XiaoMi-AI文件搜索系统
World File Search SystemWavelet
基于CSP的新功能以及针对运动图像EEG分类
摘要：常见的空间模式（CSP）是基于运动图像的大脑计算机接口（BCI）中一种非常有效的特征提取方法，但其性能取决于最佳频段的选择。尽管已经提出了许多研究工作来改善CSP，但其中大多数工作都有大量计算成本和长期提取时间的问题。在本文中提出了基于CSP的三种新功能提取方法，并在本文中提出了一种基于非convex日志正规化的新功能选择方法。首先，EEG信号在空间上被CSP滤过，然后提出了三种新的特征提取方法。我们分别将它们称为CSP小波，CSP-WPD和CSP-FB。用于CSP小波和CSP-WPD，离散小波变换（DWT）或小波数据包分解（WPD）用于分解空间滤波的信号，然后将波浪系数的能量和标准偏差作为特征提取为特征。对于CSP-FB，通过过滤器库（FB）将空间过滤的信号滤光到多个频段中，然后将每个频段的方差的对数提取为特征。其次，提出了一种使用非convex log函数正规的稀疏优化方法，为我们称为log的特征选择，并给出了对数的优化算法。最后，集合学习用于辅助特征选择和分类模型构建。梳理特征提取和特征选择方法，总共获得了三种新的EEG解码方法，即CSP-Wavelet + Log，CSP-WPD + LOG和CSP-FB + LOG。使用四个公共运动图像数据集来验证所提出方法的性能。与现有方法相比，所提出的方法的最高平均分类精度分别为88.86、83.40、81.53和80.83，分别为1-4。CSP-FB的特征提取时间最短。实验结果表明，所提出的方法可以有效地提高分类精度并减少特征提取时间。全面考虑了分类精度和特征提取时间，CSP-FB +日志具有最佳性能，可用于实时BCI系统。
使用超声波信号熵进行损伤检测...
摘要。用于传播导波的压电超声波传感器可用于检查工程结构中的大面积区域。然而，导波声信号固有的色散和噪声、结构中的多重回波以及缺乏近似或精确的模型，限制了它们作为连续结构健康监测系统的使用。在本文中，研究了在板状结构上随机放置压电传感器网络以检测和定位人为损坏的实现。在厚度为 1.9 毫米的铝薄板上设置了一个以一发一收配置工作的宏纤维复合材料 (MFC) 传感器网络。使用离散小波变换在时间尺度域中分析信号。这项工作有三个目标，即首先使用传感器网络产生的超声波的短时小波熵 (STWE) 开发基于熵分布的损伤指数，其次确定备用宏光纤复合材料 (MFC) 传感器阵列检测人为损伤的性能，第三对收集的信号实施到达时间 (TOA) 算法，以定位人造圆形不连续的损伤。我们的初步测试结果表明，所提出的方法为损伤检测提供了足够的信息，一旦与 TOA 算法相结合，就可以定位损伤。
稳态母小波的视觉评估——...
