XiaoMi-AI文件搜索系统
World File Search SystemSignals
利用肌电图和脉搏血氧饱和度信号传感器融合的肌电假肢
厄瓜多尔约有 215,156 人患有肢体残疾，其中近一半的残疾率在 30% 至 49% 之间，相当一部分人没有肢体。此外，截肢病例激增，这一趋势与糖尿病患病率上升有关，根据国际糖尿病联合会 (IDF) 的数据，到 2021 年，糖尿病患病率预计将达到 5.37 亿。虽然存在假肢解决方案，但它们可能会产生高昂的成本或限制运动，即使价格更实惠。因此，提出了一种替代方案：肌电上肢假肢。这种假肢将通过肌电图和脉搏血氧饱和度信号进行操控，利用人工智能方法。采用多层神经网络模型，该模型由一个输入层、四个隐藏层和一个输出层组成，对用户运动意图的预测准确率高达 93%。对于 AI 模型训练，记录并仔细检查了来自 EMG 和 PPG 传感器的数据，从而将类别从四个压缩为三个。该模型嵌入在 ESP32 C3 DevKit-M1 开发板中，开源蓝图促进了假肢的创建，并辅以用于电子集成的补充组件。该模型在预测类别方面达到了 93% 的准确率，而假肢的续航时间约为三个小时，售价 295 美元，可处理各种轻量级物体。
项目 690 交通信号和照明的维护
符合 TDLR 采用的 NEC 最新版本、当地公用事业要求、本条款的要求以及以下条款的相关要求。 项目 104，“混凝土拆除” 项目 400，“结构的开挖和回填” 项目 416，“钻孔井基础” 项目 421，“水硬性水泥混凝土” 项目 431，“气压浇注混凝土” 项目 432，“护堤石” 项目 440，“混凝土加固” 项目 445，“镀锌” 项目 449，“锚栓” 项目 450，“栏杆” 项目 476，“顶进、钻孔或隧道开挖管道或箱体” 项目 610，“道路照明组件” 项目613，“高杆照明灯杆” 项目 614，“高杆照明组件” 项目 616，“照明系统性能测试” 项目 618，“导管” 项目 620，“电导体” 项目 621，“托盘电缆” 特殊规范，“管道电缆” 项目 624，“接地箱” 项目 625，“镀锌钢丝绳” 项目 627，“处理过的木杆” 项目 628，“电气服务” 项目 636，“标志” 项目 656，“交通控制设备基础” 项目680，“高速公路交通信号灯” 项目 682，“车辆和行人信号头” 项目 684，“交通信号电缆” 项目 685，“路边闪光灯灯组件” 项目 686，“交通信号杆组件” 项目 687，“基座杆组件” 项目 688，“行人和车辆检测器”
一种新型的基于异步脑信号的驱动器——......
摘要：直接应用脑信号来操作移动载人平台（例如车辆）可能有助于神经肌肉疾病患者恢复驾驶能力。本文开发了一种基于脑电图（EEG）信号的新型驾驶员-车辆接口（DVI），用于脑控车辆的连续和异步控制。所提出的 DVI 由用户界面、命令解码算法和控制模型组成。用户界面旨在呈现控制命令并诱导相应的大脑模式。开发了命令解码算法来解码控制命令。建立控制模型以将解码的命令转换为控制信号。离线实验结果表明，所开发的 DVI 可以生成准确率为 83.59% 的运动控制命令，检测时间约为 2 秒，而在空闲状态下的识别准确率为 90.06%。基于 DVI 开发了实时脑控模拟车辆，并在 U 型转弯道路上进行了测试。实验结果表明 DVI 用于连续和异步控制车辆的可行性。这项工作不仅推动了脑控汽车的研究，而且为驾驶员-车辆界面、多模式交互和智能汽车提供了宝贵的见解。
基于双频无线电信号和卫星间通信网络反演大气水汽含量的研究
摘要：大气总水蒸气含量 (TWVC) 会影响气候变化、天气模式和无线电信号传播。全球导航卫星系统 (GNSS) 等最新技术用于测量 TWVC，但精度、时间分辨率或空间覆盖范围均有所降低。本研究证明了使用扩频 (SS) 无线电信号和低地球轨道 (LEO) 卫星上的软件定义无线电 (SDR) 技术预测、绘制和测量 TWVC 的可行性。提出了一种来自小型卫星星座的卫星间链路 (ISL) 通信网络，以实现 TWVC 的三维 (3D) 映射。然而，LEO 卫星的 TWVC 计算包含电离层总电子含量 (TEC) 的贡献。TWVC 和 TEC 贡献是根据信号传播时间延迟和卫星在轨道上的位置确定的。由于 TEC 与 TWVC 不同，依赖于频率，因此已经实施了频率重构算法来区分 TWVC。这项研究的新颖之处在于使用时间戳来推断时间延迟、从星座设置中独特地推导 TWVC、使用算法实时远程调谐频率以及使用 SDR 进行 ISL 演示。这项任务可能有助于大气科学，测量结果可以纳入全球大气数据库，用于气候和天气预报模型。
使用量子机器学习检测困倦...
