XiaoMi-AI文件搜索系统
World File Search SystemLaplacian
EEG-GAT：用于脑电图 (EEG) 信号分类的图形注意力网络 /作者=Demir, Andac；Koike-Akino, Toshiaki；Wang, Ye；Erdogmus, Deniz /创建日期=2022 年 9 月 17 日 /主题=人工智能、机器学习、机器人技术、信号处理
摘要 图神经网络 (GNN) 是深度学习社区中一个新兴的框架。在大多数 GNN 应用中，数据样本的图拓扑结构在数据集中提供。具体而言，图移位算子 (GSO) 是先验已知的，它可以是邻接、图拉普拉斯或它们的规范化。然而，我们通常不了解现实世界数据集背后的真实图拓扑结构。其中一个例子是从生理脑电图 (EEG) 中提取主体不变特征来预测认知任务。以前的方法使用电极位点来表示图中的节点并以各种方式连接它们来手工设计 GSO，例如，i) 每对电极位点连接以形成完整图，ii) 特定数量的电极位点连接以形成 k 最近邻图，iii) 仅当欧几里得距离在启发式阈值内时，每对电极位点才连接。在本文中，我们通过使用多头注意机制对 GSO 进行参数化来克服这一限制，以探索不同电极位置之间在认知任务下的功能性神经连接，同时结合图卷积核的参数学习无监督图拓扑结构
电磁场（3-0-0）讲义...
电磁场（3-0-0）先决条件：1。Mathematics-I 2。数学课程结局在课程结束时，学生将展示能力1。了解电磁的基本定律。2。在静态条件下获得简单配置的电场和磁场。3。分析时间变化的电场和磁场。4。以不同形式和不同的媒体了解麦克斯韦方程。5。了解EM波的传播。模块1：（08小时）坐标系统与转换：笛卡尔坐标，圆形圆柱坐标，球形坐标。向量计算：差分长度，面积和体积，线，表面和体积积分，DEL操作员，标量的梯度，矢量和散射定理的差异，矢量和Stoke定理的卷曲，标量的Laplacian。模块2：（10小时）静电场：库仑定律，电场强度，电场，线，线，表面和体积电荷引起电流的边界条件。静电边界值问题：泊松和拉普拉斯方程，独特定理，求解泊松和拉普拉斯方程的一般程序，电容。Maxwell方程，用于静态场，磁标量和向量电势。模块3：（06小时）Magneto静态场：磁场强度，生物 - 萨瓦特定律，Ampere的电路Law-Maxwell方程，Ampere定律的应用，磁通量密度 - 最大的方程。磁边界条件。模块4：（10小时）电磁场和波传播：法拉第定律，变压器和运动电磁力，位移电流，麦克斯韦方程，最终形式，时谐波场。电磁波传播：有损耗的电介质中的波传播，损耗中的平面波较少介电，自由空间，良好的导体功率和poynting矢量。教科书：
电磁场（3-0-0）讲义...
电磁场（3-0-0）UPCEE303先决条件：1。Mathematics-I 2。数学课程结局在课程结束时，学生将展示能力1。了解电磁的基本定律。2。在静态条件下获得简单配置的电场和磁场。3。分析时间变化的电场和磁场。4。以不同形式和不同的媒体了解麦克斯韦方程。5。了解EM波的传播。模块1：（08小时）坐标系统与转换：笛卡尔坐标，圆形圆柱坐标，球形坐标。向量计算：差分长度，面积和体积，线，表面和体积积分，DEL操作员，标量的梯度，矢量和散射定理的差异，矢量和Stoke定理的卷曲，标量的Laplacian。模块2：（10小时）静电场：库仑定律，电场强度，电场，线，线，表面和体积电荷引起电流的边界条件。静电边界值问题：泊松和拉普拉斯方程，独特定理，求解泊松和拉普拉斯方程的一般程序，电容。磁边界条件。教科书：模块3：（06小时）Magneto静态场：磁场强度，生物 - 萨瓦特定律，Ampere的电路Law-Maxwell方程，Ampere定律的应用，磁通量密度 - 最大的方程。Maxwell方程，用于静态场，磁标量和向量电势。模块4：（10小时）电磁场和波传播：法拉第定律，变压器和运动电磁力，位移电流，麦克斯韦方程，最终形式，时谐波场。电磁波传播：有损耗的电介质中的波传播，损耗中的平面波较少介电，自由空间，良好的导体功率和poynting矢量。
通过平滑学习图上的图形信号处理进行基于 EEG 的运动想象解码
