XiaoMi-AI文件搜索系统
World File Search SystemEEMD
EMD 和特征提取对脑电图分析的影响
摘要 — 脑机接口已被研究了 20 多年，并且具有巨大的开发应用潜力，可供医生诊断疾病或帮助患有严重神经系统疾病的患者恢复与社会互动。要达到这些目的，需要分析脑电图数据的技术以及训练模型以识别模式或控制设备的算法。TensorFlow 是 Google 团队为内部使用而开发的机器学习，于 2015 年向公众发布。由于它可以在深度学习神经网络上进行训练和测试，因此可以用于脑电图数据。该项目使用 TF-Keras 和 TensorFlow-DNN 来训练使用脑电图数据对大脑状态进行分类的模型。Neurosky Mindwave Mobile 耳机和由 Micro:bit 开发的新设备是该项目的脑电图信号记录器。采用了最小-最大归一化、集合经验模态分解 (EEMD)、提取等多种技术来分析记录的脑电图数据。结果表明，在对来自 Micro:bit 设备的 EEG 数据进行分类时，TensorFlow-Keras 和 TensorFlow - DNN 模型的准确率为 97%，而 XGBoost 的结果为 98%。结果证实了 TensorFlow 在识别 EEG 数据方面的应用能力。对上述结果有贡献的数据处理技术是最小最大规范化和数据提取。此外，我们还验证了记录数据中的低频漂移对于使用 EEG 数据识别大脑状态至关重要。结果还显示了使用 EEMD 技术生成的 IMF 作为特征来构建使用 EEG 数据对大脑状态进行分类的模型。索引词 —TensorFlow、EEG、XGBoost、TensorFlow-Keras (TF-Keras)、TensorFlow-DNN (TF-DNN)、集合经验模态分解 (EEMD)、Neurosky、Micro:bit、脑机接口 (BC I)
脑电信号伪差自动检测与滤波的初步研究*
摘要 —EEG 记录中最大的问题之一是伪影造成的信号污染，因为这些干扰会阻碍对真实神经信息的分析。因此，在研究 EEG 之前，在尽可能多地保留大脑数据的同时消除伪影是一个关键步骤。为了解决颅面伪影的自动去除问题，本文提出了一个两阶段程序：前一个阶段是检测阶段 - 同时应用 MLP 神经网络和动态阈值法来检测 EEG 的污染区域，而后一个阶段是去除阶段 - 结合 CCA 和 EEMD 算法仅去除伪影数据。实验结果表明，两种检测方法相当，但动态阈值检测略优于 MLP。此外，组合技术可以完全去除散布在所有 EEG 通道中的伪影。本研究将扩展到需要更复杂模型的眼部伪影。索引术语 —癫痫、EEG、伪影检测、伪影去除
Integrated strategy for real-time wind power fluctuation ...
在国内和国际文献中，在使用混合储能系统来减轻风能波动的策略方面取得了广泛的进步。Long [13]提出使用小波分解理论将风电场的原始输出功率分解为多个尺度，并采用模糊控制，以优化混合储能系统的初始功率分配。但是，小波分解层的选择会影响分解结果。Xianjun和Jia [14-15]提出了一种改进的小波包抑制策略，该策略不仅符合风电网连接标准，而且还降低了电荷分离开关频率，从而增强了存储系统的经济活力。Zhang [16]提出了平均滑动和EMD，以获得网格连接和储能功率信号，目的是最大化净福利以完成储能系统配置。guo [17]提出了通过考虑最新电荷（SOC）并配置额定功率和容量和容量和容量来分解混合能源系统功率。使用自适应变分模式分解（VMD）算法，Xiao [18]通过结合超级电容器和氢储罐的状态来分配内部功率，从而自适应地分解风力。fang [19]使用VMD和Wigner – Ville分布算法来处理原始功率数据，并应用了混乱粒子群优化算法来解决两阶段的每月和日前优化问题。Xidong [20]提出了一种方法，该方法将最佳的指数平滑与Ceemdan结合在一起，以获得与网格连接和存储的功率，从而促进了存储系统中的内部功率分配。
Stochastic programming based coordinated expansion planning of generation, transmission, demand side resources,
已经广泛研究了储能系统的容量分配，以探索其协助新兴电力系统运行的潜力。探索分布式储能系统的特征并考虑操作可行性和计划的全面性，[8]为主动分配网络中的分布式储能系统设计了一种新颖的双目标混合 - 最佳计划模型。参考文献[9]研究了可再生能源渗透水平的增加与对能量储能能力的需求之间的关系，发现后者与前者密切相关。但是，存在打破这种正相关的转折点。考虑到风能的不确定性以及储能系统的维护和操作成本，[10]提出了一种配置能量存储能力以合理提高系统可靠性的方法。参考[11]提出了一种通过基于改善的移动平均值和综合经验模式分解（EEMD）来最佳分配储能系统的能力来减轻风能波动的方法。参考[12]研究了使用时间序列模拟方法用储能系统部分替换常规热单元的计划。可以处理负载波动并最大化收入的能源存储系统的配置方案被认为是最佳的。然而，大多数现有作品都集中在分配储能系统的能力上，以实现剃须和频率调节，并随着可再生能源的迅速增加而缓和住宿挑战。总而言之，对计划模型的可用研究集中在储能的各个部分上，忽略了发电，传输，负载需求和储能的协调扩展计划。