XiaoMi-AI文件搜索系统
World File Search SystemImagery
基于多子域自适应网络的单源到单目标跨受试者运动想象分类
摘要：在基于脑电图 (EEG) 的跨受试者运动想象 (MI) 分类任务中，设备和受试者问题会导致与时间相关的数据分布偏移问题。在单源到单目标 (STS) MI 分类任务中，这种偏移问题必然会导致源域和目标域之间整体数据分布差异的增加，从而导致分类准确率下降。本文提出了一种新颖的多子域自适应方法 (MSDAN) 来解决偏移问题并提高传统方法的分类准确率。在所提出的 MSDAN 中，通过测量源子域和目标子域之间的分布差异来获得与类相关和与时间相关的子域（由不同的数据标签和会话标签划分）中的自适应损失。然后，同时最小化 MSDAN 损失函数中的自适应和分类损失。为了说明所提方法的应用价值，我们的方法被用于解决脑机接口 (BCI) 竞赛 III-IVa 数据集的数据分析的 STS MI 分类任务。实验结果表明，与其他方法相比，
使用带有注意块的多分支卷积神经网络模型进行基于脑电图的运动想象信号分类
摘要：脑信号可以通过脑电图 (EEG) 捕获，并用于各种脑机接口 (BCI) 应用。使用 EEG 信号对运动想象 (MI) 进行分类是帮助中风患者康复或执行某些任务的重要应用之一。处理 EEG-MI 信号具有挑战性，因为这些信号很弱、可能包含伪影、取决于患者的情绪和姿势，并且信噪比低。本文提出了一种多分支卷积神经网络模型，称为带卷积块注意模块的多分支 EEGNet (MBEEGCBAM)，使用注意机制和融合技术对 EEG-MI 信号进行分类。注意机制应用于通道和空间。与其他最先进的模型相比，所提出的模型是一种轻量级模型，具有更少的参数和更高的准确性。所提模型在使用 BCI-IV2a 运动想象数据集和高伽马数据集时，准确率分别为 82.85% 和 95.45%。此外，在使用融合方法 (FMBEEGCBAM) 时，准确率分别达到 83.68% 和 95.74%。
在中风康复中使用运动想象脑机接口的虚构输入来调节挫折感和能动性
摘要 脑机接口 (BCI) 可作为中风康复的一种手段，但较低的 BCI 性能会降低自主性 (用户的感知控制)，使用户感到沮丧，从而妨碍康复。在这些康复任务中，BCI 可以实现虚构的输入 (预先编程的正反馈)，从而改善自主性并减少沮丧。两项针对健康受试者和中风患者的子研究通过完成游戏和简单任务调查了这种潜力：1) 16 名健康受试者使用基于运动想象的在线 BCI；2) 13 名中风患者使用基于通过眼动仪进行眨眼检测的替代 BCI 系统来获得高度可靠的输入信号。子研究 1 在四种条件下测量了感知控制和沮丧：1) 不变的 BCI 控制，2) 30% 保证来自虚构输入的正反馈 3) 50% 保证的负反馈，和 4) 50% 保证的负反馈和 30% 保证的正反馈。在子研究 2 中，中风患者对结果的控制率为 50%，四种情况增加了从 0% 到 50% 的正反馈。在两项子研究中，正反馈提高了参与者的感知控制力并减少了挫败感，并且随着正向虚构输入量的增加，改善程度也随之增加。中风患者对虚构输入的反应不如健康参与者那么强烈。虚构输入可以隐藏在在线和代理 BCI 中，可用于改善基于游戏的交互和简单任务中的感知控制力和挫败感。这表明 BCI 设计师可以发挥艺术自由，创造引人入胜的基于运动意象的叙事游戏交互或更简单的游戏化交互，以促进改进培训工作。
FDA批准的胆管癌靶向治疗的时间表
摘要：对于成功应用脑部计算机界面（BCI）系统，脑电图（EEG）信号的准确认可是核心问题之一。解决各个脑电图信号的差异以及分类和识别中脑电图数据较少的问题，设计了一个基于注意机制的多尺度卷积网络；然后引入转移学习数据对齐算法，以探索转移学习的应用，以分析运动图像EEG信号。使用BCI竞争IV的数据集2A用于验证设计的双通道注意模块迁移与卷积神经网络（MS-AFM）。实验结果表明，分类识别率随着对齐算法的添加和转移学习中的自适应调整而提高。九名受试者的平均分类识别率为86.03％。
