XiaoMi-AI文件搜索系统
World File Search SystemWavelet
用于嗜睡的离散小波变换系数...
摘要 — 本文提出了一种使用离散小波变换 (DWT) 系数作为特征从脑电信号中检测困倦的有效方法。大多数困倦检测系统使用 FFT 计算功率谱密度或使用 DWT 计算脑电子带的熵来提取特征。虽然这些技术擅长在频域中捕捉有价值的特征，但它们忽略了分析脑电信号所必需的时间细节。这些细节被整合到表示小波函数和不同时间的脑电信号之间相关性的系数中。在我们的工作中，我们使用 DWT 系数对脑电信号进行时频分析以保留这种时间背景。此外，该研究探讨了时间段大小对系统性能的影响。随后，我们确定了最合适的技术来最小化输入特征冗余。我们的方法只使用两个脑电电极 C3 和 C4，与检测清醒和困倦的常见设置相似。评估了四个分类器：决策树、随机森林、多层感知器和支持向量机。研究结果表明，DWT 系数提高了困倦检测的性能，超越了以前的方法。
用于实数的快速连续小波变换（fCWT）...
信号在自然界和（人造）技术中都至关重要，因为它们使通信成为可能 1、2（图 1）。从数学上讲，信号是一维（例如语音）或多维（例如二维 (2D) 图像）的函数，它携带有关物理系统 3 的属性（例如状态）的信息。源通过信道将信号传输到接收器，接收器再将信号传送到目的地。例如，大脑通过声带通过空气发送口头信息，听者的耳朵接收该信息，然后将其传送到听者的大脑。当相同的信息通过智能手机传输时，空气会通过技术链进行补充，而其余部分则保持不变。信号在社会中无处不在 3、4（图 1）。无论信号来自何处，都需要进行处理才能生成、转换、提取和解释其所携带的信息 3。一种广泛用于解释（即提取和分析）信号中重复模式的方法是傅里叶变换 (FT) 3、4。FT 将时间函数转换为频率的复值函数，表示频率的幅度。FT 假设信号是平稳的。换句话说，它是一个随机过程，其中边际和联合密度函数不依赖于时间原点的选择 2。然而，在现实世界的实践中，这一假设经常被违反。因此，FT 无法可靠地处理现实世界的非平稳信号 5。为了避免非平稳性问题，存在先进的算法，这些算法基于信号分解为在时间和频率上很好地局部化（或分箱）的基本信号来分析信号 4。这些算法包括短期傅里叶变换 (STFT)，也称为 Gabor 变换，和小波变换 (WT) 6。 STFT 与 FT 非常相似，但它使用窗口函数和在时间和频率上都局部化的短小波（而不是纯波）来提取时间和频谱信息。STFT 的缺点是它使用固定宽度的窗口函数，因此频率分析仅限于波长接近窗口宽度 7 的频率。此外，将信号切成短的固定宽度窗口会扰乱信号的属性。因此，频率分析会受到影响 8 。
量子方法用于整数小波变换及其...
随着技术进步的快速进步，对高处理和存储能力的需求已大大增加。因此，发现操纵和转换信息的新方法是必要的。一种潜在的解决方案是量子信息处理，它大大减少了存储的数据的量，操作数量以及经典工具（例如小波变换（WT））的复杂性。wt是许多领域的主要工具，例如加密，信号编码，水印，组合，掉头和信息检索。其经典相关性推动其在量子水平上的进展，从而提高了对一，二维和三维量子小波的转换的计算效率。但是，常规的，实价的WT不适用于无损应用，并且在计算上很复杂。整数到整数WT（IWT）是另一种转换，将整数映射到整数，它使用起重方案来执行信号分解分析。此方案降低了计算成本，允许对实价WT进行实践无损应用，并产生新的小波家族。到目前为止，整数版本（Q-IWT）尚无定义的QWT定义，这在量子信息处理中可能很有价值。因此，我们为HAAR，DAUBECHIES和CDF核的一维整数小波转换提出了一种量子方法，包括信号分解和无损压缩的量子算法。此外，我们将使用IBM的仿真环境作为分析和验证的手段。我们将使用复杂性和数学分析，性能，挠性，信号恢复，熵和噪声添加指标评估所提出的转换和压缩应用。
使用小波和...识别中风后脑电图信号
中风后患者需要持续的康复治疗来恢复因发病而造成的功能障碍，因此需要监测设备。脑电信号反映了大脑的电活动，这也表明了中风后患者的恢复情况。然而，脑电信号处理模型需要提供中风后状态的信息。深度学习的发展使其可以应用于中风后患者的识别。本研究提出了一种利用卷积神经网络（CNN）识别中风后患者的方法。小波作为机器学习的一个特征，用于提取脑电信号信息，反映中风后患者的状况。这个特征是Delta、Alpha、Beta、Theta和Mu波。此外，还根据中风后脑电信号的特点添加了这五个波的振幅特征。结果表明，特征配置对于区分至关重要。具有振幅和Beta特征的测试数据准确率为90%，而没有振幅或Beta特征的测试数据准确率为70%。实验结果还表明，自适应矩估计（Adam）优化模型比随机梯度下降（SGD）更稳定。但SGD可以提供比Adam模型更高的准确率。
通过小波压缩提高带宽利用率
传播、下载数据 1 持久自由行动 (OEF) 是阿富汗战争的正式名称，该战争始于 2001 年 10 月，至今仍在进行中。伊拉克自由行动 (OIF) 是伊拉克战争的正式名称，该战争始于 2003 年 3 月，结束于 2011 年 12 月。 2 X 波段是电磁频谱微波无线电区域的一部分，雷达频率为 8.0 – 12.0 GHz。X 波段的较短波长允许高分辨率成像雷达提供更高分辨率的图像，以进行目标识别和区分。
使用离散小波对面部皮肤类型进行分类...