摘要 — 目的：本文提出了一种基于图信号处理 (GSP) 的方法，通过获取任务特定的判别特征来解码两类运动想象脑电图数据。方法：首先，使用图学习 (GL) 方法从脑电图信号中学习特定于受试者的图。其次，通过对每个受试者图的归一化拉普拉斯矩阵进行对角化，获得正交基，使用该基计算脑电图信号的图傅里叶变换 (GFT)。第三，将 GFT 系数映射到判别子空间，以使用由 Fukunaga-Koontz 变换 (FKT) 获得的投影矩阵区分两类数据。最后，对 SVM 分类器进行训练和测试，以根据所得特征的方差来区分运动想象类别。结果：在 BCI 竞赛 III 的数据集 IVa 上评估所提出的方法，并将其性能与 i) 使用由皮尔逊相关系数构建的图上提取的特征和 ii) 三种最先进的替代方法进行比较。结论：实验结果表明，所提出的方法优于其他方法，反映了整合 GL、GSP 和 FKT 元素的额外优势。意义：所提出的方法和结果强调了整合 EEG 信号的空间和时间特征在提取能够更有力地区分运动想象类别的特征方面的重要性。
Jishen Zhao -UCSD CSE
图1。我们引入了一个时空优化器，该优化器概括了亚当和拉普拉斯平滑（大步骤）。除了时间过滤（如Adam）外，它还将各向异性交叉双侧过滤器应用于跨空间的梯度。我们的跨双边滤波器可以减少梯度噪声，并通过在先前施加分段平滑度来改善各向异性目标的条件。我们的方法可以使（a）纹理，（b）体积和（c）在非常低的样品计数下的纹理和（c）网格的更快收敛和更高质量的逆渲染；所有实验仅使用每个像素的1个样品进行梯度估计。（a）对于100次迭代后粗糙度纹理恢复，我们的方法融合了，而其他方法则具有伪像。（b）用于体积密度和反照率恢复仅50次迭代，我们的方法已经可以恢复粗糙的形状和颜色。更高的样本计数进一步优化可恢复详细信息。（c）对于网格恢复，我们的方法能够比竞争方法更快地恢复尖锐的功能（顶行，立方体）和薄结构（底行，龙）。在窗户上改编的场景©Bernhard Vogl，Autumn Field©Jarod guest and Sergej Majboroda，高分辨率烟雾羽流©Jangafx，Kloppenheim 06©Greg Zaal和Asian Dragon和Asian Dragon©Stanford Computer Graphics Labrications。
使用现场声学传感和小波图信号分析进行基于线的定向能量沉积过程中的监测和缺陷检测
本研究的目的是利用现场传感器数据检测基于焊丝的定向能量沉积 (W-DED) 过程中的缺陷形成。本研究研究的 W-DED 类似于金属惰性气体电弧焊。W-DED 在工业上的应用受到限制，因为该过程易受随机和环境干扰的影响，这些干扰会导致电弧不稳定，最终导致缺陷形成，如孔隙度和不理想的几何完整性。此外，由于 W-DED 部件尺寸较大，很难使用 X 射线计算机断层扫描等非破坏性技术在处理后检测缺陷。因此，本研究的目标是使用从安装在电弧附近的声学传感器获取的数据来检测 W-DED 部件中的缺陷形成。为了实现这一目标，我们开发并应用了一种新颖的小波集成图论方法。该方法从受噪声污染的声学传感器数据中提取一个称为图拉普拉斯菲德勒数的单一特征，随后在统计控制图中跟踪该特征。使用这种方法，可以检测到各种类型缺陷的发生，误报率低于 2%。这项工作展示了使用高级数据分析进行 W-DED 现场监测的潜力。2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可证开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
基于连接组学的哺乳动物分类
摘要 哺乳动物的分类通常由形态特征和遗传学来定义。物种在神经回路方面有何差异以及物种间神经回路组织的差异是否符合这些分类法尚不清楚。比较神经结构的主要障碍是网络重建技术的差异，从而产生了无法直接相互比较的物种特异性连接组。在这里，我们使用一种通用的重建协议全面绘制了哺乳动物系统发育谱中的连接组组织。我们分析了哺乳动物 MRI（MaMI）数据集，该数据库包含使用统一的 MRI 协议收集的 12 个分类目和 5 个超目的 124 个物种的高分辨率离体结构和扩散 MRI 扫描。我们使用两种方法评估物种间连接组的相似性：拉普拉斯特征谱的相似性和多尺度拓扑特征的相似性。我们发现同一分类顺序内的物种之间存在更大的种间相似性，这表明连接组组织反映了由形态学和遗传学定义的既定分类关系。虽然所有连接组都保留了标志性的全局特征和连接类别的相对比例，但物种间变异是由局部区域连接配置文件驱动的。通过将连接组编码到一个共同的参考框架中，这些发现为研究神经回路在系统发育过程中如何变化奠定了基础，建立了从基因到回路再到行为的联系。