Lavinia Maria Mendes Araújo A, Plínio Márcio da Silva Ramos A, Isis Didier Lins A, Caio Bezerra Souto Maior AB, Rafael Chaves Souto Araújo C, Andre Juan Ferreira Martins de Moraes D, Asly Alexandre Canabarro D, Márcio José das Chagas Moura A, Enrique López Drogatt and the Center for Risk for For For For Risk For For For For For For For For For For For For For For For For the Center for For For For For For For For the Center for Risk For For For For For For For For For For For For For For For For For For For For For For For For For For the Center for Risk For For For For For For For the Center for Risk For For For For For For the Center for Risk for For Modeling, Department of Industrial Engineering, Federal University of Pernambuco，Recife，巴西B技术中心，Pernambuco联邦大学，Caruaru，Caruaru，巴西C国际物理研究所，Rio Grande University of Rio Grande University of Brazil d Do isis.lins@ufpe.br, caio.maior@ufpe.br, andre.jfmdm@gmail.com, askery@gmail.com, rafael.csa82@gmail.com, marcio.cmoura@ufpe.br, eald@g.edu Human Relianity is INCREASINGLY IMPORTANT IN ACCIDENT PREVENTION, AND MONITORING BIOLOGICAL PARAMETERS CAN HELP Detect Patterns Indicating Behaviors That May Lead发生事故。 脑电图（EEG）日期已用于识别油气行业机器操作员疲劳的主要原因。 虽然经典的机器学习方法（如多层珀普隆（MLP））已与脑电图数据一起使用，但量子计算在有效地解决复杂问题方面表现出了有望。 变化量子算法是应用于数据训练的经典结构的量子概念的一个例子。 本研究旨在将操作员嗜睡量子机器学习（QML）模型分类。 QML模型经过各种量子电路层，旋转和纠缠门训练。 1。Lavinia Maria Mendes Araújo A, Plínio Márcio da Silva Ramos A, Isis Didier Lins A, Caio Bezerra Souto Maior AB, Rafael Chaves Souto Araújo C, Andre Juan Ferreira Martins de Moraes D, Asly Alexandre Canabarro D, Márcio José das Chagas Moura A, Enrique López Drogatt and the Center for Risk for For For For Risk For For For For For For For For For For For For For For For For the Center for For For For For For For For the Center for Risk For For For For For For For For For For For For For For For For For For For For For For For For For For the Center for Risk For For For For For For For the Center for Risk For For For For For For the Center for Risk for For Modeling, Department of Industrial Engineering, Federal University of Pernambuco，Recife，巴西B技术中心，Pernambuco联邦大学，Caruaru，Caruaru，巴西C国际物理研究所，Rio Grande University of Rio Grande University of Brazil d Do isis.lins@ufpe.br, caio.maior@ufpe.br, andre.jfmdm@gmail.com, askery@gmail.com, rafael.csa82@gmail.com, marcio.cmoura@ufpe.br, eald@g.edu Human Relianity is INCREASINGLY IMPORTANT IN ACCIDENT PREVENTION, AND MONITORING BIOLOGICAL PARAMETERS CAN HELP Detect Patterns Indicating Behaviors That May Lead发生事故。脑电图（EEG）日期已用于识别油气行业机器操作员疲劳的主要原因。虽然经典的机器学习方法（如多层珀普隆（MLP））已与脑电图数据一起使用，但量子计算在有效地解决复杂问题方面表现出了有望。变化量子算法是应用于数据训练的经典结构的量子概念的一个例子。