使用离散小波变换、对比度、局部二值模式和支持向量机对面部皮肤类型进行分类 INDRIYANI 1、I MADE SUDARMA 2 1 巴厘岛计算机信息和技术管理中学 (STMIK STIKOM Bali) 电子邮件：indry.joice@gmail.com 2 乌达亚纳大学 电子邮件：imasudarma@gmail.com 摘要 化妆品对皮肤有两种影响，即积极影响和消极影响。根据皮肤类型使用化妆品会对皮肤产生积极影响，而使用不适合皮肤类型的化妆品会对皮肤产生负面影响。每个人的皮肤类型都不一样，因此在决定购买合适的化妆品之前了解皮肤类型非常重要。本研究将利用数据挖掘的概念构建一个可以对面部皮肤类型进行分类的智能系统。本研究使用离散小波变换 (DWT)、对比度和局部二值模式 (LBP) 来提取面部图像中包含的特征，并使用支持向量机 (SVM) 作为分类器来确定面部皮肤类型。根据实验结果，证明了所提出的方法能够正确对面部皮肤类型进行分类。所提出的方法的平均分类准确率为 91.66%，平均运行时间为 31.571 秒。
使用遗传编程进行跌倒检测的脑电图小波分类
自主检测身体跌倒的能力是实现更好独立生活的众多支持技术之一。这项工作探索了如何利用遗传编程来开发机器学习管道，以通过 EEG 脑波活动对跌倒进行分类。11 种身体活动（5 种跌倒类型和 6 种非跌倒活动）被聚类为是否发生跌倒的二元分类问题。在探索机器学习模型并对其进行调整以获得更好的 k 倍分类准确度、精确度、召回率和 F1 分数之前，先从脑波中提取小波特征。结果表明，仅从 EEG 脑波数据中，通过遗传编程发现的解决方案就可以检测到跌倒，平均准确度为 89.34%，精确度为 0.883，召回率为 0.908，F1 分数为 0.895。所有三种遗传编程解决方案都选择了主成分分析的进一步步骤，以便从计算出的小波特征中提取额外的特征，每个步骤的迭代次数分别为 6、3 和 7，并且都采用随机奇异值分解方法。最终通过接收者操作特性和精确度-召回率曲线分析最佳模型。提供了每个遗传编程管道的 Python 代码。
基于离散小波变换的眼睛状态识别
在近几十年中，由于它们在临床诊断或人机界面（HMI S）等新兴地区的直接含义，因此眼目光分析和眼科识别构成了一个具有研究的研究领域。用户及其目光移动的眼部状态可以揭示其认知状况的重要特征，这对于医疗保健目的至关重要，也对日常生活活动的分析至关重要。因此，它已经在多个领域进行了研究和应用，例如驾驶员嗜睡检测[1-3]，机器人控制[4]，婴儿睡眠 - 灭绝状态识别[5]或癫痫发作检测[6]等[7，8]。已经提出了用于研究眼睛凝视和眼状态的不同技术，例如视频摄影（VOG），电学（EOG）和脑电图（EEG）。在VOG [9，10]中，几个相机记录了用户眼睛的视频或图片，并且通过应用图像处理和人工视觉算法，可以准确地分析用户的眼睛状态。在EOG [11 - 15]中，将一些电极放在用户的皮肤附近，以捕获眼部活动产生的电信号。另一方面，在脑电图技术[16，17]中，使用放置在用户头皮上的电极来测量大脑产生的电信号。由于分析和分类多个图像的昂贵过程，与基于图像的方法（例如VOG）中使用的算法相关的计算复杂性高得多[18]。），这可能是实施实际应用程序的关键信息。EOG方法似乎是基于眼动或眨眼构建HMI的有趣技术，但是在用户脸上的电极放置可能不舒服，并且在实践应用中不可用[19]。因此，脑电图技术是开发新界面的有吸引力的解决方案，基于用户的眼睛状态，可以分析和推断其认知状态（放松，压力，入睡等。
基于分割技术和小波变换的脑肿瘤分类
本文旨在提供使用磁共振图像 (MRI) 对脑肿瘤进行分割和分类的更好方法。在本文中，小波特征是通过使用连续小波变换 (2D-CWT) 将概率密度函数 (PDF) 转换为频谱图图像而形成的，这是一种简单的特征提取方法，而特征提取方法 (PDF 和 2D-CWT) 正在提高性能。此外，为了提高分割性能，使用形态学操作分割图像并使用卷积神经网络 (CNN) 作为分类器。在 BraTS2019 数据集上，该方法的性能是根据 F1 分数和肿瘤区域分割准确度来评估的。这取得了最好的结果，准确度和 F1 分数分别为 97.37% 和 97.43%。
图形小波包用于焦虑和抑郁的脑数据分类
摘要 —最近的研究一直专注于图形信号处理 (GSP)，以结合不同的神经成像模式，从而实现结构和功能性大脑数据的整合。为了描述信号如何与大脑网络相互作用，通过在结构图拉普拉斯特征值上设计光谱滤波器，将傅里叶变换和小波变换扩展到图形设置。在这里，我们基于波士顿青少年抑郁和焦虑神经成像 (BANDA) 数据集，介绍了使用扩散 MRI 和 fMRI 数据在神经成像中利用图形小波包的好处。我们考虑特征向量之间的距离来提取与结构图的光谱域相关的特征。与传统的 GSP 方法相比，我们提出的框架在分类方案中表现出更高的准确性。索引词 —焦虑、抑郁、功能性 MRI、图形信号处理、结构连接、图形小波包