XiaoMi-AI文件搜索系统
World File Search SystemImagery
使用相干散射增强和融合注意力金字塔从低 SCNR SAR 图像中检测飞机
摘要：近年来，基于深度学习的方法已被应用于合成孔径雷达（SAR）图像的目标检测。然而，由于SAR的成像机制和低信杂噪比（SCNR），利用SAR图像进行飞机检测仍然是一项具有挑战性的任务。针对这一问题，提出了一种基于相干散射增强和融合注意机制的低SCNR SAR图像飞机检测新方法。考虑到人造目标与自然背景之间的散射特性差异，引入相干散射增强技术来增强飞机散射信息并抑制杂波和斑点噪声。这有利于深度神经网络后续提取有关飞机的准确和有判别力的语义信息的能力。此外，开发了一种改进的Faster R-CNN，该网络具有一种融合局部和上下文注意的新型金字塔网络。局部注意通过增强重要对象的可区分特征来自适应地突出显示重要对象，而上下文注意则有助于网络提取图像的不同上下文信息。融合局部注意力和上下文注意力可以保证飞机被尽可能完整地检测到。在TerraSAR-X SAR数据集上进行了广泛的实验以与基准进行比较。实验结果表明，所提出的飞机检测方法在低SCNR下可以达到高达91.7％的平均精度，显示出有效性和优于许多基准。
用于跨受试者运动想象辨别的选择性多源域自适应网络
摘要 — 使用基于脑电图 (EEG) 的脑机接口 (BCI) 来区分运动想象是一项挑战，因为它涉及大量的数据采集阶段，需要用户付出大量的努力。为了解决这个问题，一种方法是使用无监督域自适应，其中使用来自多个受试者的数据构建分类模型，并且仅使用来自目标用户的未标记数据进行模型校准。然而，由于来自运动想象的大脑模式因人而异，因此在使用多个受试者构建分类模型时必须考虑每个受试者的可靠性。因此，在本文中，我们提出了 Selective-MDA，它对每个源受试者执行域自适应，并根据它们的域差异有选择地限制影响。为了评估我们的方法，我们使用两个公共数据集 BCI 竞赛 IV IIa 和自动校准和循环自适应数据集来评估我们的结果。我们通过比较基于差异度量选择不同数量的源域时的判别性能来进一步研究源选择的影响。我们的结果表明，Selective-MDA 不仅将多源域适应性融入跨受试者运动意象辨别，而且还突出了在使用来自多个受试者的数据进行模型训练时源域选择的影响。
基于CLRNet网络模型的运动想象脑电信号解码算法
摘要：基于运动想象的脑电解码是脑机接口技术的重要组成部分，是决定脑机接口整体性能的重要指标。由于运动想象脑电特征分析的复杂性，传统的分类模型严重依赖于信号预处理和特征设计阶段。深度学习中的端到端神经网络已经被应用于运动想象脑电的分类任务处理并显示出良好的效果。本研究采用卷积神经网络（CNN）和长短期记忆网络（LSTM）的组合从脑电信号中获取空间信息和时间相关性，跨层连接的使用减少了网络梯度弥散问题，增强了网络模型整体的稳定性。通过融合CNN、BiLSTM和ResNet（本研究中称为CLRNet）对运动想象脑电进行解码，在BCI Competition IV数据集2a上证明了该网络模型的有效性，融合CNN和BiLSTM的网络模型在四类运动想象模式分类中取得了87.0%的准确率。通过加入ResNet进行跨层连接，增强了网络稳定性，进一步提升了2.0%的分类准确率，达到89.0%的分类准确率。实验结果表明CLRNet在运动想象脑电数据集的解码方面具有良好的性能。本研究为脑机接口技术研究中的运动想象脑电解码提供了更好的解决方案。
