XiaoMi-AI文件搜索系统
World File Search SystemSounds
神经行为筛查工具
神经行为筛查工具的挑战行为列表通常很长，而且压倒性且行为症状与大脑功能之间的联系很少。此简短的筛选工具提供了通常与潜在的大脑功能相关的主要和次级神经行为特征的定义和示例。此列表旨在支持探索，身份证明和/或推荐；它不是用于诊断目的。主要特征是对环境的学习，发育和/或物理反应，以及与大脑结构和功能差异有关的其他行为症状。优势也是主要特征。比例：0 =未评估1 =否2 =很少3 =有时4 =通常5 =始终1。功能的发展水平：社交技能和自适应行为0 1 2 3 4 5社交行为就像是一个年龄的一个人（发展性不平衡）0 1 2 3 4 5更喜欢年轻的朋友0 1 2 3 4 5可能被视为“不负责任的”年龄在年代学年龄0 1 2 3 4 5兴趣，并且更像是一个更像年轻的人，是年轻人的年轻人，年轻的人2.Sensory systems, sensory-motor integration 0 1 2 3 4 5 Easily overstimulated and slow to settle, may become overactive or shut down 0 1 2 3 4 5 Oversensitive to touch, textures-- clothing tags or bumps on socks may be irritating 0 1 2 3 4 5 Undersensitive to touch, doesn't seem to feel pain 0 1 2 3 4 5 Highly sensitive to lights, sounds or smells 0 1 2 3 4 5 Doesn't seem to understand personal space or边界0 1 2 3 4 5难以入睡，入睡或可能长时间入睡3。营养0 1 2 3 4 5不能吃一些食物 - 对某些口味或质地有强烈的反应0 1 2 3 4 5渴望糖，脂肪0 1 2 3 4 5需要经常吃0 1 2 3 4 5似乎不知道饥饿0 1 2 3 4 5似乎不知道什么时候不知道什么时候停止吃4。Language and communication 0 1 2 3 4 5 Talks better than understands, e.g., may be “off topic” in conversation 0 1 2 3 4 5 Confabulates— “Fills in the blanks,” may tell a story that sounds like a lie 0 1 2 3 4 5 Has trouble finding words to put on feelings and talking about feelings 0 1 2 3 4 5 Doesn't seem to understand, “just doesn't get it” 0 1 2 3 4 5 Has difficulty reading or responding to body language 0 1 2 3 4 5健谈，可能会说很多话，但在对话和/或回答问题5中很难。处理速度0 1 2 3 4 5缓慢聆听；经常问“什么？”或说“我不知道” 0 1 2 3 4 5思考缓慢；可能需要几分钟的时间来回答一个问题 - “十秒钟的人在一个秒世界中” 0 1 2 3 4 5慢速停止演讲或重复单词几次，然后才能口头表达整个思想0 1 2 3 4 5如果思考过程被中断，如果“急于”提供答案
回顾人工智能时代瓣膜和先天性心脏病的听力学诊断
近年来，电子听诊器与人工智能（AI）技术相结合，以数字化获得心脏声音，智能识别瓣膜疾病和先天性心脏病，并提高心脏病诊断的准确性。对基于AI的智能听诊技术的研究主要集中于AI算法，并且常用的方法是基于特征提取的端到端深度学习算法和机器学习算法，未来研究的热点是为了建立大型的标准化数据库，并统一这些算法，并在其他方面进行统一，并在其他算法中进行统一；算法可以与不同的算法兼容。此外，应该对不同的电子听诊器进行广泛的比较，以便算法可以与不同听诊器收集的心脏声音兼容；尤其是，尤其重要的是，云中算法的部署是人工智能未来发展的主要趋势。最后，基于心脏声音的人工智能的研究仍处于初步阶段，尽管在识别瓣膜疾病和先天性心脏病方面取得了长足的进步，但它们都在疾病诊断算法的研究中，几乎没有关于疾病严重性，远程监测，预后等的研究，这将是未来研究的热点。
野生和托管护理环境中的鲸类声学武器
简单的摘要：托管和野生环境中的鲸鱼和海豚暴露于人类制造的，人为的声音不同程度的声音。如果在动物园或开阔的海洋中未正确管理，这些声音可能会导致潜在的负面福利结果。当前的野生法规基于一般广泛的基于分类单元的听力阈值，但是有动力考虑了其他情境因素，这部分由熟悉动物学环境中工作的研究人员所告知。以这种精神，我们提出了更细微的未来方向，以评估野外和托管护理环境中的声学福利，并提出有关如何相互联系的研究，以解决有关该主题可用的研究的一种手段，尤其是在托管护理环境中。
基于大脑电活动信号的机器学习方法的新型自动听力检查系统设计
