以及对高级探测器技术的研究。我们的大部分实验性工作都在Snolab上进行，Snolab是世界领先的粒子天体物理实验室，位于萨德伯里（Sudbury）附近的Vale的Creighton Mine的地下6800'（请参阅www.snolab.ca）。一些夏季研究活动可能在Snolab举行。尽管不需要授予以下职位的奖励，但有资格获得NSERC本科生研究奖（“ USRAS”）或其他奖学金支持的学生有资格申请奖励。在皇后物理学中的USRAS和Queen's University's Summer学生研究奖（“ USSRAS”）由Melissa Balson（4MJB5@Queensu.ca）协调，并提供更多信息，可在https:///wwwww.queensu.ceensu.ca/physics/sites/sites/physics/physics/physics/phys/phys/physwwwww/filess/upload/upload/uarded/ploaddud/ploaddud/ USRAS-2025.pdf。 今年，在Snolab的女王夏季研究职位上，有一个单独的USSRA流，由Stephen Sekula（Stephen.sekula@queensu.ca）协调。 USRAS和USSRAS的申请截止日期是2025年2月7日。 以下实验预计今年夏天将雇用一个或多个学生。在皇后物理学中的USRAS和Queen's University's Summer学生研究奖（“ USSRAS”）由Melissa Balson（4MJB5@Queensu.ca）协调，并提供更多信息，可在https:///wwwww.queensu.ceensu.ca/physics/sites/sites/physics/physics/physics/phys/phys/physwwwww/filess/upload/upload/uarded/ploaddud/ploaddud/ USRAS-2025.pdf。今年，在Snolab的女王夏季研究职位上，有一个单独的USSRA流，由Stephen Sekula（Stephen.sekula@queensu.ca）协调。USRAS和USSRAS的申请截止日期是2025年2月7日。以下实验预计今年夏天将雇用一个或多个学生。请发送求职信，一个简历和一份通过电子邮件的最新成绩单的副本，以联系您感兴趣的每个实验。成功的候选人将在物理，工程物理，化学或相关学科方面拥有强大的学术记录，并具有一些相关的经验，这些经验证明了研究潜力。SNO+使用780吨液体闪烁体目标研究中微子的基本特性。该实验目前正在Snolab运行。潜在的夏季研究活动包括数据分析，有助于制备校准系统和校准来源，参与柜员过程系统和程序的开发以及在数据获取过程中操作探测器。女王在SNO+工作的教职员工包括Mark Chen，Ryan Martin和Alex Wright。联系人：Alex Wright（Awright@queensu.ca）Deap和Darkside是大规模的液体氩实验，使用液体氩闪烁的独特特性来寻找极为罕见的暗物质相互作用。DEAP位于Snolab，已经获得了3年的数据。Darkside是一个下一代实验，将是第一个直接的暗物质实验，可以用新型的量子传感器（silicon Photoltipliers（SIPMS））为检测器充分仪器。学生提供的机会包括对DEAP数据的分析以及与数据获取的帮助，以及与Triumf的同事一起模拟和测试Darkside的数据采集系统。原型检测器目前正在Queen's News-G实验室中构建和测试。在我们在皇后区的实验室中使用一个小的低温恒温器设施来衡量Deap和Darkside使用的不同探测器材料的各种特性，也有机会获得动手体验。联系人：Fred Schuckman（fgs@queensu.ca）News-G开发了新型的球形气体探测器，这些探测器对低能相互作用非常敏感。已经建立了一个大容量的球形探测器，目前正在Snolab的地下安装，以搜索低质量的暗物质颗粒和其他罕见的低能相互作用。夏季职位可用于协助Snolab和Queen's的数据，深色物质搜索和校准数据分析，以及新型探测器技术的开发和测试。联系人：Guillaume Giroux（gg42@queensu.ca）
如何引用本文：D. Jude Hemanth (2020)。基于 EEG 信号的改进型 Kohonen 神经网络用于对人类心理情绪进行分类。期刊
在人机交互 (HMI) 中，识别人类情绪非常重要。这些情绪会影响人与人之间的交流和情绪。情绪检测可以清楚地了解客户在电子学习、营销、娱乐和犯罪行为方面的满意度。人工神经网络对于机器学习和情绪检测至关重要。情绪是从脑电图信号中检测出来的，它可以为音频和面部信号提供更好的性能。在这项工作中，提出了几种改进的 Kohonen 神经网络来对人类情绪进行分类。来自 DEAP 数据库的脑电图信号被用作 ANN 的输入来检测人类情绪。愤怒、快乐、悲伤和放松是使用 Kohonen 神经网络分类的情绪。实验结果表明，所提出的方法取得了良好的效果。
研究论文：基于小波卷积神经网络和支持向量机的混合脑电情绪识别方法
方法：本文提出了一种基于从小波 CNN（WCNN）加权层提取的深度特征和多类支持向量机（MSVM）的混合方法来提高从脑电图（EEG）信号中识别情绪状态的能力。首先，使用连续小波变换（CWT）方法对 EEG 信号进行预处理并将其转换为时频（TF）颜色表示或尺度图。然后，将尺度图输入到四个流行的预训练 CNN，AlexNet、ResNet-18、VGG-19 和 Inception-v3 中进行微调。然后，将每个 CNN 中的最佳特征层用作 MSVM 方法的输入，以对效价-唤醒模型的四个季度进行分类。最后，使用与受试者无关的留一受试者排除标准在 DEAP 和 MAHNOB-HCI 数据库上评估所提出的方法。
从原始脑电图数据中提取功能以识别情绪
卷积神经网络（CNN）在各种任务中取得了显着的性能突破。最近，以手工提取的EEG功能喂养的基于CNN的方法稳步提高了他们在情感识别任务上的表现。在本文中，我们提出了一个新颖的综合层，称为缩放层，该层可以从原始的EEG信号中自适应地提取有效的数据驱动频谱图。此外，它利用了从一个数据驱动的模式缩放的卷积内核，以揭示频率样维度，以解决需要手工提取特征或其近似值的先前方法的缺点。ScaleingNet是基于缩放层的提议的神经网络体系结构，已在已建立的DEAP和Amigos基准数据集中实现了最新的结果。2021作者。由Elsevier B.V.这是CC下的开放式访问文章（http：//creativecommons.org/licenses/4.0/）。