XiaoMi-AI文件搜索系统
World File Search SystemPhysionet
使用改良的Googlenet预测心脏病...
摘要：根据世界卫生组织（WHO）的数据，诊断心脏病是一项伟大的任务，因为心脏病（HD）是全球最普遍的疾病。我们提出了一种基于心脏声音的方法来处理这一困难问题，因为心脏声音（HS）是检测心脏状况的重要组成部分。在建议的策略中使用了特征提取技术和分类器。我们使用GoogleNet卷积神经网络（CNN）结构进行一些修改，以将HS的最关键属性分开，并且根据这些属性，心脏病被分类为患病或未患病的患病。使用Adabelief Optimizer训练该模型，以调整我们修改的GoogLenet架构的参数。使用Physionet 2016的各种数据集对模型进行了培训和验证。通过将Pascal数据集与Physionet 2016数据集集成在一起，提供了其他培训样本。此外，来自各种来源的各种样本使我们的系统能够更准确地了解日常生活中的声音。我们的结果表明，使用Adabelief Optimizer进行修改的Googlenet架构，训练有素的模型分别在Physionet和合并数据集的看不见的HS录音中获得了100％和99.9％的测试精度。通过将我们提出的模型与这些数据集中的官员Physionet网站上列出的得分最高的方法进行比较，结果显示出显着改进。
使用CNN-LSTM技术
心脏病占全球死亡人数的30％。早期干预和心血管异常的检测可以预防这种死亡。当前的研究提出了一种新的方法，该方法将卷积神经网络（CNN）和长期记忆（LSTM）结合在一起，以预测人心脏功能中异常。机器学习模型用于检测来自ECG和PCG信号的异常。这项研究中使用了两个突出的数据集，即Physionet 2016和Physionet 2017，用于培训和测试开发的机器学习模型。经验模式分解已用于预处理心脏声音信号和心电图信号。使用EMD可以将信号分解为其基本振荡组件，称为固有模式函数（IMF）。通过将信号与噪声比值与原始和过滤的PCG信号进行比较，可以评估该方法在降低噪声方面的有效性。特征提取是通过生成DeNO.信号的缩放图完成的。缩放图是通过连续小波变换（CWT）获得的。此后，一种称为CNN-LSTM的混合深度学习技术用于分类和训练模型。所提出的模型在分类和检测人心脏功能异常方面的精度为86％。
使用 3D-... 进行时间-频率-相位特征分类
近年来，卷积神经网络（CNN）被广泛应用于基于脑电图（EEG）信号的脑机接口（BCI）。由于EEG信号模式的个体特异性和EEG特征的多维性，需要采用适当的特征表示方法来提高EEG的解码精度。在本研究中，我们提出了一种表示EEG时间、频率和相位特征的方法，旨在保留EEG信号的多域信息。具体来说，我们使用滑动窗口策略生成EEG时间段。然后，从不同的时间段提取时间、频率和相位特征并堆叠成3D特征图，即时间-频率-相位特征（TFPF）。此外，我们设计了一个紧凑的3D-CNN模型来有效地提取这些多域特征。考虑到EEG数据的个体间差异，我们对每个受试者进行了单独测试。所提出的模型在 PhysioNet 数据集上分别对 2 类、3 类和 4 类运动想象 (MI) 分类任务实现了 89.86%、78.85% 和 63.55% 的平均准确率。在 GigaDB 数据集上，2 类 MI 分类的平均准确率为 91.91%。对于 MI 和真实运动 (ME) 任务之间的比较，在 PhysioNet 和 GigaDB 数据集上 2 类的平均准确率分别为 87.66% 和 80.13%。总体而言，本文提出的方法在 MI/ME 任务中取得了良好的效果，在基于 MI/ME 的 BCI 系统开发中具有良好的应用前景。
基于 P 波、HRV 和 QR 电交替特征的阵发性心房颤动检测方法
阵发性心房颤动 (PAF) 的检测是一个相当复杂的过程，由心脏病专家或电生理学家通过读取心电图 (ECG) 手动执行。目前，已经提出了基于快速傅里叶变换 (FFT)、贝叶斯最优分类器 (BOC)、K 最近邻 (K-NN) 和人工神经网络 (ANN) 的自动检测计算技术。在本研究中，基于 P 波、QRS 复合波和心电图心率变异性 (HRV) 的形态获得了六个特征。使用来自 Physionet 心律失常数据库 MIT-BIH 的临床心电图信号验证了该方法的性能。前馈神经网络用于检测 PAF 的存在，总体准确率达到 97.4%。结果表明，与仅使用其中一个或最多两个信息的其他研究相比，加入 P 波、HRV 和 QR 电交替的信息可以提高识别 PAF 事件的准确性。