本研究旨在将操作员嗜睡量子机器学习（QML）模型分类。QML模型经过各种量子电路层，旋转和纠缠门训练。1。EEG信号已进行预处理，以提取相关特征，例如Higuchi分形维度，复杂性和迁移率以及统计特征。结果将与经典MLP模型进行比较。这项工作有助于探索QML嗜睡的背景，在文献中尚未对此进行广泛研究。它是QML模型适合此类数据的概念证明，并且随着量子计算的不断发展，可以进一步改进。关键字：脑电图。量子机学习。嗜睡检测。诊断。变异量子算法。简介量子力学提出了一种用于解决计算问题的新范式，有时比经典方法具有显着优势，例如在质量分解或量子系统模拟中（Maior等，2023）。在这项研究中，我们通过变异量子算法（VQA）利用量子机学习（QML）来分析一个实际问题 - 使用现实世界脑电图（EEG）时间序列数据检测嗜睡。我们在此扩展的摘要中分析了ULG多模式嗜睡数据库（也称为Drozy）的主题8（Massoz等，2016）。从脑电图数据中准确检测嗜睡对于确保行业和关键过程的安全至关重要。疲劳的工人可以在工作场所构成重大风险，尤其是在涉及危险行动的行业和
使用EMD分析方法
摘要：边际光谱（MS）座头鲸发声（HWV）信号的特征信息是一个有趣而重要的研究主题。经验模式分解（EMD）是用于海洋哺乳动物发声的强大时间 - 频率分析工具。在本文中，使用EMD分析方法提取了HWV信号的新MS特征创新信息。分别由17.2 ms的时间持续时间为17.2 ms的36个HWV样品分别为I类，II和III类，分别由15、5和16个样本组成。评估了以下比率：1个固有模式函数（IMF1）的平均能量比和剩余功能（RF）与I类样品的转录总能量； IMF1，第二IMF（IMF2）和RF的平均能量比与II类样品的共有能量的平均能量比； IMF1，第六IMF（IMF6）和RF与III类样品的总能量的平均能量比。这些平均能量比都超过10％。在2980–3725，3725-4470，4470-5215，4470-5215，11,175-1175-11,175-11,11,11,11,11,920 hecrance IMF1与转诊总能量的平均能量比率为9.825％，13.790％，4.938％，3.977％和3.32％样品；在745–1490和1490–2235 Hz频段中，在II类样品中分别为14.675％和4.910％；在2980–3725、3725–4470和11,175–11,920 Hz频段中，为12.0640％，6.8850％和4.1040％，在III类样品中分别为11,175–11,920 Hz。 这项研究的结果为从HWV信号的MS特征获得的信息提供了更好的理解，高分辨率和新的创新观点。IMF1与转诊总能量的平均能量比率为9.825％，13.790％，4.938％，3.977％和3.32％样品；在745–1490和1490–2235 Hz频段中，在II类样品中分别为14.675％和4.910％；在2980–3725、3725–4470和11,175–11,920 Hz频段中，为12.0640％，6.8850％和4.1040％，在III类样品中分别为11,175–11,920 Hz。这项研究的结果为从HWV信号的MS特征获得的信息提供了更好的理解，高分辨率和新的创新观点。
感觉积极？根据脑信号预测情绪图像相似性
目前的视觉相似性概念是基于从图像内容中得出的特征。这忽略了用户对内容的情感体验，以及用户在搜索图像时的感受。在这里，我们将效价（情感评价的正或负量化）视为图像相似性的一个新维度。我们报告了最大规模的神经成像实验，该实验使用脑机接口的功能性近红外光谱来量化和预测视觉内容的效价。我们表明，情感相似性可以 (1) 直接从响应视觉刺激的大脑信号中解码，(2) 用于预测情感图像相似性，平均准确率为 0.58，高唤醒刺激的准确率为 0.65，(3) 有效地用于补充基于内容的模型的情感相似性估计；例如，当融合 fNIRS 和图像排名时，检索 F-measure@20 为 0.70。我们的工作为情感多媒体分析、检索和用户建模开辟了新的研究途径。
Neuroair：来自头皮录制的神经信号的深度学习框架
摘要 - 空气写入识别是一项任务，涉及使用手指运动在自由空间中写的字母。这是手势识别的一种特殊情况，手势与特定语言的字母相对应。脑电图（EEG）是一种用于记录大脑活动的非侵入性技术，已被广泛用于脑部计算机界面应用中。杠杆eeg信号用于空气写作识别提供了一种有希望的替代输入方法，用于人类计算机相互作用。空气写作识别的一个主要优点是用户不需要学习新的手势。通过串联公认的字母，可以形成各种各样的单词，使其适用于更广泛的人群。但是，在使用脑电图信号识别空气写作方面的研究有限，这构成了本研究的核心重点。首先构建了包含在编写英语大写字母过程中记录的EEG信号的NeuroAir数据集。然后与不同的深度学习模型结合探索各种功能，以实现准确的空气写作识别。这些功能包括处理后的脑电图数据，独立的组件分析组件，基于源域的侦察时间序列以及基于球形和头部 - 基于基于的特征。此外，全面研究了不同EEG频带对系统性能的影响。这项研究中达到的最高准确度是44。04％使用独立的组件分析组件和EEGNET分类模型。结果强调了基于EEG的空气写入识别作为人类计算机交互应用中替代输入方法的用户友好模态的潜力。这项研究为未来的进步树立了强大的基准，并证明了基于EEG的空气写作识别的可行性和实用性。
根据脑电信号（EEG）分析模型区分逻辑决策
1. 引言 近年来，脑信号研究已广泛应用于经济学和管理学等各个领域，而以前它仅用于工程学和医学领域 [1,2]。了解脑电图 (EEG) 分析和分类的方法使研究人员能够开展更多实验，以最佳地利用这些信号 [3,4]。当一个人执行一项活动时，他或她会产生信号，而收集这些信号将有利于增强任何过程。通过收集，我们的意思是研究信号模式，该模式随后可用作评估其他人的参考，例如，机器人手部运动 [5,6] 和情绪识别 [7,8]。决策是每一项生活活动中的重要过程，无论是个人还是机构。在商业中，决策在每个步骤中都至关重要，包括计划、人员配备、组织、协调和后续行动 [9,10]。决策可以分为