XiaoMi-AI文件搜索系统
World File Search SystemSNR
针对短期子THZ无线链接的Los Mimo的研究
Carrier Frequency 240 GHz Distance 1 m Bandwidth 5 GHz 15 GHz 25 GHz 35 GHz Transmit Power 5 dBm TX/RX Antenna Gain 7 dBi TX/RX Lens Gain 14 dB Path Loss -80 dB Implementation Loss -8 dB Received Level -41 dBm Thermal Noise -77 dBm -72.2 dBm -70 dBm -68.5 dBm Noise Figure 15 dB RX SNR 21 DB 16.2 DB 14 DB 12.5 DB调制64-QAM 16-QAM 16-QAM 8-PSK SNR @ ber
单光子激光元的分辨率限制-CVF Open Access
单光子光检测和范围（LIDAR）系统通常配备一系列检测器，以提高空间分辨率和传感速度。但是，考虑到激光跨场横跨场景产生的固定量磁通量，当更多像素在单位空间中堆积时，每像素信号到噪声（SNR）将减小。这在传感器阵列的空间分辨率与每个像素的SNR之间的空间分辨率之间提出了基本的权衡。探索了这种基本限制的理论表征。通过得出光子竞争统计量并引入一系列新的近似技术，得出了时间延迟的最大样品估计器的平均平方误差（MSE）。理论预测与模拟和实际数据良好。
定向搜索来自……的连续引力波
年轻的孤立中子星及其疑似位置是定向搜索连续引力波 (GWs) 的有希望的目标 [1]。即使没有从脉冲星的电磁观测中获得计时信息，这种搜索也可以以合理的计算成本实现有趣的灵敏度 [2]。包含候选非脉冲中子星的年轻超新星遗迹 (SNR) 是此类搜索的自然目标，即使在没有候选中子星的情况下，小型 SNR 或脉冲星风星云也是如此（只要 SNR 不是 Ia 型，即不会留下致密物体）。过去十年，已经发表了许多关于孤立、定位良好的中子星（除已知脉冲星外）的连续引力波的上限。它们使用的数据范围从初始 LIGO 运行到高级 LIGO 的第一次观测运行（O1）和第二次观测运行（O2）。大多数搜索都针对相对年轻的 SNR [3-11]。一些搜索瞄准了银河系中心等有希望的小区域 [4, 8, 11–13]。一项搜索瞄准了附近的球状星团，那里的多体相互作用可能会有效地使一颗老中子星恢复活力，从而产生连续的引力波 [14]。一些搜索使用了较短的相干时间和最初为随机引力波背景开发的快速、计算成本低的方法 [4, 8, 11]。大多数搜索速度较慢但灵敏度更高，使用较长的相干时间和基于匹配滤波和类似技术的针对连续波的专用方法。这里我们展示了对 12 个 SNR 的 O2 数据的首次搜索，使用完全相干的 F 统计量，该统计量是在代码流水线中实现的，该流水线源自首次发布的搜索 [3] 等 [5, 9] 中使用的代码流水线。由于 O2 噪声频谱并不比 O1 低很多，我们通过专注于与年轻脉冲星观测到的低频兼容的低频，加深了这些搜索（相对于 O1 搜索 [9]）。这一重点使我们能够增加相干时间，并获得显着的改进
噪声识别中的音乐：人工耳蜗植入者和正常听力对照者的听力努力的脑电图研究
尽管有大量研究调查聆听努力程度以及有关人工耳蜗 (CI) 用户音乐感知的研究，但是从未有人研究过背景噪音对音乐处理的影响。鉴于聆听努力程度评估的典型噪声中语音识别任务，本研究的目的是调查在不同背景噪音水平的音乐作品上进行情绪分类任务时的聆听努力程度。除了参与者的评分和表现之外，还使用已知与这种现象有关的 EEG 特征来调查聆听努力程度，即顶叶区域和左侧下额叶 (IFG)（包括布罗卡区）的 alpha 活动。结果表明，CI 用户在识别刺激的情绪内容方面的表现差于听力正常 (NH) 对照组。此外，当考虑对应于听信噪比 (SNR) 5 和 SNR10 条件的 alpha 活动时，减去听安静条件下的活动（理想情况下，去除音乐的情感内容并隔离由于 SNR 而导致的难度级别），CI 用户报告的顶叶 alpha 和右半球左 IFG 同源体（F8 EEG 通道）的活动水平高于 NH。最后，提出了 F8 对与 SNR 相关的音乐聆听努力具有特殊敏感性的新建议。
IM69D128SV01 - 英飞凌科技
描述 了解 IM69D128S – 一款超低功耗数字 XENSIV ™ MEMS 麦克风，专为需要高 SNR（低自噪声）、长电池寿命和小封装环境稳健性的应用而设计。69dB(A) 的出色信噪比 (SNR) 可实现清晰的音频体验，而不会影响电池寿命。采用革命性数字麦克风 ASIC，IM69D128S 通过将电流消耗降低至 520µA 树立了新标杆 – 几乎是市场上具有类似性能的型号的一半。此外，IM69D128S 掌握了在不同功率和性能配置文件之间切换的技巧，而不会产生任何可听见的伪影。IM69D128S 基于英飞凌的密封双膜 MEMS 技术，可在麦克风级别提供高侵入防护 (IP57)。