利用EEG Beta反弹跟踪模式进行手部运动想象智能分类技术
摘要：要在康复过程中应用基于 EEG 的脑机接口，需要在运动想象 (MI) 期间分离各种任务并将 MI 融入运动执行 (ME)。先前的研究侧重于基于复杂算法对不同的 MI 任务进行分类。在本文中，我们实现了智能、直接、易懂、省时且减少通道的方法来对 ME 与 MI 以及左手与右手 MI 进行分类。记录了 30 名执行运动任务的健康参与者的 EEG，以研究两项分类任务。对于第一项任务，我们首先基于 beta 反弹提出一种“跟进”模式。该方法的平均分类准确率为 59.77% ± 11.95%，对于手指交叉可高达 89.47%。除了时域信息外，我们还使用包括统计、小波系数、平均功率、样本熵和常见空间模式在内的提取方法将 EEG 信号映射到特征空间。为了评估其实用性，我们采用支持向量机作为智能分类器模型，采用稀疏逻辑回归作为特征选择技术，实现了 79.51% 的准确率。第二次分类也采用了类似的方法，准确率达到了 75.22%。我们提出的分类器表现出很高的准确率和智能性。所取得的成果使我们的方法非常适合应用于瘫痪肢体的康复。
通过基于核的 SPD 流形域自适应进行运动想象分类
摘要：背景：记录脑机接口的校准数据是一个费力的过程，对受试者来说是一种不愉快的体验。域自适应是一种有效的技术，它利用来自源的丰富标记数据来弥补目标数据短缺的问题。然而，大多数先前的方法都需要首先提取脑电信号的特征，这会引发 BCI 分类的另一个挑战，因为样本集较少或目标标签较少。方法：在本文中，我们提出了一种新颖的域自适应框架，称为基于核的黎曼流形域自适应 (KMDA)。KMDA 通过分析脑电图 (EEG) 信号的协方差矩阵来绕过繁琐的特征提取过程。协方差矩阵定义了一个对称正定空间 (SPD)，可以用黎曼度量来描述。在 KMDA 中，协方差矩阵在黎曼流形中对齐，然后通过对数欧几里德度量高斯核映射到高维空间，其中子空间学习通过最小化源和目标之间的条件分布距离同时保留目标判别信息来执行。我们还提出了一种将 EEG 试验转换为 2D 帧（E 帧）的方法，以进一步降低协方差描述符的维数。结果：在三个 EEG 数据集上的实验表明，KMDA 在分类准确度方面优于几种最先进的领域自适应方法，BCI 竞赛 IV 数据集 IIa 的平均 Kappa 为 0.56，BCI 竞赛 IV 数据集 IIIa 的平均准确度为 81.56％。此外，使用 E 帧后整体准确度进一步提高了 5.28％。 KMDA 在解决主体依赖性和缩短基于运动想象的脑机接口校准时间方面显示出潜力。
月经周期对运动想象和动作观察过程中脑电图 Alpha 和 Beta 波段的影响
女性性类固醇 (FSS) 会影响运动系统，调节运动皮层兴奋性以及灵活性和协调性任务的表现。然而，目前尚未探索 FSS 是否会影响运动行为的认知成分。Mu 是一种感觉运动节律，在运动想象 (MI) 和动作观察 (AO) 等实践中通过脑电图 (EEG) 在 alpha (8-12 Hz) 和 beta (15-30 Hz) 频带中观察到。这种节律为研究与运动认知有关的神经回路活动提供了一个窗口。在此，我们研究了感觉运动区域 (C3 和 C4，假设驱动方法) 的 alpha-mu 和 beta-mu 功率以及额叶、顶叶和枕叶区域的 alpha 和 beta 功率 (数据驱动方法) 是否在月经周期的月经期、卵泡期和黄体期受到不同的调节。为此，这些女性在三个月经周期的三个阶段接受了 MI 和 AO。