XiaoMi-AI文件搜索系统
World File Search SystemWavelet
一种基于经验小波 SODP 和谱熵的新型麻醉深度评估指数
摘要 现代外科手术中麻醉是必不可少的，以确保患者安全并成功康复。麻醉深度 (DoA) 评估是一个重要且正在进行的研究领域，旨在确保患者在手术期间和术后的稳定性。这项研究通过开发一种基于脑电图 (EEG) 信号分析的新指数来解决当前 DoA 指数的局限性。采用经验小波变换 (EWT) 方法提取小波系数，然后进行统计分析。从小波系数中提取特征谱熵和二阶差异图。这些特征用于训练新指数 SSE DoA，利用具有线性核函数的支持向量机 (SVM)。新指数准确评估 DoA 以说明不同麻醉阶段之间的过渡。对九名患者和另外四名信号质量低的患者进行了测试。在我们测试的 9 名患者中，观察到与双谱 (BIS) 指数的平均相关性为 0.834。DoA 阶段转换分析显示 Choen's Kappa 为 0.809，表明一致性较高。关键词：麻醉深度、统计模型、经验小波变换、二阶差分图
使用深度学习和小波变换对磁共振图像中的脑肿瘤进行分类
脑瘤是脑内一团异常细胞。脑瘤可能是良性的（非癌性的）或恶性的（癌性的）。放射科医生对脑瘤的传统诊断是通过检查磁共振成像 (MRI) 生成的一组图像来完成的。为了帮助放射科医生正确分类 MRI 图像，已经开发了许多计算机辅助检测 (CAD) 系统。卷积神经网络 (CNN) 已广泛应用于医学图像的分类。本文介绍了一种用于对 MRI 图像中的脑瘤进行分类的新型 CAD 技术。所提出的系统利用离散小波变换 (DWT) 表现出的强能量紧凑性从脑 MRI 图像中提取特征。然后将小波特征应用于 CNN 以对输入的 MRI 图像进行分类。实验结果表明，所提出的方法优于其他常用方法，总体准确率达到 99.3%。
基于脑电图的脑机接口用于使用小波变换的手部辅助系统
摘要。多年来，机器人一直为人类带来巨大的用途。在人体无法按需求运作的情况下，机器人的功能在这些情况下非常有效。脑电图 (EEG) 控制的手部助手利用 EEG 信号和脑机接口 (BCI)。使用 Emotiv Insight 耳机从大脑获取 EEG 信号，然后对信号进行处理和特征提取，然后对信号进行调节，因为它是具有加性噪声的低幅度信号。使用小波变换对模拟信号进行信号处理。小波变换将有助于从模拟信号中提取信息。然后为信号分配签名以执行专用任务。滤波信号被提供给 Arduino Uno 的模拟引脚。借助 Arduino Uno 上内置的 ADC，数字数据也可在数字引脚上获得。然后通过 MATLAB 访问 Arduino 板。在不久的将来，如果它得到类似的输入，它将准确理解要执行什么操作。此外，机器人手部助手可以根据我们的需要进行操作。
比特币挖矿的能源消耗和全球二氧化碳排放：小波相干分析
比特币挖矿一直受到许多当局和决策者的关注，因为过度使用能源会对环境和气候造成影响。因此，本研究的目的是调查比特币挖矿的能源消耗与全球碳排放指数之间的一致性关联。对 2012 年至 2021 年期间的小波一致性进行了分析，以调查这些关系。研究结果表明，2013 年之前，比特币挖矿的能源消耗与全球碳排放指数在不同频率和不同时间范围内存在同相关联。2013 年之后，一致性关联结果表明，比特币挖矿的能源消耗与全球碳排放之间没有关联。更令人惊讶的是，在 2018 年初，这种关联以 (16-32) 周的频率反相，当时比特币价格大幅下跌，比特币挖矿业务无利可图。这种反相关联可能是由于世界上大多数政府都对加密货币挖矿对环境的影响表示担忧，这可能会对这些国家的矿工公司关闭产生重大影响。因此，这项研究建议加密货币矿工应该认真对待挖矿碳足迹对环境的影响，并使用风能和太阳能等替代能源为其运营提供动力。此外，该研究建议比特币矿工将用于验证和保护比特币交易的软件代码从“工作量证明”系统转换为“权益证明”系统，该系统被认为可以将功耗降低 99%，从而减少碳排放。
EEG基于过度完整的理性扩张小波转换和自动回归的运动图像分类