脑机接口中用于脑电图运动意象解码的模型无关元学习
摘要 — 我们在此介绍了用于训练 EEG BCI 解码器的元学习理念。元学习是一种训练机器学习系统使其学会学习的方法。我们将元学习应用于简单的深度学习 BCI 架构，并将其与同一架构上的迁移学习进行比较。我们的元学习策略通过寻找 BCI 解码器的最佳参数来运行，以便它可以在不同用户和记录会话之间快速推广 - 从而也可以快速推广到新用户或新会话。我们在 Physionet EEG 运动意象数据集上测试了我们的算法。我们的方法将运动意象分类准确率提高了 60% 到 80%，在小数据条件下优于其他算法。我们相信，建立元学习或学习学习方法将有助于神经工程和人机交互应对快速设置神经信号解码器的挑战，使其更适合日常生活。
多模式深度学习方法是预测心脏骤停后昏迷的神经系统恢复
这项工作展示了我们团队（蜜蜂）与2023年乔治·B·穆迪（George B.目的是使用临床数据和时间序列（例如多通道EEG和ECG信号）预测心脏骤停后昏迷的神经系统恢复。我们的建模方法是多模式的，基于从Nuberous EEG通道得出的两维光谱图表示，以及临床数据的整合和直接从EEG记录中提取的特征。我们提交的模型的挑战分数为0。53在预测的隐藏测试集中，自发循环返回时，进行了72小时，并排名第14。我们的研究显示了在医学分类中采用转移学习的功效和局限性。在预期实施方面，我们的分析表明，该模型的性能与决策阈值的选择密切相关，并在数据拆分之间表现出很大的可变性。
使用深度卷积模型进行数据描述颅内出血分割
摘要：创伤性脑损伤可能导致颅内出血 (ICH)。如果不能及时准确诊断和治疗，ICH 可能导致残疾或死亡。目前诊断 ICH 的临床方案是放射科医生检查计算机断层扫描 (CT) 扫描以检测 ICH 并定位其区域。然而，这个过程在很大程度上依赖于有经验的放射科医生。在本文中，我们设计了一个研究方案来收集 82 个创伤性脑损伤患者的 CT 扫描数据集。接下来，由两位放射科医生协商一致决定在每个切片中手动划定 ICH 区域。该数据集在 PhysioNet 存储库中公开在线，以供将来分析和比较。除了发布数据集（这是本文的主要目的）之外，我们还实施了一个深度全卷积网络 (FCN)，称为 U-Net，以全自动方式从 CT 扫描中分割 ICH 区域。作为概念验证，该方法基于 5 倍交叉验证的 ICH 分割实现了 0.31 的 Dice 系数。
![arXiv:2004.12321v5 [cs.LG] 2021 年 1 月 25 日](/simg/3\3c3aa24d275a37f236e462e1c5598008c6fd566a.webp)
arXiv:2004.12321v5 [cs.LG] 2021 年 1 月 25 日
摘要 — 由于缺乏大型数据集，深度学习 (DL) 方法在脑机接口 (BCI) 领域用于脑电图 (EEG) 记录分类的成功受到限制。与 EEG 信号相关的隐私问题限制了通过聚合多个小型数据集来联合训练机器学习模型来构建大型 EEG-BCI 数据集的可能性。因此，在本文中，我们提出了一种基于联邦学习框架的用于 EEG 分类的新型隐私保护 DL 架构，称为联邦迁移学习 (FTL)。利用单次试验协方差矩阵，该架构在域自适应技术的帮助下从多受试者 EEG 数据中提取共同的判别信息。我们在 PhysioNet 数据集上评估了所提出的架构对 2 类运动意象分类的性能。在避免实际数据共享的同时，我们的 FTL 方法在受试者自适应分析中实现了 2% 的更高分类准确率。此外，在缺乏多主题数据的情况下，与其他最先进的 DL 架构相比，我们的架构提供了 6% 更好的准确率。
1 机器人工程系，2 生物医学工程系，3 心理学系，4 卡鲁尼亚理工学院
