XiaoMi-AI文件搜索系统
World File Search SystemOscillation
使用时频图和计算机视觉进行高频振荡的无监督检测
大于 80 Hz 的高频振荡 (HFO) 具有独特的特征，可将其与时频表示中可以充分证明的尖峰和伪影成分区分开来。我们引入了一种无监督的 HFO 检测器，它使用计算机视觉算法在二维 (2D) 时频图上检测 HFO 标志。为了验证检测器，我们引入了一个基于具有高斯包络的正弦波的 HFO 分析模型，可以推导出时频空间中的解析方程，这使我们能够在时域中常见的 HFO 检测标准与计算机视觉检测算法使用的频域标准之间建立直接对应关系。检测器在时频表示上识别潜在的 HFO 事件，如果满足有关 HFO 频率、振幅和持续时间的标准，则将其归类为真正的 HFO。根据分析模型，在存在噪声的情况下，对检测器进行了模拟 HFO 的验证，信噪比 (SNR) 范围从 -9 到 0 dB。检测器的灵敏度在 SNR 为 -9 dB 时为 0.64，在 -6 dB 时为 0.98，在 -3 dB 和 0 dB 时 > 0.99，而其阳性预测值均 > 0.95，无论 SNR 如何。使用相同的模拟数据集，我们的检测器与四个之前发布的 HFO 检测器进行了对比。F 度量是一种同时考虑灵敏度和阳性预测值的组合指标，用于比较检测算法。我们的检测器在 -6、-3 和 0 dB 时超越其他检测器，在 -9 dB SNR 时拥有仅次于 MNI 检测器的第二好 F 分数（0.77 对 0.83）。研究人员在 6 名患者的一组 36 个颅内脑电图 (EEG) 通道上测试了在临床记录中检测 HFO 的能力，其中 89% 的检测结果由两名独立审阅者验证。结果表明，基于时频图中的 2D 特征对 HFO 进行无监督检测是可行的，并且其性能与最常用的 HFO 检测器相当或更好。
是什么驱动了北大西洋涛动的温度异常模式？第一部分：地表气温异常的增长和衰减
综合分析用于研究驱动与北大西洋涛动 (NAO) 相关的地表气温异常模式增长和衰减的物理过程。利用欧洲中期天气预报中心在其再分析模型中实施的热力学能量方程，我们表明异常风对气候温度场的平流驱动了两个 NAO 阶段的地表气温异常模式。非绝热过程与这种温度平流强烈相反，最终导致地表气温异常恢复到其气候值。具体而言，在格陵兰岛、欧洲和美国，长波加热/冷却与水平温度平流相反，而在北非，垂直混合与水平温度平流相反。尽管表皮温度和地表气温异常模式之间存在明显的空间对应关系，但发现驱动与 NAO 相关的这两个温度异常的物理过程是不同的。表层温度异常模式由向下的长波辐射驱动，而如上所述，地表空气温度异常模式由水平温度平流驱动。这意味着，尽管地表能量预算是了解表层温度变化的有用诊断工具，但不应将其用于了解地表空气温度变化。
研究大脑振荡动力学中认知处理的深度
简介：人机交互 (HCI) 可能受益于访问有关用户状态的隐性信息，因为它允许流畅地适应当前情况。作为这项工作的一部分，我们研究了通过利用大脑活动的相应成分来量化大脑对呈现的信息的处理深度的可行性。认知过程产生的神经成分已在事件相关电位 [1] 中考虑过，这里在频谱域中进行研究。长期目标是从正在进行的脑电图 (EEG) 中估计认知处理的瞬时水平，并动态调整相应的 BCI 应用。适用范围从人机交互（如信息搜索）到工业工作场所（例如操作员监控）。