表 4 分别列出了每个参与者使用能量、熵和方差特征的分类器性能。给出了每个母小波和特征集的最高准确度。性能最成功的分类器算法在准确度之下给出。表 4 的最后一列还给出了平均分类器准确度。在这些准确度最高的算法中，集成学习器算法的准确度最高，达 43 次。
通过脑电图工作量估计预测注意力和短期记忆丧失
心理负荷在认知障碍中起着至关重要的作用。这种障碍指的是一个人在记忆、接受新信息、学习新事物、集中注意力或做出严重影响日常生活的决策方面存在困难。本文提出了基于同步容量 (SIMKAP) 实验的脑电图负荷分析，使用 45 名受试者进行多任务心理负荷估计，并计算受试者的注意力损失以及短期记忆损失测量。使用开放获取的预处理脑电图数据集，利用离散小波变换 (DWT) 进行特征提取，并使用最小冗余和最大相关性 (MRMR) 技术来选择最相关的特征。小波分解技术也用于将脑电图信号分解为五个子带。从每个子带信号计算出十四个统计特征以形成 5×14 的窗口大小。神经网络（窄）分类算法用于对低和高负荷条件的数据集进行分类，并使用一些其他机器学习模型进行比较。结果显示，分类器的准确率为 86.7%，精确率为 84.4%，F1 得分为 86.33%，召回率为 88.37%，与文献中最先进的方法相符。这一预测有望极大地促进记忆和注意力丧失障碍评估方法的改进。
应用于 GPS/INS 集成系统的 MEMS 不同误差建模之间的比较
摘要：微机电系统 (MEMS) 的发展进步使得制造廉价、小尺寸的加速度计和陀螺仪成为可能，它们被用于许多需要进行全球定位系统 (GPS) 和惯性导航系统 (INS) 集成的应用中，即，识别轨道缺陷、地面和行人导航、无人驾驶飞行器 (UAV)、许多平台的稳定等。虽然这些 MEMS 传感器成本低廉，但它们会出现不同的误差，从而在短时间内降低导航系统的准确性。因此，有必要对这些错误进行适当的建模，以尽量减少这些错误，从而提高系统性能。在本研究中，我们展示并比较了目前用于分析影响这些传感器的随机误差的最常用技术：我们详细研究了自相关、Allan 方差 (AV) 和功率谱密度 (PSD) 技术。随后，还实现了惯性传感器的分析和建模，其中结合了自回归 (AR) 滤波器和小波去噪。由于低成本 INS（MEMS 级）的误差源包括短期（高频）和长期（低频）分量，我们引入了一种通过对 Allan 方差、小波去噪和选择分解级别进行完整分析来补偿这些误差项的方法，以实现这些技术的适当组合。最后，为了评估使用这些技术获得的随机模型，扩展卡尔曼
训练小波域损失的训练生成图像超分辨率模型可以更好地控制伪影
抽象的超分辨率（SR）是一个不当的反问题，其中具有给定低分辨率图像的可行解决方案集的大小非常大。已经提出了许多算法，以在可行的解决方案中找到一种“好”解决方案，这些解决方案在忠诚度和感知质量之间取得了平衡。不幸的是，所有已知方法都会生成伪影和幻觉，同时试图重建高频（HF）图像细节。一个有趣的问题是：模型可以学会将真实图像细节与文物区分开吗？尽管有些重点侧重于细节和影响的分化，但这是一个非常具有挑战性的问题，并且尚待找到满意的解决方案。本文表明，与RGB域或傅立叶空间损耗相比，使用小波域损失功能训练基于GAN的SR模型可以更好地学习真正的HF细节与伪像的表征。尽管以前在文献中已经使用了小波域损失，但在SR任务的背景下没有使用它们。更具体地说，我们仅在HF小波子带上而不是在RGB图像上训练鉴别器，并且发电机受到小波子带的忠诚度损失的训练，以使其对结构的规模和方向敏感。广泛的实验结果表明，我们的模型根据多种措施和视觉评估实现了更好的感知延续权权衡。
增强基于EEG的附件样式预测
尽管如此，尽管有这些有价值的贡献，但文献中仍然存在显着的差距：AI模型的未充分展开的领域，用于根据EEG数据预测附件样式。虽然依恋样式对于理解人类的互动至关重要，但情感识别领域虽然密切相关（Mikulincer和Shaver，2005;Vrtička等，2012; Akhavan-Abiri等人，2018; Zhang等人，Zhang等人，2023年），引起了更多的关注。在情感识别中，研究人员努力地探索了多种方法来利用脑电图数据来检测情绪状态和反应。These methodologies encompass comprehensive analyses of EEG signals, including time-domain and frequency-domain approaches, as well as advanced techniques like wavelet transforms, principal component analysis, and independent component analysis ( Li et al., 2018; Alhalaseh and Alasasfeh, 2020; Liu et al., 2020; Jaswal and Dhingra, 2023; Vempati and Sharma, 2023 ）。此外，最近的研究强调了基于EEG的情感识别的潜力，阐明了其重要性，特别是通过利用了诸如经验模式分解（EMD）之类的先进技术，是一种有效的特征提取方法，可捕获EEG信号中情绪状态的复杂性（Zhuang et al。
