XiaoMi-AI文件搜索系统
World File Search SystemSignals
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。
用于机器人辅助手术工作量预测的多模态生理信号
在机器人辅助手术期间监测外科医生的工作量可以指导任务需求的分配、调整系统界面和评估机器人系统的可用性。当前测量认知负荷的做法主要依赖于主观且会扰乱手术工作流程的问卷。为了解决这一限制，展示了一个计算框架来预测远程机器人手术期间的用户工作量。该框架利用无线传感器来监测外科医生的认知负荷并预测他们的认知状态。在经过验证的达芬奇技能模拟器上执行手术技能任务的十二名外科医生同时记录了多种生理模式（例如心率变异性、皮肤电和脑电图活动）的连续数据。这些手术任务的难度各不相同，例如，需要不同的视觉处理需求和精细运动控制程度。使用独立成分分析融合收集的多模态生理信号，并将预测结果与真实工作量水平进行比较。结果比较了不同分类器、传感器融合方案和生理模态（即使用单一模态与多种模态进行预测）的性能。结果发现，我们的多传感器方法优于单个信号，并且可以在基本和复杂的手术技能任务中 83.2% 的时间内正确预测认知工作量水平。
原创研究基于多脑区脑电信号分析的抑郁症检测
背景：脑电图作为检测脑部神经电活动的客观方法，已被成功应用于重度抑郁症（MDD）的检测，但脑电通道和脑区的选择直接影响检测算法的性能。方法：针对上述问题，提取非线性特征Lempel-Ziv复杂度（LZC）和频域特征功率谱密度（PSD）对EEG信号进行分析，并在闭眼和睁眼静息状态下研究不同脑区及脑区组合对MDD检测的影响。结果：MDD患者的平均LZC高于对照组，MDD患者的平均PSD普遍低于对照组。颞区是MDD检测的最佳脑区，检测准确率为87.4%；最佳多脑区组合的检测准确率为92.4%，由额叶、颞叶和中枢脑区组成。结论：本文验证了多脑区检测MDD的有效性，为探索MDD的病理机制、创新诊疗方法提供了新思路。
在心率变异性信号上使用经验模式分解来评估2型糖尿病中的自主神经病进展
摘要：在这项研究中，我们研究了从心电图（ECG）RR间隔提取的基于经验模式分解（EMD）的特征，以区分2型2型糖尿病的患者（T2DM）患者的心血管自主神经病（CAN）不同水平。这项研究涉及60名参与者分为三组：没有罐头，亚临床罐和建立的罐头。Six EMD features (area of analytic signal representation— ASR area ; area of the ellipse evaluated from the second-order difference plot— SODP area ; central tendency measure of SODP— SODP CTM ; power spectral density (PSD) peak amplitude— PSD pkamp ; PSD band power— PSD bpow ; and PSD mean frequency— PSD m f req ) were extracted from the RR interval signals and compared between groups.结果表明，除了PSD M F REQ外，Nocan和Estcan个体之间的所有EMD特征及其组件之间的显着差异。但是，每个特征的某些EMD组成部分显示Nocan或Estcan的个体与subcan的人之间存在显着差异。这项研究发现了降低ASR面积和SODP面积值的模式，SODP CTM值的增加以及PSD BPOW和PSD PKAMP值的降低。这些发现表明，EMD结果度量可能有助于表征与T2DM个体相关的CAN表现的变化。
JB HI 特别专题“脑信号和神经成像的模糊系统和计算方法：
鉴于处理从神经成像模式获得的脑信号所面临的重大挑战，模糊集和系统已被提出作为分析脑活动的有用且有效的框架，以及实现脑与外部设备（脑机/机接口）之间的直接通信途径。虽然人们对这些问题的兴趣越来越大，但模糊系统的贡献因应用领域而异。一方面，考虑到脑活动的解码，处理不确定性的高级计算智能方法（如模糊集和系统）代表了一种极好的工具，可以克服处理极度嘈杂的信号的挑战，这些信号很可能受到非平稳性、不变量和泛化能力差的影响。另一方面，就神经科学研究而言，可能性和模糊性同样被用于测量突触、神经元和大脑区域或区域之间的平滑整合。在此背景下，拟议的特刊旨在建立一个专门的论坛，作为计算智能研究人员的媒介，他们希望利用模糊系统和模糊逻辑等先进技术来模拟和表达对脑信号和神经成像数据分析的不确定性。任何与神经科学相关的领域，如计算神经科学、脑机接口、神经科学、神经信息学、神经人体工程学、计算认知神经科学、情感神经科学、神经生物学、脑映射、神经工程和神经技术都是合适的。本期特刊重点介绍在不同知识领域研究的模糊系统和应用于脑信号和神经成像的计算方法的最新进展、挑战和未来前景。因此，我们邀请研究人员为本期特刊贡献原创作品，利用脑信号和神经成像中使用计算和数学技术的最新方法，并解决开发用于各种临床应用的专用系统的挑战，同时提出未来发展的新想法和方向。感兴趣的主题包括但不限于以下内容：
丙泊酚介导的无意识状态会干扰感觉信号在皮质层级中的传递
