XiaoMi-AI文件搜索系统
World File Search SystemEOG
02 - EOG - Bluebell CHR34 A - 单元化申请 (...
VI. 结论 附件 附件 1 单位平面图 附件 2 单位运营协议 附件 A – 运营协议附件 A 附件 A-1 – 单位地籍图 附件 A-2 – 所有矿产所有者名单 附件 A-3 – 所有未租赁矿产所有者名单 附件 A-4 – 所有已承诺工作权益所有者名单 附件 A-5 – 所有未承诺工作权益所有者名单 附件 A-6 – 所有诉讼地块名单 附件 B – 已付清的石油和天然气租赁示例 附件 C – COPAS 会计程序联合运营 附件 D – 运营商保险范围 附件 E – 天然气平衡协议 附件 3 Justin Tikhonoff（土地经纪人）的准备证词 附件 A – 租赁工作宣誓书 附件 B – 尽职调查宣誓书 附件 C – 钻探和生产权宣誓书附件 D – 彩色地籍图附件 E – 航拍地籍图附件 F – 所有权宣誓书附件 G – 租赁宣誓书附件 4 Jenna Hessert（地质学家）的准备证词附件 A – 地质横截面和地球物理类型日志附件 B – 地球物理单元邻近图附件 5 Price Hernandez（工程师）的准备证词附件 A – 估计回收率的计算附件 B – 工程数据源地图和表格附件 C – 现有单元地图附件 6 权益所有者批准 – EOG Resources, Inc. 附件 A – EOG Resources, Inc. 承诺的地块附件 7 权益所有者批准 – EAP Ohio, LLC 附件 A – EAP Ohio, LLC 承诺的地块附件 8 邮件列表
EOG SPG Holdings，Inc。RR监视，报告...
2项目详细信息7 2.1 CO 2的来源和收集注射。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。7 2.2建议的注射量。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 2.3区域地质。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 2.4项目区域的地层。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 2.5项目区域的结构地质。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 2.6 Barnabus Ellenburger田间历史。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19 2.7注入和限制区细节。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 2.7.1注射区。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 2.7.2上限区。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。22 2.7.3下限区域。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24
使用 GAN 和 LSTM 网络根据 EEG 和 EOG 信号检测驾驶员睡意
近年来，驾驶时困倦已成为交通事故的主要原因。然而，我们对评估驾驶员困倦的电生理指标知之甚少。前期研究和我们的研究表明，alpha 阻断现象和 alpha 波衰减-消失现象分别代表两种不同的困倦程度，即放松觉醒和睡眠开始。本文提出了一种基于脑电图 (EEG) 和眼电图 (EOG) 信号的驾驶员困倦检测新模型。我们的模型旨在跟踪 alpha 波的变化并区分这两种与 alpha 相关的现象。采用连续小波变换从时域和频域中的生理信号中提取特征。同时，引入长短期记忆 (LSTM) 网络来处理 EEG 和 EOG 信号的时间信息。为了解决生理样本不足的问题，使用生成对抗网络 (GAN) 来扩充训练数据集。实验结果表明，检测 alpha 波起点和终点的 F1 得分达到 95% 左右。我们采用的条件 Wasserstein GAN (CWGAN) 可以有效扩充数据集并提高分类器性能。同时，我们的 LSTM 分类器在留一交叉验证下对 alpha 波终点进行分类的平均准确率为 98%。
eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法
可靠的脑电图（EEG）信号获取对于医疗疾病，脑机构界面（BCIS）和神经科学研究至关重要。然而，心电图（ECG）和电解图（EOG）伪像经常污染EEG记录，损害数据质量和解释性。传统的删除方法可能会扭曲脑电图信号，或需要其他传感器进行ECG和EOG获取。本研究使用多元预测方法将删除伪像作为回归任务，从EEG数据本身重建ECG和EOG信号。我们的方法在两个独立数据集上进行了严格评估，用于ECG和EOG信号，并在不同个体的未见数据上进一步验证。使用平方误差（MSE），平均绝对误差（MAE）和峰值信噪比（PSNR）评估性能。我们的方法实现了与使用实际的ECG和EOG记录的常规方法相媲美的方法，证明了使用原始EOG记录清洁清洁的脑电图和脑电图之间的PSNR为39 dB。这使我们的方法成为经济高效且非侵入性的替代方案。这些发现提出了脑电图噪声过滤研究的有希望的新方向。