使用深度学习去除脑电图中的眼部伪影
摘要 —EEG 信号是复杂的低频信号。因此，它们很容易受到外界因素的影响。EEG 伪影去除在神经科学中至关重要，因为伪影会对 EEG 分析结果产生重大影响。在这些伪影中，眼部伪影的去除最具挑战性。在本研究中，通过开发基于双向长短期记忆 (BiLSTM) 的深度学习 (DL) 模型，提出了一种新颖的眼部伪影去除方法。我们通过结合 EEGdenoiseNet 和 DEAP 数据集创建了一个基准数据集来训练和测试所提出的 DL 模型。我们还通过在不同 SNR 水平下用 EOG 污染地面真实干净的 EEG 信号来增强数据。然后使用通过小波同步压缩变换 (WSST) 获得的高度局部化时频 (TF) 系数将 BiLSTM 网络馈送到从增强信号中提取的特征。我们还将基于 WSST 的 DL 模型结果与传统 TF 分析 (TFA) 方法，即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强原始信号进行了比较。首次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明，与传统 TF 和原始信号方法相比，WSST-Net 模型显著提高了伪影去除性能。此外，所提出的 EOG 去除方法表明，它优于文献中许多传统和基于 DL 的眼部伪影去除方法。索引词 —EEG、眼部伪影、深度学习、LSTM、BiLSTM、WSST、STFT、CWT。
基于脑信号分析的深度学习方法
1 简介 脑信号测量来自人脑的本能生物特征信息，反映了用户的被动或主动心理状态。脑信号模拟由大脑中数百万个神经元以信号形式处理的信息。这些脑信号类似于人的神经活动（包括感觉和运动活动）。通过处理脑信号可以了解人（或用户）的感觉和运动活动。随着新兴技术的发展，可以使用不同的传统（EEG、MEG、MRI、fMRI）和非传统信号处理技术（深度学习算法、决策树等）来分析和处理脑信号。所有传统版本的脑信号分析都包括特征提取步骤，然后在某个时间点进行分类过程。Jahankhani 等人。进行了实验，并使用离散小波变换（DWT）作为特征提取技术，从EEG脑信号中提取特征，多层感知器是分类技术，与径向基函数网络（RBF）一起使用[1]，在训练性能方面，已经实现了准确的EEG信号分类。而Acharya等人已经使用EEG信号以及小波包变换（WPT）作为特征提取方法和支持向量机（SVM）作为分类方法[2]进行了实验。这些方法结合起来可以准确检测出癫痫（一种神经系统疾病）。同样，更多的其他特征
脑电图信号评估和分类的混合技术是神经和脑部疾病诊断的一步
脑电图 (EEG) 信号通常用于识别和诊断脑部疾病。每个 EEG 正常波形由以下波形组成：伽马 (γ) 波、贝塔 (β) 波、阿尔法 (α)、西塔 (θ) 和德尔塔 (δ)。神经系统疾病一词“NurDis”用于描述影响神经的各种疾病，癫痫、神经感染（细菌和病毒）、脑肿瘤、脑血管疾病、阿尔茨海默病和各种痴呆症都是神经系统疾病的例子。脑炎是影响大脑的疾病之一。本文使用的 EEG 信号来自 CHB-MIT 头皮 EEG 数据库。离散小波变换 (DWT) 用于从滤波后的 EEG 数据中提取特征。最后，使用 K 近邻 (KNN) 和支持向量机 (SVM) 等分类器根据所有计算出的特征将 EEG 信号分为正常和病理信号类。为了将信号归类为正常和异常组，使用了 KNN 和 SVM 分类器。对于这两个分类器，都确定了性能评估（准确度、灵敏度和特异性）。KNN 分类器准确率为 71.88%，而 SVM 分类器准确率为 81.23%。KNN 和 SVM 的灵敏度分别为 80.14% 和 77.31%。KNN 分类特异性为 69.62%，SVM 分类特异性为 98%。使用混淆矩阵评估两个分类器的性能。关键词：离散小波变换（DWT）、支持向量机（SVM）、脑电图（EEG）信号、K-最近邻（KNN）