XiaoMi-AI文件搜索系统
World File Search SystemTQWT
研究文章利用特征选择和神经网络技术，用于识别TQWT域中局灶性和非焦点EEG信号
1拉合尔大学电气工程系，拉合尔54000，巴基斯坦2 2号生物医学工程系，南德黑兰分公司，伊斯兰阿萨德大学，伊朗伊斯兰阿萨德大学，伊朗3号，伊朗3号电气工程系，政府大学大学，拉霍尔54000，巴基斯坦4000，北部4000，北部54000，上司，上司中国第710049号，北中国6号计算机工程系，工程学院，伊朗，克尔曼的沙希德·巴霍纳尔大学，伊朗，伊朗7号电气工程学院，马来西亚马来西亚马来西亚大学马来西亚大学，马来西亚马来西亚8号，马来西亚8个生物技术工程学系伊朗9号GOFA营地，GOFA工业学院附近和德国Adebabay，Nifas Silk-Lafto，Addis Ababa 26649，埃塞俄比亚10号贾巴利亚营地，联合国救济和工程局（UNRWA），巴勒斯坦难民营，加沙地带，加拿大的贾巴利亚，贾巴利亚，贾巴利亚，巴勒斯坦，科学，科学，科学，科学，科学，科学，科学，，科学。 Lumpur 50603，马来西亚
采用自适应小波脑电图的智能运动想象检测系统
摘要：运动想象 (MI) 任务的分类为残障人士与脑机接口环境的连接提供了一种强大的解决方案。精确选择脑电图 (EEG) 信号的可调 Q 小波变换 (TQWT) 的均匀调谐参数是一项艰巨的任务。因此，本文提出了稳健的 TQWT，用于自动选择最佳调谐参数，以准确分解非平稳 EEG 信号。探索了三种进化优化算法来自动调整稳健 TQWT 的参数。使用分解的均方误差的适应度函数。本文还利用拉普拉斯分数进行通道选择以选择主通道。使用最小二乘支持向量机分类器的不同核对从稳健 TQWT 子带中提取的重要特征进行分类。径向基函数核提供了 99.78% 的最高准确率，证明了所提出的方法优于使用相同数据库的其他最先进方法。
使用可调 Q 小波变换和旋转森林集成分类器的基于脑电图的情绪识别
人工智能 (AI) 的情绪识别是一项具有挑战性的任务。已经进行了各种各样的研究，证明了音频、图像和脑电图 (EEG) 数据在自动情绪识别中的实用性。本文提出了一种新的自动情绪识别框架，该框架利用脑电图 (EEG) 信号。所提出的方法是轻量级的，它由四个主要阶段组成，包括：再处理阶段、特征提取阶段、特征降维阶段和分类阶段。在预处理阶段使用基于离散小波变换 (DWT) 的降噪方法，在此称为多尺度主成分分析 (MSPCA)，其中使用 Symlets-4 滤波器进行降噪。可调 Q 小波变换 (TQWT) 用作特征提取器。使用六种不同的统计方法进行降维。在分类步骤中，旋转森林集成 (RFE) 分类器与不同的分类算法一起使用，例如 k-最近邻 (k-NN)、支持向量机 (SVM)、人工神经网络 (ANN)、随机森林 (RF) 和四种不同类型的决策树 (DT) 算法。所提出的框架使用 RFE + SVM 实现了超过 93% 的分类准确率。结果清楚地表明，所提出的基于 TQWT 和 RFE 的情感识别框架是使用 EEG 信号进行情感识别的有效方法。
基于EEG信号分类方法
脑电图（EEG）信号已被广泛用于诊断脑疾病，例如癫痫，帕金森氏病（PD），多重SKLEROZ（MS），并且已经提出了许多机器学习方法来开发使用EEG信号的自动疾病诊断方法。在这种方法中，提出了一种多级机器学习方法来诊断癫痫病。提出的多级EEG分类方法包括预处理，特征提取，特征串联，特征选择和分类阶段。为了创建水平，选择可调Q小波变换（TQWT），并通过在预处理中使用TQWT来计算25个频率系数子频段。在特征提取阶段，四核对称模式（QSP）作为特征提取器选择，并从RAW EEG信号和提取的25个子带中提取256个特征。在特征选择阶段，使用邻居组成分析（NCA）。在此阶段选择了128、256、512和1024最重要的特征。在分类阶段，K最近的邻居（KNN）分类被用作分类。使用BONN EEG数据集对七种情况进行了建议的方法。提出的方法在5个类案例中达到了98.4％的成功率。因此，我们提出的方法可以在较大的数据集中使用，以进行更多验证。
© 英国计算机学会 2021。保留所有权利。如需获取许可，请发送电子邮件至：journals.permissions@oup.com doi：10.1093/comjnl/bxaa175 Hyb
本研究开发了一种从脑电图 (EEG) 信号中去除眼部和肌肉伪影的新型混合方法，即 EFICA-TQWT。它是高效快速独立分量分析 (EFICA) 方法与可调 Q 因子小波变换 (TQWT) 的结合。本文的主要贡献是在滤波系统中应用 3D 插值方法。本研究使用了三个 EEG 数据集，两个健康数据集和一个癫痫数据集。每个数据集的受试者选择都是在生理学专家的帮助下完成的。采用的选择标准是处理后的记录中是否存在肌肉和眼部伪影。首先，使用具有径向基函数的支持向量机 (SVM) 对噪声通道进行自动分类，以便从每个 EEG 记录中删除与最嘈杂通道相对应的信号。将 SVM 的自动分类结果与专家分类的结果进行了比较。 SVM 分类的准确率为 97.45%，灵敏度为 86.66%，特异性为 100%。将对每个受试者的国际 10/20 系统的其余 EEG 通道应用混合伪影去除方法。然后，对消除的通道信号进行重建，以获得滤波良好的信号。通过计算均方误差 (MSE) 和信噪比 (SNR) 来评估所提出的滤波过程。针对健康和病理 EEG 数据集，对所提出的方法 (EFICA-TQWT) 和其他滤波技术 (Fast-ICA、DWT、TQWT 和 EFICA) 进行了比较研究。EFICA-TQWT 方法给出了最佳结果，MSE 最小，SNR 最大，尤其是在应用 3D 插值方法的情况下。此外，为了优化所提系统的计算时间，采用计算统一设备架构，基于图形处理单元开发了该过滤系统的并行实现。