1 机器人工程系，2 生物医学工程系，3 心理学系，4 印度泰米尔纳德邦哥印拜陀卡伦亚理工学院，5 加拿大卡尔加里大学。doi:10.15199/48.2024.09.27 使用提升小波变换进行基于熵的特征提取以对 EEG 信号进行分类摘要。在脑机接口 (BCI) 领域，一个关键的障碍在于有效地对运动想象 (MI) 信号进行分类。已经开发了许多基于脑电图 (EEG) 信号的 MI 分类技术。所提出的系统通过提升小波变换 (LWT) 将 EEG 信号转换为各种表示。长短期记忆 (LSTM) 用于对每行中提取的特征向量进行分类。在 PhysioNet 数据库上评估了该方法的性能，特别是用于区分右手和左手想象移动。该策略使得 LWT 的 72 个小波族中的 19 个的准确率达到 100%。这种组合被证明是基于 BCI 的脑电图分析的高效工具，展示了其作为该领域资源丰富的解决方案的潜力。压力。 W obszarze interfejsu mózg-komputer (BCI) kluczową przeszkodą jest skuteczna klasyfikacja sygnałów obrazowania motorycznego (MI). Opracowano liczne techniki klasyfikacji MI na podstawie sygnału elektroencefalogramu (EEG)。 Proponowany 系统支持脑电图 (EEG) 和提升小波变换 (LWT) 的变换。 Pamięć długoterminowa 长短期记忆 (LSTM) 是一个简单的学习方法，可以帮助您快速记忆。 Wydajność tej 方法是在 PhysioNet 和 bazie danych PhysioNet 中开玩笑的大洋洲，并在 celu rozróżnienia ruchu obrazowania prawej 和 lewej ręki 中使用。策略 ta zapewnia 100% dokładność w 19 z 72 rodzin falek LWT。该组合包括脑电图分析和 BCI 分析，可提供潜在的潜力。 ( Ekstrakcja cech oparta na entropii do klasyfikacji sygnału EEG przy użyciu transacji falkowej Lifting Wavelet ) 关键词：脑机接口、EEG、提升小波变换、LSTM。功能：计算机交互、脑电图、提升小波变换、LSTM。简介 运动想象 (MI) 代表了实现脑机接口 (BCI) 的一种方法。通常，它使用脑电图 (EEG) 来捕捉大脑活动，这是一种非侵入式且易于应用的方法。建议利用支持向量机 (SVM) 来生成非线性决策边界。此外，还定义了特定的核函数来处理数据集缺乏线性可分性的情况 [1]。研究人员在各种应用中对基于运动想象的脑机接口 EEG 信号分类进行了大量研究 [2-7]。在 BCI 的背景下，公共空间模式 (CSP) 是经常使用的特征之一。Selim 等人 [8] 提出了一种结合吸引子元基因算法和 Bat 优化算法的混合方法。这种混合方法用于选择 CSP 的最优特征并同时增强 SVM 的参数。其他研究则探索了使用 CSP 滤波器来推导新的时间序列。作者 [9] 采用了带通滤波器 (BPF) 和独立成分分析 (ICA) 等预处理技术来消除噪音。在区分左拳和右拳动作时，显式和隐式 MI 方法的准确率分别达到了 81±8% 和 83±3%。此外，各种研究还提出了结合不同方法以提高整体性能。在 [10] 中，设计了一种用于二元类 MI 分类的融合程序。它采用互相关技术提取特征，并利用最小二乘 SVM (LS-SVM) 进行分类。通过 10CV 方法进行性能评估，并将结果与八种替代方法进行比较，结果显示显著提高了 7.4%。提取特征和执行分类的另一种重要方法是使用卷积神经网络 (CNN) [11]。通过将 LSTM 网络与空间 CNN 集成，可以增强 BCI 的性能。随后，获得一个特征向量获得了一个特征向量获得了一个特征向量
决策分析杂志
运动伪影会降低脑电图 (EEG) 信号中的信息质量。在本研究中，我们开发了一种有效的方法，通过使用经验小波变换 (EWT) 技术来减轻 EEG 信号中的运动伪影。首先，我们将 EEG 信号分解为称为固有模式函数 (IMF) 的窄带信号。这些 IMF 经过进一步处理以抑制伪影。在我们的第一种方法中，采用主成分分析 (PCA) 来抑制这些分解后的 IMF 中的噪声。在第二种方法中，使用方差测量识别具有噪声成分的 IMF，然后将其去除以获得伪影抑制的 EEG 信号。我们的实验是在公开的 Physionet EEG 信号数据集上进行的，以证明我们的方法在抑制运动伪影方面的有效性。更重要的是，基于 IMF 方差的方法比基于 EWT-PCA 的方法提供了更好的性能。此外，基于 IMF 方差的方法在计算上比基于 EWT-PCA 的方法更有效。我们提出的基于 IMF 方差的方法实现了 28.26 dB 的平均信噪比 (𝛥 SNR)，并且超越了现有的运动伪影去除方法。