XiaoMi-AI文件搜索系统
World File Search SystemWavelet
等位基因特异性基因编辑以挽救主要的CRX- ...
由于非平稳性和脑电图信号的低信噪比（低SNR）特征，实现较高的分类性能是具有挑战性的。空间过滤通常用于改善SNR，但通常会忽略潜在的时间或频率信息中的个体差异。本文通过正交小波分解研究了运动图像信号，通过该分解，原始信号被分解为多个无关的子带分量。此外，通过加权渠道频谱过滤量滤波器进行过滤，并通过空间过滤共同实施，以提高EEG信号的可区分性，并具有嵌入在目标函数中的l 2-NORM正规化术语，以解决潜在的过度处理问题。最后，使用高斯先验的稀疏贝叶斯学习应用于提取的功率特征，产生RVM分类器。SEOWADE的分类性能比几种竞争算法（CSP，FBCSP，CSSP，CSSSP和Shallow Convnet）的分类性能要好得多。通过SEOWADE优化的空间滤波器的头皮重量图在神经生理学上具有更有意义。总而言之，这些结果证明了Seowade在提取单次脑电图分类的相关时空信息方面的有效性。
小波相干性作为轮椅击剑运动员躯干稳定肌激活的量度
摘要背景：肌肉间同步是有效运动表现和日常生活活动的关键方面之一。本研究旨在利用小波分析评估轮椅击剑运动员躯干稳定肌的同步性。方法：评估了左右两组背阔肌/腹外斜肌 (LD/EOA) 肌肉间的肌肉间同步性和拮抗性 EMG-EMG 相干性。研究组由 16 名轮椅击剑运动员组成，他们是波兰残奥会队的成员，分为两类残疾（A 和 B）。数据分析分三个阶段进行：(1) 使用 sEMG 记录肌肉激活；(2) 小波相干性分析；(3) 相干性密度分析。结果：在残奥会轮椅击剑运动员中，无论其残疾类别如何，肌肉都在低频率水平上被激活：A 类击剑运动员为 8-20 Hz，B 类击剑运动员为 5-15 Hz。结论：结果表明，轮椅击剑运动员（包括脊髓损伤运动员）的躯干肌肉活动明显，这可以解释为他们高强度训练的结果。肌电信号处理应用在提高轮椅运动员的表现和诊断方面具有巨大潜力。关键词：小波分析、残疾运动员、脊髓损伤、肌电图、频率水平
过完备小波框架扩展对脑电信息挖掘的潜力
脑电图 (EEG) 是通过放大和记录人体头皮上由大脑电流产生的电活动而获得的记录 (Zandi 等人，2011；Larson 和 Taulu，2018)。EEG 是脑成像科学中广泛使用的媒介，在脑机接口 (BCI；Gao 等人，2021) 研究中发挥着重要作用。BCI 是一种将脑信号转换为有用命令的在线计算机系统。到目前为止，不同类型的脑信号已被用于开发 BCI 系统。由于其方便和低成本，EEG 信号已成为 BCI 系统中的主要媒介。然而，实践证明，由于 EEG 信号能量较弱，EEG 信号的采集很容易受到各种噪声的干扰。为了从嘈杂的 EEG 信号中提取有用信息 (Shad 等人，2020)，在 EEG 信号分析中研究了各种信号处理方法。在脑信号分析中，提高信噪比是一个重要的预处理步骤。传统上，它是使用快速傅里叶变换（FFT）完成的（Wahab et al., 2021）。在BCI中，FFT也用于从EEG信号中实现显著特征的提取。短时傅里叶变换是FFT的增强，它可以生成EEG的二维频谱表示（Ha and Jeong，2019）。然而，STFT的主要缺点是其频率分辨率不可调。Huang提出了一种将STFT与卷积神经网络相结合用于生物医学信号分类的方法（Huang et al., 2019）。此外，基于傅里叶分析的数字滤波器也是EEG信号去噪的重要工具（Hsia and Kraft，1983）。它们的应用包括噪声伪影去除、特定频带的特征选择。尽管近年来新的脑电滤波技术不断涌现，但滤波技术并不是 BCI 研究的重点，相关研究也报告了数字滤波器的缺点（Alhammadi and Mahmoud，2016）。