基于EEG Microstate分析预测运动图像BCI性能
摘要：电动图像（MI）脑电图（EEG）自然而舒适，并且已成为大脑 - 计算机界面（BCI）领域的研究热点。探索主体间MI-BCI性能变化是MI-BCI应用中的基本问题之一。EEG微晶格可以代表大脑认知功能。在本文中，使用了四个EEG微骨（MS1，MS2，MS3，MS4）进行分析，分析受试者的Mi-BCI性能差异，并计算四个微杆菌特征参数（平均持续时间，每秒出现，时间覆盖率和时间覆盖率和过渡概率）。测量了静息状态EEG Microstate特征参数与受试者的MI-BCI性能之间的相关性。基于MS1的发生的负相关性和MS3平均持续时间的正相关性，提出了静静态微晶格预测指标。28名受试者参加我们的MI实验，以评估我们静止状态的Microstate预测指标的性能。实验结果表明，与频谱熵预测变量相比，我们静止状态的Mi-Crostate预测器的平均面积（AUC）值为0.83，增加了17.9％，表明微骨特征参数可以更好地表明受试者的MI-BCI性能比光谱enterpy enterpropy预测器。此外，在单节水平和平均水平上，Microstate预测指标的AUC高于光谱熵预测变量的AUC。总体而言，我们的静止状态微晶格预测指标可以帮助MI-BCI研究人员更好地选择受试者，节省时间并促进MI-BCI的发展。
一种用于运动想象脑电信号分类的精简深度学习方法
摘要 — 近年来，深度学习 (DL) 方法在基于脑电图 (EEG) 的运动想象 (MI) 脑机接口 (BCI) 系统的开发中越来越受欢迎，旨在提高现有中风康复策略的性能。复杂的深度神经网络结构具有大量神经元和数千个参数需要优化，并且通常需要大量数据来训练网络，并且训练过程可能需要非常长的时间。高训练成本和高模型复杂度不仅对 BCI 系统的性能产生负面影响，而且影响其满足支持患者康复锻炼的实时要求的适用性。为了应对这一挑战，本文提出了一种基于贡献的神经元选择方法。实现了基于卷积神经网络 (CNN) 的运动想象分类框架，并开发和应用了神经元修剪方法。利用 CNN 层捕捉脑电信号的时空特征，然后采用快速递归算法（FRA）对全连接层中的冗余参数进行修剪，从而在不影响 CNN 模型性能的情况下降低其计算成本。实验结果表明，该方法可以实现高达 50% 的模型尺寸缩小和 67.09% 的计算节省。
改善运动图像EEG模型的概括...
摘要 - 运动成像脑图是非线性，非平稳性和高维本质上的。由于其中，跨多个主题的现有分类模型的预测是有限的。为了提高跨多个主题的现有分类模型的性能，本文提出了一种新的预处理方法。引入了一种混合特征选择方法，以选择最佳的通道数，然后选择聚类。聚类有助于通过检测不同受试者之间的类似簇来探索共享的大脑活动模式及其与外部因素的关系。在这项研究中，使用四个不同的分类器来对运动成像脑电图数据进行分类。使用集成技术的拟议方法的精度为99.6％。在逻辑回归中可以看到显着改善。这项研究的结果表明，使用我们提出的方法可以跨多个受试者进行运动成像脑电图的概括。
成瘾的包容性语言，图像和讲故事...