图 1：在清醒和昏迷动物中传递刺激时，从四个皮质区域记录 LFP 和脉冲数据。（A）犹他阵列的植入位置。STG：颞上回（听觉）；PPC：后顶叶皮质（联想）；8A：区域 8A（认知）；PFC：前额皮质（认知）。（B）在清醒和昏迷状态下传递的刺激。UC（无条件）音调和条件音调是两种不同的声音，均持续半秒。条件音调之后是经过半秒延迟后吹向动物面部的气流。UC 气流是相同的气流，没有任何先前的音调。（C）维持剂量期间脉冲率稳定。显示每个大脑区域的平均发放率（1 分钟箱）（平均值 +/SEM）。水平黑条（顶部）表示丙泊酚输注剂量的时间过程。给予高剂量 30 分钟（起效），然后给予低剂量 30 分钟（维持）。紫色条标记失去意识 (LOC) 和恢复意识 (ROC) 的平均时间。灰色框表示清醒和无意识状态所用的时间范围。
有向图上时变信号的联合采样与重构
摘要 — 时变图信号的顶点域和时间域平滑性是可以利用的基本属性，从有限的样本中有效地重构图信号。然而，当信号的频率占用率随时间变化时，现有的方法并不直接适用。此外，虽然例如传感器网络应用可以从有向图模型中受益，但图特征向量的非正交性会对基于谱的信号重构算法提出挑战。在这种情况下，我们在这里考虑具有未知频率支持的 K 稀疏时变信号。通过利用变化图频率支持的平滑性并在有向图上采用移位操作，我们研究基于 Schur 分解的多个变化信号的联合采样，以通过正交频率分量重构每个信号。首先，通过提出两阶段单独联合采样方案来确定多个信号的联合频率支持。基于估计的频率支持，可以使用在单个采样阶段收集的数据恢复每个信号的 GFT 系数。提出了用于顶点集选择和图移位顺序选择的贪婪算法，从而能够对加性噪声进行鲁棒的信号重构。考虑到应用中的信号可能近似为 K 稀疏，我们进一步利用单个和联合采样阶段的样本，并将最优信号重构作为具有自适应频率支持选择的凸优化问题进行研究。所提出的最佳采样和重构算法优于随机网络和传感器网络数据收集中的几种现有方案。
解读植物-昆虫-微生物信号以实现可持续作物生产
1 保护农作物与环境，Rothamsted Research，Harpenden AL5 2JQ，英国 2 系统与进化植物学系，苏黎世大学，Zollikerstrasse 107，8008 Zürich，瑞士；quint.rusman@systbot.uzh.ch 3 美国农业部农业研究服务局（USDA-ARS），谷物与动物健康研究中心，1515 College Ave.，Manhattan，KS 66502，美国；william.morrison@usda.gov 4 圣保罗大学 Luiz de Queiroz 农业学院，Piracicaba 13418-900，SP，巴西；magalhaes.dmm@gmail.com 5 加利福尼亚大学戴维斯分校植物科学系，One Shields Ave.，Davis，CA 95616，美国； jordan.dowell@gmail.com 6 伊利诺伊大学厄巴纳-香槟分校昆虫学系，伊利诺伊州厄巴纳 61801，美国；enn@illinois.edu 7 环境与可持续发展大学生物、物理和数学科学系，加纳索曼尼亚 EY0329-2478；josei-owusu@uesd.edu.gh 8 宾夕法尼亚州立大学昆虫学系化学生态学中心，宾夕法尼亚州立大学公园 16802，美国；kansmanj@psu.edu 9 美国农业部农业研究服务局（USDA-ARS），医学、农业和兽医昆虫学中心，6383 Mahan Dr.，佛罗里达州塔拉哈西 32308，美国； alexander.gaffke@usda.gov 10 印度园艺研究所 ICAR 作物保护部，Hesseraghatta Lake PO，班加罗尔 560089，印度；kamalajayanthi.pd@icar.gov.in 11 美国农业部农业研究服务局（USDA-ARS），天然产品利用研究组，大学，MS 38677，美国；seong.kim@usda.gov 12 美国农业部农业研究服务局（USDA-ARS），亚热带园艺研究站，13601 Old Cutler Rd.，迈阿密，FL 33158，美国 *通信地址：gareth.thomas@rothamsted.ac.uk（GT）；nurhayat.tabanca@usda.gov（NT）；电话：+44-(0)-1582-938707（GT）；电话：+1-786-5737077 (NT) † 这些作者对这项工作做出了同等贡献。
利用神经信号进行语音和手写检测的机器学习方法：综述
摘要：近年来，脑机接口 (BCI) 因其在医疗领域（运动和/或沟通障碍人士）、认知训练、游戏、增强现实/虚拟现实 (AR/VR) 等领域的潜在应用而越来越受欢迎。BCI 可以解码和识别语音和手写中的神经信号，有可能极大地帮助有严重运动障碍的人满足他们的沟通和互动需求。该领域的创新和前沿进步有可能为这些人开发一个高度可访问和交互的通信平台。这篇综述论文的目的是分析现有的从神经信号进行手写和语音识别的研究。这样对这个领域感兴趣的新研究人员就可以在这个研究领域获得全面的知识。目前基于神经信号的手写和语音识别研究主要分为两类：侵入性研究和非侵入性研究。我们研究了关于将基于语音活动的神经信号和基于手写活动的神经信号转换为文本数据的最新论文。本综述还讨论了从大脑中提取数据的方法。此外，本综述还简要总结了这些研究中使用的数据集、预处理技术和方法，这些研究发表于 2014 年至 2022 年之间。本综述旨在全面总结当前文献中基于神经信号的手写和语音识别方法。本质上，本文旨在为希望在工作中研究基于神经信号的机器学习方法的未来研究人员提供宝贵的资源。