基于运动图像（MI）的大脑计算机界面（BCI）应用旨在分析大脑如何与脑电图（EEG）信号与外部环境相互作用。尽管当前的模型取得了令人鼓舞的结果，但从EEG信号中开发了MI的准确分类仍然是一个重大挑战。在本文中，我们设计了一个名为（ORDWT_AR）的MI分类模型，该模型利用过度完整的理性扩张小波变换（ORDWT）以及自动回归（AR）模型。首先，使用滑动窗口方法将脑电图分割为间隔。然后，每个脑电图通过ORDWT传递以分析EEG信号。因此，从每个段获得了一系列停止频段。然后，将AR与ORDWT集成，以从每个EEG间隔中提取代表性特征。选定的功能被发送到多种分类模型中，包括加权K-Nearest邻居（WKNN），决策树（DTREE）和Boosted树（BST）。使用四个基准EEG数据库评估所提出的模型，其中三个是从脑部计算机界面（BCI）竞争III中收集的，一个是从CHB-MIT中收集的。结果表明，提出的模型ORDWT_AR与WKNN分类器相结合的三个BCI竞赛III数据集的平均分类精度为99.8％，CHB-MIT数据集的平均分类精度为99.7％。获得的结果表明，所提出的方案是对脑电图信号进行分类并具有出色结果的有前途的工具。提议的模型可以支持专家帮助残疾人与环境互动并提高生活质量。
采用新颖的经验 Riglit 小波变换对脑图像进行稳健的多模态融合网络
机器学习对于模式识别很有用，如果允许它访问患者数据，它可以注意到人类医生可能忽略的模式，这可以用来预测一个人是否有患上医生无法预料到的疾病的风险。在本文中，作者提出了一种经验 Riglit 小波变换算法。在该算法中，作者融合了从 Ridgelet 和 Little wood 经验小波变换获得的 CT 和 MR 图像的滤波器组。融合使用了四种可能的组合。图像边界被评估为性能参数。这些参数有助于理解给定 CT 和 MR 图像中的小元素和细节。本文的目的是通过融合使用不同组合的 CT 和 MR 图像来对图像中的特定模式进行分类和提取。通过使用相同技术获得的融合 CT-MT 图像的滤波器组来验证所提出的算法。
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。
小波损耗的训练变压器模型可改善单图像超分辨率
基于变压器的模型已在包括图像超级分辨率（SR）在内的低级视觉任务中取得了显着的结果。但是，在获得全球信息时，基于不重叠的窗口中依赖自我注意的早期aperach遇到了挑战。为了激活全球更多输入像素，已经提出了混合注意模型。此外，通过仅将像素的RGB损失（例如L 1）降至最低而无法捕获基本的高频降低，训练不足。本文提出了两种贡献：i）我们引入了卷积非本地稀疏注意（NLSA）块，以扩展混合变压器体系结构，以增强其接受场。ii）我们采用小波损失来训练变压器模型，以提高定量和主观性能。虽然先前已经探索过小波损耗，但在基于训练变压器的SR模型中显示了它们的力量是新颖的。我们的实验结果表明，所提出的模型在各种基准数据集中提供了状态的PSNR结果以及出色的视觉性能。
实时基于EEG的情绪识别，使用离散小波在完整和减少的通道信号上转换
具有消费级EEG设备的基于EEG的实时情感识别（EEG-ER）涉及使用减少的渠道进行情绪进行分类。这些设备通常只提供四个或五个通道，与大多数当前最新研究中通常使用的大量通道（32或更多）不同。在这项工作中，我们建议使用离散小波变换（DWT）提取时频域特征，并且我们使用几秒钟的时间窗口来执行eeg-er-ers分类。该技术可以实时使用，而不是在整个会话后数据后使用。我们还将在先前研究中开发的基线去除预处理应用于我们提出的DWT熵和能量特征，从而显着提高了分类精度。我们考虑两个不同的分类架构，一个3D卷积神经网络（3D CNN）和一个支持向量机（SVM）。我们在主题独立和依赖于主题的设置上评估了这两个模型，以对个人情绪状态的价和唤醒维度进行分类。我们对DEAP数据集提供的完整32通道数据以及同一数据集的5通道提取物进行了测试。SVM模型在所有提出的场景中表现最佳，对于整个32渠道主体依赖性案例的价准确度为95.32％，唤醒的精度为95.68％，击败了先前的实时EEG-EEG-EEG-EEG-EEG依赖性依赖性基准。也获得了与受试者的情况下的价准确度为80.70％，唤醒的精度为81.41％。将输入数据降低到5个通道仅在所有情况下平均将精度降低3.54％，从而使该模型适合与更易于访问的低端EEG设备一起使用。