•实施和服务研究以扩展穆德•治疗性开发：新型药物，免疫疗法，神经制作•替代结果：渴望，睡眠，睡眠，严重程度•用于螺柱的治疗学，polysubstance ud，cobrybidities•新型过量治疗，包括刺激性和添加性•dive•dif•/dif >>>>
基于双分支特征Fusion的运动图像与主题无关的脑电图分类
摘要：大脑计算机接口（BCI）系统可帮助电动机功能障碍的人与外部环境相互作用。随着技术的发展，BCI系统已在实践中应用了，但是它们的实用性和可用性仍然受到极大挑战。在使用BCI系统之前，通常需要大量的校准时间，这可以消耗患者的能量并容易导致焦虑。本文提出了一种基于新型的运动辅助方法，该方法基于新型的双支车多尺度自动编码器网络（MSAENET）来解释人脑运动图像的意图，同时引入了中心损失功能，以补偿传统的分类者的缺点，这些分类者仅考虑阶层间差异和忽略内部的内部内部cllass class class类。该方法的有效性在三个数据集上进行了验证，即BCIIV2A，SMR-BCI和OpenBMI，以实现MI-BCI系统的零校准。结果表明，我们提出的网络在所有三个数据集上都显示出良好的结果。在受试者独立的情况下，MSAENET在BCIIV2A和SMR-BCI数据集上的其他四个比较方法优于其他四个比较方法，而在OpenBMI数据集中则获得了F1_SCORE值高达69.34％。我们的方法通过少量参数和短预测时间保持更好的分类精度，该方法实现了MI-BCI系统的零校准。
引用方式：Shi, TW, Chen, K.-J., Ren, L., Cui, W.-H. (2023)。基于运动意象的机械臂抓握控制脑机接口。
本文提出了一种脑机接口（BCI）系统，利用ABB机械臂实现手部和腕部控制。该BCI系统从30个电极采集四类运动想象（MI）任务（手抓握、手伸展、腕部屈曲和腕部伸展）脑电图（EEG）信号。它利用两个具有不同带宽的五阶巴特沃斯带通滤波器（BPF）和归一化方法实现原始MI任务EEG信号的预处理。特征提取的主要挑战是从预处理后的EEG信号中分析MI任务意图。因此，所提出的BCI系统在时域和时频域中提取了十一种特征，并使用互信息方法来降低提取特征的维数。此外，BCI系统应用一个具有30个滤波器的单卷积层卷积神经网络（CNN）来实现MI任务的四级分类。与现有研究相比，该BCI系统的分类准确率提高了约32%-35%，实际机械臂抓取控制实验验证了该BCI系统具有良好的适应性。
一种用于校正地形崎岖的森林地区机载高光谱影像的内核驱动 BRDF 方法
摘要：机载高光谱成像已被证明是一种有效的手段，可以为生物物理变量的检索提供新的见解。然而，从机载高光谱测量中获得的无偏信息的定量估计主要需要校正双向反射分布函数 (BRDF) 所描绘的陆地表面的各向异性散射特性。迄今为止，角度 BRDF 校正方法很少结合观察照明几何和地形信息来全面理解和量化 BRDF 的影响。森林地区尤其如此，因为这些地区通常地形崎岖。本文介绍了一种校正机载高光谱影像在崎岖地形上空森林覆盖区域的 BRDF 效应的方法，在本文的补充中称为崎岖地形-BRDF (RT-BRDF) 校正。根据机载扫描仪和局部地形的特点，为每个像素计算局部视角和照明几何形状，并在崎岖地形的情况下使用这两个变量来调整 Ross-Thick-Maignan 和 Li-Transit-Reciprocal 核。新的 BRDF 模型适用于多线机载高光谱数据的各向异性。本研究中的像素数设置为 35,000，基于分层随机抽样方法，以确保全面覆盖视角和照明角度，并尽量减少 BRDF 模型对所有波段的拟合误差。基于中国林业科学研究院在普洱地区（中国）的 LiDAR、CCD 和高光谱系统 (CAF-LiCHy) 获取的多线机载高光谱数据，将应用 RT-BRDF 校正的结果与当前经验（C、太阳冠层传感器 (SCS) 加 C（SCS + C））和半物理（SCS）地形校正方法的结果进行了比较。定量评估和目视检查均表明，RT-BRDF、C 和 SCS + C 校正方法均可降低地形影响。然而，RT-BRDF 方法似乎更有效地降低多条航线重叠区域反射率的变化，其优势在于可以降低由宽视场 (FOV) 机载扫描仪、崎岖地形和长飞行时间内变化的太阳照射角度组合引起的 BRDF 效应。具体而言，针叶林和阔叶林的变异系数 (CV) 平均下降分别为 3% 和 3.5%。这种改进在近红外 (NIR) 区域（即 > 750 nm）尤为明显。这一发现为大面积机载高光谱勘测开辟了新的应用可能性。