在模拟工业环境中使用 EEG 和 EOG 测量来检测认知过载
工业环境的特点将是由机器人技术和人工智能的进步带来的深远的生产自动化。因此，人类装配工人需要快速适应新的和更复杂的装配程序，这些程序很可能会增加认知负荷或可能导致超负荷。需要开发测量和优化协议以便能够监控工人的认知负荷。先前的研究使用了脑电图 (EEG，测量大脑活动) 和眼电图 (EOG，测量眼球运动) 信号，使用基本的基于计算机的静态任务，并且不会产生超负荷体验。在这项研究中，收集了 46 名参与者的 EEG 和 EOG 数据，这些参与者在执行生态有效的装配任务时引入了三个级别的认知负荷（低、高和超负荷）。较低的个体 alpha 频率 (IAF) 被认为是区分不同水平的认知负荷和超负荷的有希望的标记。
http://dergipark.gov.tr/gujsc 机器学习方法对眼电图 (EOG) 信号进行分类的概述
按年份确定了 2011 年至 2021 年期间在（眼电图）EOG 与眼球运动、EOG 与轮椅、EOG 与眼角、EOG 与睡眠状态、EOG 与情绪估计以及 EOG 与游戏应用领域进行的研究的分布，并研究和介绍了被引用次数最多的研究。研究领域从文章数最多到最少依次为眼球运动分类、轮椅、睡眠状态、眼角、情绪状态和游戏应用。按引用次数排列，从多到少依次为睡眠状态、眼球运动分类、轮椅、眼角、情绪状态和游戏应用。在这些研究中，人们尝试通过使用带有机器学习的脑机接口来改善各种残疾人群的生活。
基于 EOG 的人机界面：2000-2020 年回顾
摘要：基于眼电图 (EOG) 的脑机接口 (BCI) 是一项影响物理医学、日常生活、游戏甚至航空领域的相关技术。基于 EOG 的 BCI 系统记录与用户意图、感知和运动决策相关的活动。它将生物生理信号转换为外部硬件的命令，并通过输出设备执行用户期望的操作。EOG 信号用于通过主动或被动交互识别和分类眼球运动。这两种类型的交互都有可能通过执行用户与环境的通信来控制输出设备。在航空领域，人们正在探索对 EOG-BCI 系统的研究，将其作为替代手动命令的相关工具和致力于加速用户意图的交流工具。本文回顾了过去二十年基于 EOG 的 BCI 研究，并通过大量代表性论文提供了一个结构化的设计空间。我们的目的是介绍现有的基于 EOG 信号的 BCI 系统，并启发新系统的设计。首先，我们重点介绍基于 EOG 的 BCI 研究的基本组成部分，包括 EOG 信号采集、EOG 设备特性、提取的特征、翻译算法和交互命令。其次，我们概述了基于 EOG 的 BCI 在现实和虚拟环境中的应用以及航空应用。最后我们进行了总结
基于SSVEP，EOG和眼动物跟踪的混合脑计算机界面中使用强制反馈设备用于排序项目
摘要：针对从人类有机体衍生的信号的研究变得越来越流行。在这个领域，基于脑电波的脑部计算机界面扮演了特殊的角色。由于脑电图记录设备和较低的设定价格的缩小尺寸，它们变得越来越受欢迎。不幸的是，此类系统在生成的命令数量方面受到很大的限制。这尤其适用于不是医疗设备的集合。本文提出了一个基于稳态视觉诱发电位（SSVEP），EOG，眼睛跟踪和力反馈系统的混合脑计算机系统。这样的扩展系统消除了许多特定的系统缺点，并提供了更好的结果。本文的第一部分介绍了有关混合脑部计算机系统中应用的方法的信息。根据操作员将机器人的尖端放置在指定位置的能力来测试提出的系统。提出了工业机器人的虚拟模型，该模型用于测试。在现实生活中的工业机器人上重复测试。通过启用和禁用的反馈系统验证了系统的定位精度。在模型和真实对象上进行的测试结果清楚地表明，在由操作员控制时，力反馈提高了机器人尖端的定位精度。此外，模型和现实生活中的工业模型的结果非常相似。在下一阶段，对使用BCI系统进行分类项目的可能性进行了研究。该研究是在模型和真正的机器人上进行的。结果表明，可以使用来自人体的生物信号进行排序。
RaspberryPi 使用 Shield PiEEG 测量 EEG、ECG、EMG 和 EOG 本文介绍了用于读取信号的 Shield PiEEG 的硬件和软件
RaspberryPi 使用 Shield PiEEG 测量 EEG、ECG、EMG 和 EOG 本文介绍了用于通过单板计算机系列（RaspberryPi、OrangePi、BananaPi 等）读取信号的屏蔽 PiEEG 的硬件和软件。本文主要提供了如何实现该设备的技术信息。该设备旨在熟悉神经科学，是开始进行 EEG 测量的最简单方法之一。 Ildar Rakhmatulin，博士，PiEEG，ildarr2016@gmail.com 来源 https://github.com/Ildaron/EEGwithRaspberryPI 演示 https://youtu.be/uK8QF2liO5U 关键词：RaspberryPi 和 EEG、ECG、EMG 和 EOG；脑机接口；RaspberryPi 屏蔽 1. 简介 脑机接口是一种读取脑信号的设备，以识别可用于实际目的的任何相关性。 2021 年，我们开发了脑机接口 - ironbci [1,2,3]，但芯片短缺大大增加了设备的成本，之后我们改用 PiEEG 屏蔽，这使得降低设备成本和简化安装过程成为可能。PiEEG 设备在会议 [4] 和出版物 [10] 中进行了一般性介绍。在本文中，我们将更多地关注该设备实现的技术细节。2. 安全建议开发的设备仅针对 Raspberry Pi 进行了测试。在测试期间，禁止将设备连接到电源，这是出于安全考虑并避免网络干扰。通过电网供电时不能使用此设备，并且只能在使用 5V 电池（容量不超过 2000 mAh）时使用它。图 1 是设备完整组装的概览。