在过去的几十年中，随着计算能力的提高，许多更先进的信号处理方法被发明并投入实践。Upadhyay 提出了一种结合 S 变换和独立成分分析的新技术，用于脑电信号中的伪影消除和噪声抑制（Upadhyay et al.，2016）。Djemili 利用经验模态分解将脑电信号分解为固有模态函数，实现了正常和癫痫脑电特征的智能分类（Djemili et al.，2016）。Jiang 的研究中，提出了一种基于多词典的稀疏表示方法，用于癫痫脑电尖峰的自动检测（Jiang et al.，2020）。 Dora 应用变分模态分解来校正 EEG 测量中的伪影（Dora 和 Biswal，2020 年）。Chen 提出了一种稀疏傅里叶变换，并将其应用于电力线伪影消除（Chen et al.，2021b）。
使用基于小波散射的特征对酒精性脑电图进行分类
在研究问题和相关数据集之后，特征提取是机器学习和数据科学管道的最重要组成部分。小波散射变换（WST）是最近开发的基于知识的特征提取技术，在结构上像卷积神经网络（CNN）一样。它保存在高频中，对信号变形不敏感，并产生分类任务中通常需要的实价信号的较低差异。借助来自公共可用UCI数据库的数据，我们研究了从多通道脑电图（EEG）信号中提取的基于WST的功能的能力，以区分20名酗酒和20个男性健康的男性的男性受试者的1.0-S EEG记录。使用记录的10倍交叉验证，我们发现输入到支持向量机（SVM）分类器的基于WST的特征能够正确对所有酒精和正常EEG记录进行正确分类。使用1D CNN实现了类似的性能。相比之下，最高的独立主题平均值10倍跨验证性能是通过馈送到线性判别（LDA）分类器的基于WST的特征实现的。使用两种10倍的交叉验证方法获得的结果表明，WST与CON CON CONTAILAL分类器一起是CNN的替代品，用于对酒精和正常脑电图分类。在区分酒精和正常的脑电图记录方面，枕骨和顶部区域的基于WST的特征是最有用的。
小波骨骼在睡眠脑电图中作为轻度认知障碍早期诊断的生物标志物
许多神经变性疾病在早期阶段很难诊断。例如，对轻度认知障碍（MCI）的早期诊断需要各种各样的测试，以区分MCI症状和衰老的正常后果。在本文中，我们使用小波 - 骨骼方法在健康的成年患者和认知功能障碍患者的脑电图（EEG）中找到一些特征模式。我们分析了11名60至75岁年龄段的11名老年患者在自然睡眠期间记录的EEG活性，其中6例患有轻度的认知障碍，并采用基于连续小波转化骨骼的非线性分析方法。我们的研究表明，对整个睡眠状态的EEG信号进行了全面分析，使我们能够确定频带中振荡模式平均持续时间的显着降低[12; 14] Hz在有轻度认知障碍的情况下。因此，该频率范围的变化可以解释为与运动皮层的活性相关，作为制定早期客观MCI标准的候选者。
使用基于块的 Haar 小波变换和 COVIDOA 压缩用于 IoMT 系统的生物信号
摘要：背景：生物信号是智能医疗系统诊断和治疗常见疾病所需的基本数据。然而，医疗系统需要处理和分析的信号量非常大。处理如此大量的数据会带来很多困难，例如需要很高的存储和传输能力。此外，在应用压缩时，保留输入信号中最有用的临床信息至关重要。方法：本文提出了一种用于 IoMT 应用的生物信号高效压缩算法。该算法使用基于块的 HWT 提取输入信号的特征，然后使用新颖的 COVIDOA 选择最重要的特征进行重建。结果：我们使用两个不同的公共数据集进行评估：MIT-BIH 心律失常和 EEG 运动/意象，分别用于 ECG 和 EEG 信号。所提算法的 CR、PRD、NCC 和 QS 平均值分别为 ECG 信号的 18.06、0.2470、0.9467 和 85.366，EEG 信号的 12.6668、0.4014、0.9187 和 32.4809。此外，所提算法在处理时间方面比其他现有技术更高效。结论：实验表明，与现有技术相比，所提方法成功实现了高 CR，同时保持了出色的信号重建水平，并且处理时间更短。