IM72D128V01 - 英飞凌科技
IM72D128V01 是一款超高性能数字 PDM MEMS 麦克风，专为需要极高 SNR（低自噪声）和低失真（高 AOP）的应用而设计，并且还具有 IP57 防尘防水等级。一流的 72dB(A) 信噪比 (SNR) 可实现远场和低音量音频拾取。平坦的频率响应（20Hz 低频滚降）和严格的制造公差提高了多麦克风（阵列）应用的性能。数字麦克风 ASIC 包含一个极低噪声的前置放大器和一个高性能 sigma-delta ADC。可以选择不同的电源模式以适应特定的时钟频率和电流消耗要求。每个 IM72D128V01 麦克风都采用先进的英飞凌校准算法进行校准，从而实现低灵敏度公差（± 1dB）。
EEG阶段可以在考虑到功率和信噪比之后的认知状态相似的准确性
EEG阶段越来越多地用于认知神经科学，大脑 - 计算机接口和闭环刺激设备。 但是，尚不清楚脑脑图在认知状态之间的准确性预测是多么准确。 我们终止了在11个公共数据集中的484名参与者中的parieto枕α波的EEG阶段预测准确性。 我们能够在各种认知条件和数据集中准确跟踪脑电图相位，尤其是在高瞬时α功率和信噪比（SNR）的时期。 尽管静止状态的精度通常高于任务状态，但绝对精度的差异很小，其中大多数差异归因于EEG功率和SNR。 这些结果表明，使用脑电图阶段的实验和技术应更多地集中于最大程度地减少外部噪声并等待高功率时期，而不是诱导特定的认知状态。EEG阶段越来越多地用于认知神经科学，大脑 - 计算机接口和闭环刺激设备。但是，尚不清楚脑脑图在认知状态之间的准确性预测是多么准确。我们终止了在11个公共数据集中的484名参与者中的parieto枕α波的EEG阶段预测准确性。我们能够在各种认知条件和数据集中准确跟踪脑电图相位，尤其是在高瞬时α功率和信噪比（SNR）的时期。尽管静止状态的精度通常高于任务状态，但绝对精度的差异很小，其中大多数差异归因于EEG功率和SNR。这些结果表明，使用脑电图阶段的实验和技术应更多地集中于最大程度地减少外部噪声并等待高功率时期，而不是诱导特定的认知状态。
供应商 - 不足的深度学习图像在脑计算机断层扫描中Denoising denoising：多扫描仪研究
Matter-White物质分化（GM-WM），人工制品，清晰度和诊断信心。客观分析包括对噪声，对比度比率（CNR），signal-noise比率（SNR）的评估，后窝的伪影指数。结果进行了主观图像质量评估，与所有读者的所有类别中的FBP相比，与FBP相比，DLD与FBP相比持续出色。客观的图像质量分析显示，使用DLD用于所有扫描仪的噪声，SNR和CNR以及伪影指数的显着改善（p <0.001）。结论供应商深度学习deNoising al-gorithm在亚置以及与FBP重建相比的较小头部创伤的papaptigent的NCCT图像中提供了明显优于较高的结果。在所有五个扫描仪中都产生了这种效果。
基于人工智能的肝脏 MRI 图像质量增强：定量和定性评估
摘要 目的 比较应用和关闭 (NON-DL) 的 AIR Recon Deep Learning™ (ARDL) 算法的肝脏 MRI 与传统高分辨率采集 (NAÏVE) 序列在定量和定性图像分析和扫描时间方面的差异。材料与方法这项前瞻性研究包括 2021 年 9 月至 11 月期间的 50 名连续志愿者（31 名女性，平均年龄 55.5 ± 20 岁）。进行 1.5 T MRI 检查并包括三组图像：使用 ARDL 和 NAÏVE 协议获取的轴向单次激发快速自旋回波 (SSFSE) T2 图像、弥散加权图像 (DWI) 和表观弥散系数 (ADC) 图；还评估了 NON-DL 图像。两名放射科医生一致在肝实质中绘制固定的感兴趣区域以计算信噪比 (SNR) 和对比噪声比 (CNR)。另外两名放射科医生使用五点李克特量表独立评估主观图像质量。记录采集时间。结果 SSFSE T2 客观分析显示 ARDL vs NAÏVE 和 ARDL vs NON-DL 的 SNR 和 CNR 较高（所有 P < 0.013）。对于 DWI，ARDL vs NAÏVE 和 ARDL vs NON-DL 的 SNR 没有差异（所有 P > 0.2517）。ARDL vs NON-DL 的 CNR 较高（P = 0.0170），而 ARDL 和 NAÏVE 之间没有差异（P = 1）。在 ADC 图的 SNR 和 CNR 方面，三种比较均无差异（所有 P > 0.32）。所有序列的定性分析显示 ARDL 的整体图像质量更好，截断伪影更少，清晰度和对比度更高（所有 P < 0.0070），且具有出色的评分者间一致性（k ≥ 0.8143）。 ARDL 序列的采集时间比 NAÏVE 短 (SSFSE T2 = 19.08 ± 2.5 s vs. 24.1 ± 2 s 和 DWI = 207.3 ± 54 s vs. 513.6 ± 98.6 s，所有 P < 0.0001)。结论 ARDL 应用于上腹部与 NAÏVE 协议相比，整体图像质量更好，扫描时间更短。