生物医学信号处理与控制 - MIP：实验室
脑电图 (EEG) 数据包含复杂的时空结构，可反映大脑活动的持续组织。空间模式表征是众多 EEG 处理流程中不可或缺的步骤。我们提出了一种将 EEG 数据转换为频谱表示的新方法。首先，我们从每个受试者的 EEG 数据中学习特定于受试者的图。其次，通过对每个受试者图的归一化拉普拉斯矩阵进行特征分解，获得正交基，使用该基可以分解受试者的任何给定 EEG 图，从而提供数据的频谱表示。我们表明 EEG 图的能量与学习基的低频分量密切相关，反映了 EEG 图的平滑地形。作为这种 EEG 数据替代视图的概念验证，我们考虑解码两类运动想象 (MI) 数据的任务。为此，首先将频谱表示映射到判别子空间中，以使用由福永-孔茨变换 (FKT) 获得的投影矩阵来区分两类数据。然后对 SVM 分类器进行训练和测试，以根据得到的特征区分 MI 类别。该方法针对从特定于受试者的功能连接矩阵中提取的特征以及 BCI 竞赛 III 的数据集 IVa 上的四种替代 MI 解码方法进行了基准测试。实验结果表明，所提出的方法在区分 MI 类别方面优于其他方法，反映了 (i) 使用数据驱动的、特定于受试者的谐波基分解 EEG 数据，以及 (ii) 考虑类别特定于频谱曲线的时间变化的额外好处。
基于脑电信号的深度神经网络——...
摘要：背景。对于运动受限或没有运动能力的患者，需要使用脑电图 (EEG) 信号进行心理任务识别。可以应用与受试者无关的心理任务分类框架来识别没有可用训练统计数据的受试者的心理任务。深度学习框架在研究人员中很受欢迎，用于分析空间和时间序列数据，使其非常适合对 EEG 信号进行分类。方法。在本文中，提出了一种深度神经网络模型，用于从 EEG 信号数据中对想象任务进行心理任务分类。通过应用拉普拉斯表面对从受试者获取的原始 EEG 信号进行空间滤波后，获得 EEG 信号的预计算特征。为了处理高维数据，进行了主成分分析 (PCA)，这有助于从输入向量中提取最具鉴别力的特征。结果。提出的模型是非侵入性的，旨在从从特定受试者获取的 EEG 数据中提取心理任务特定特征。训练是在除一名受试者之外的所有受试者的平均组合功率谱密度 (PSD) 值上进行的。使用基准数据集评估了基于深度神经网络 (DNN) 的所提模型的性能。我们实现了 77.62% 的准确率。结论。性能和与相关现有工作的比较分析验证了所提出的跨受试者分类框架在根据 EEG 信号执行准确的心理任务方面优于最先进的算法。
通过脑电图检测微睡眠状态
摘要 微睡眠是指意识短暂丧失，完全停止工作。它们是许多需要持续注意力的交通领域（尤其是驾驶）发生致命事故的原因。使用无线 EEG 电极的微睡眠警告装置可用于将用户从即将发生的微睡眠中唤醒。高维数据集（尤其是在基于 EEG 的分类中）带来了挑战，因为通常存在大量潜在有用的特征来检测感兴趣的现象。因此，在训练分类器之前降低原始数据的维度通常很重要。在本研究中，将线性降维方法——主成分分析 (PCA) 和概率 PCA (PPCA)——与八种非线性降维方法（核 PCA、经典多维缩放、等距映射、最近邻估计、随机邻域嵌入、自动编码器、随机邻近嵌入和拉普拉斯特征图）进行了比较，这些数据来自八名健康、未睡眠不足的志愿者，他们执行了 1 小时的 1D 视觉运动跟踪任务。通过目视检查 3D 散点图上的类别分离、可信度得分以及基于堆叠泛化的线性判别分析 (LDA) 系统上的微睡眠检测性能来评估特征减少算法的有效性，该系统基于减少的特征估计 1 Hz 下的微睡眠/响应状态。在可信度方面，PPCA 优于 PCA，但 PCA 优于所有非线性技术。每种特征减少方法的可信度得分也与微睡眠状态检测性能密切相关，有力地验证了可信度在预测性能方面估计特征减少方法的相对有效性的能力，以及独立于黄金标准的能力。