非线性系统的基于复发小波的大脑情感学习网络控制器
常规控制系统通常不受非线性和不确定性的共存。本文提出了一个新型的大脑情感神经网络，以支持解决此类挑战的问题。所提出的网络将小波神经网络集成到传统的大脑情感学习网络中。通过引入经常性结构来进一步增强这一点，以利用两个网络作为大脑情感学习网络的两个渠道。因此，提出的网络结合了小波函数的优势，反复机制和大脑情感学习系统，以在不确定的环境下对非线性问题的最佳性能。所提出的网络可与一个边界综合器一起模仿理想的控制器，并且根据从Lyapunov稳定性分析理论得出的定律进行了参数。提出的系统应用于两个不确定的非线性系统，包括一个混乱的系统和模拟的3-DOF球形关节机器人。实验表明，所提出的系统的表现优于其他流行的基于神经网络的控制系统，表明所提出的系统的优势。
心脏杂音和异常PCG检测通过小波散射变换和1D-CNN
摘要 - 这项工作是从Phonocartiogram（PCG）录音中自动且准确的心脏模拟检测。Two public PCG datasets (CirCor Digiscope 2022 dataset and PCG 2016 dataset) from Physionet online database are utilized to train and test three custom neural networks (NN): a 1D convolutional neural network (CNN), a long short-term memory (LSTM) recurrent neural network (RNN), and a convolutional RNN (C- RNN).我们首先进行预处理，其中包括以下关键步骤：使用小波散射变换对PCG段的DeNoising，分割，仅噪声段重新标记，数据归一化以及PCG段的时间频率分析。然后，我们使用PCG 2022数据集进行了四个实验，前三个（E1-E3），使用PCG 2016数据集进行了第四个实验。事实证明，我们的自定义1D-CNN优于其他两个NN（LSTMRNN和C-RNN）。此外，对于实验E3，我们的1D-CNN模型就准确性，加权准确性，F1得分和AUROC而优于相关工作（使用清洁和重新标记的PCG 2022数据集）。对于实验E1（使用原始PCG 2022数据集），我们的模型在加权准确性和F1分数方面非常接近相关工作。
使用小波纹理分析和机器学习对骨质疏松X射线图像进行分类
摘要：骨质疏松症是一种由骨矿物质含量降低和骨微体系结构的变化所定义的疾病，对使用X射线图像进行准确分类构成了挑战。本文旨在从跟骨放射线照片中提取纹理特征，并选择最佳的纹理特征，这些特征可用于训练机器学习分类器模型以检测骨质疏松症。这项工作基于多分辨率分析和微结构分析，以表征来自跟骨X光片的小梁骨微体系结构。将图像转换为使用两级小波分解提取特征细节。结构纹理方法，例如局部二进制图案，分形维度和Gabor滤波器被应用于小波分解的图像。使用独立的样本t检验和特征选择方法选择了最具区别的纹理特征。机器学习模型是通过使用最佳纹理功能训练分类器来构建的，以从骨质疏松图像中对健康图像进行分类。使用包含跟骨放射线图像的公共挑战数据集评估了所提出方法的E ff。值得注意的是，最佳分类是通过使用正向特征选择选择的功能训练的K-Nearest邻居获得的，精度为78.24％。结果表明该方法作为低成本筛查骨质疏松症的可能替代工具的潜力。
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。