摘要：本研究使用机器学习，利用 EEG 信号自主执行听力测试（听力测定）过程。在标准听力测试中，给受试者提供不同幅度和波长的声音，这些声音是通过 MATLAB GUI 设计的界面随机分配的。受试者表示，他听到了用耳机听到的随机大小的声音，但如果没有听到，他就不会采取行动。同时，跟踪 EEG（脑电图）信号，并记录受试者注意和未听到的声音在大脑中产生的波。对测试结束时生成的 EEG 数据进行预处理，然后进行特征提取。将从 MATLAB 接口接收到的听到和未听到的信息与 EEG 信号相结合，确定受试者听到了哪些声音，没有听到哪些声音。在通过界面给出的声音之间的等待期间，不会给受试者提供任何声音。因此，这些时间在 EEG 信号中标记为未听到。本研究使用 Brain Products Vamp 16 脑电图仪测量脑信号，然后使用 Brain Vision Recorder 程序和 MATLAB 创建脑电图原始数据。在从大脑中听到和未听到的声音产生的信号数据创建数据集之后，使用 PYTHON 编程语言进行机器学习过程。使用 Python 编程语言获取用 MATLAB 创建的原始数据，在完成预处理步骤之后，将机器学习方法应用于分类算法。每个原始脑电图数据都通过 Count Vectorizer 方法检测。使用 TF-IDF（词频-逆文档频率）方法计算所有脑电图数据中每个脑电图信号的重要性。根据人们是否能听到声音对获得的数据集进行分类。在分析中应用了朴素贝叶斯、光梯度强化机 (LGBM)、支持向量机 (SVM)、决策树、k-NN、逻辑回归和随机森林分类器算法。我们研究中选择的算法之所以受到青睐，是因为它们在 ML 中表现出色，并成功分析了 EEG 信号。所选分类算法还具有可在线使用的特点。使用了朴素贝叶斯、光梯度强化机 (LGBM)、支持向量机 (SVM)、决策树、k-NN、逻辑回归和随机森林分类器算法。在 EEG 信号的分析中，光梯度强化机 (LGBM) 被评为最佳方法。确定预测最成功的算法是 LGBM 分类算法的预测，成功率为 84%。这项研究表明，也可以使用 EEG 设备检测到的脑电波进行听力测试。虽然可以创建完全独立的听力测试，可能需要听力学家或医生来评估结果。
通过声学传感预测轴承故障
测量声音的一种方法是振幅，它表示分贝（db）中的强度。也可以将声音作为频率测量，用Hz或KHz表示。声音频率是指振动的数量（或周期）每秒都在赫兹（Hz）中测量。健康的人耳通常可以感知到20 Hz至20,000 Hz范围内的声音频率，或者简称为20 kHz。1对于视角，低音低音介于20 Hz至250 Hz之间，250 Hz和4 kHz之间的人类语音以及4 kHz至20 kHz的高音声音）。声音频率高于20 kHz，通常被认为是超声波，通常超出了人类的感知。
对孤立音素的开始和持续神经反应的证据
我们开发了一项基于语音的自定步调光标控制任务，以在单独发出音素（即元音、鼻音和摩擦音）时收集相应的颅内神经数据。两名植入颅内深度电极以进行临床癫痫监测的患者通过实时处理麦克风输入执行闭环语音光标控制。在事后数据分析中，我们搜索了与非特定语音或特定音素的发生相关的神经特征。与之前的研究一致，我们在颞上回的多个记录点观察到了对语音的开始和持续反应。基于高达 200 Hz 的窄频带中的不同激活模式，我们以 91% 的准确率（机会水平：50%）跟踪语音活动，并以 68% 的准确率（机会水平：20%）将单个话语归类为五个音素之一。我们提出，我们的框架可以扩展到其他音素，以更好地描述在没有语言背景的情况下产生和感知语音的神经生理机制。总的来说，我们的研究结果为使用颅内电极开发语音脑机接口提供了补充证据和信息。索引词：音素识别、颅内电极、语音开始、持续语音、脑机接口
激光竖琴生成实时推文的语音和文本......
1。引言单词是传达问候，思想，感觉和情感的有用工具。尤其是诗歌是一种丰富的单词表达形式，有时听起来像是一首歌。，例如，haiku是由音节构建的传统日本经文，即使没有旋律也可以读出一首歌，因为单词具有口音，语调和节奏的短语。这意味着口语的声音是构成包含各种人类情感的音乐的有吸引力的资源。现在有许多人将世界各地的Twitter用作与他人交流的工具。他们鸣叫有关日常琐事的简短话语和与他人分享的意见。有人总是在某个地方发推文，它创造了反映人类思想和内心的大量单词。推文单词本身只是文本数据；但是，当它们与人类的声音交谈时，它们类似于诗歌和歌曲。我们提出了一种使用人类声音说单词和激光竖琴的系统。我们使用Twitter网站[1]的推文中的单词作为音乐的材料。1.1 Twitter应用程序已经开发了许多Twitter客户端应用程序，其中一些应用程序具有娱乐性的享受推文。
Brainworks快速启动指南
什么是感觉积分（也称为感觉处理）？我们的大脑中有80％致力于处理传入的感官信息并制定对我们的感觉环境的适当响应。即使您坐着阅读此信息，您也会受到感官输入的轰炸：电脑屏幕的视觉刺激和屏幕上的单词的视觉解码，房屋中的声音，声音，电子，电子，户外声音，户外的感觉，皮肤上的衣服的感觉以及身体的重量以及椅子上的内部感觉，姿势的内部感觉，贴在整个床上，以及相互控制的贴身感！如果您的大脑正在有效地处理（或整合）信息，则您可以专注于阅读内容，并“收听”其他感觉竞争您的注意力。