比较了月经周期各个阶段皮质区域的 alpha 和 beta 波段的光谱活动，并进行了与雌激素和孕酮水平的相关性分析。对于基于假设的方法，卵泡期 C3 通道中的 beta-mu 事件相关去同步 (ERD) 明显强于月经期和黄体期。对于数据驱动的方法，MI 期间额叶区域的 beta ERD 在卵泡期高于月经期和黄体期。这些发现表明 FSS 对执行运动控制的影响。在 OA 期间研究的皮质区域中未观察到月经周期阶段的影响，但 alpha 和 beta 波段与卵泡期血浆雌二醇水平呈正相关。因此，当雌二醇水平较低时，代表镜像神经元活动的 alpha 和 beta 波段的衰减似乎与皮质活动的抑制有关，从而改善运动动作的认知处理。
利用深度学习的二维时间模式对脑电图运动想象任务进行分类
摘要：本研究旨在利用多视图时空分层深度学习方法，探索使用脑机接口的脑电信号解码人类大脑活动。在本研究中，我们探索了将一维时间脑电信号转换为二维时空脑电图像序列，并探索了在提出的多视图分层深度学习方案中使用二维时空脑电图像序列进行识别。对于这项工作，使用了 PhysioNet 脑电运动/图像数据集。所提出的模型在分层结构中使用 Conv2D 层，其中每个级别都使用前一级别的决策单独做出决策。该方法用于学习数据中的时空模式。与二元分类范式中最先进的脑电运动意象分类模型相比，所提出的模型实现了具有竞争力的性能。对于二元想象左拳与想象右拳分类，我们能够实现 82.79% 的平均验证准确率。在多个测试数据集上达到这种水平的验证准确率证明了所提模型的稳健性。同时，由于使用了多层和多视角方法，模型明显显示出改进。
半监督的生成和歧视性对抗性学习，用于基于运动图像的大脑 - 计算机界面
卷积神经网络（CNN）可以识别具有不同体系结构的数据中的结构/配置模式，以进行特征提取。然而，关于在BCIS中利用先进的深度学习方法的挑战。我们专注于小型培训样本的问题以及学习参数的可解释性，并利用半监督的生成和歧视性学习框架有效地利用具有真实样本的合成样本来发现类歧视性特征。我们的框架了解使用生成模型在嵌入空间中EEG信号的分布特性。通过使用人工生成和真实的脑电图信号，我们的框架会发现类别歧视时空特征表示，这些表示有助于正确区分输入EEG信号。值得注意的是，该框架有助于对真实的，未标记的样本的开发，以更好地发现用户的EEG信号中固有的基本模式。为了验证我们的框架，我们通过利用三个现有CNN架构的变体作为生成器网络进行了比较我们的方法与常规线性模型进行比较的实验，并在三个公共数据集上测量了性能。我们的框架在统计学上对竞争方法表现出显着的改进。我们通过激活模式图研究了学习的网络，并可视化的产生的人工样本以经验证明我们模型的稳定性和神经生理学合理性是合理的。
从卫星图像中自动提取建筑物...
摘要 - 本文重点介绍一种从卫星图像中快速提取建筑物边界的自动算法，并对双边滤波器 (BF) 和自适应双边滤波器 (ABF) 进行了实验比较。研究和实验结果证明，ABF 的结果比 BF 的结果好得多。ABF 产生的结果比 BF 更有希望。旧的和传统的建筑物边界提取模型非常复杂且耗时。所提出的建筑物边界提取程序包括三个主要阶段：（1）使用自适应双边滤波器进行边缘保留和平滑，（2）使用 ED Line 算法检测线段，（3）使用感知分组技术识别多边形建筑物边界。我们提出的算法在 HR（高分辨率）Quick Bird 卫星图像上进行了测试，获得的结果很有希望并且几乎是实时的。因此，实验结果足够有用，总体准确率为 88.24%，这对于进一步了解建筑物边界的图像以及在实时环境中识别目标来说足够准确，并且有助于解决早期识别未经授权和非法建筑物的问题。关键词：Quick Bird 卫星图像、自适应双边滤波器（ABF）、双边滤波器、高分辨率卫星图像、直方图均衡化、ED 线检测器算法、建筑物边界提取。