XiaoMi-AI文件搜索系统
World File Search SystemWavelet
（腕戴式）加速度计的标准程序 - Axivity
从各个时期提取特征特征（无重叠，例如一分钟）或使用滑动窗口程序从每个时期包含的原始数据中提取统计描述符、傅立叶系数、小波分解或类似内容，以应用统计模式识别技术典型的佩戴时间验证着眼于每个加速度计轴的各个时期的标准偏差和阈值（例如std < 3mg）。较新的方法还考虑了温度。将记录转换为每分钟的活动记录仪计数，通常只在一个轴上（z 轴指向手腕外）。
简短简历 - 电气和计算机工程
[120] 10 月 26 日 SPIE 无线个人通信技术和服务会议，受邀在会议“ PCS 数据和多媒体应用 ”上发表论文，宾夕法尼亚州费城。 [121] 10 月 23 日 SPIE 信息存储编码和信号处理会议，受邀在特别会议“通道、模型和识别”上发表论文，宾夕法尼亚州费城。 [122] 10 月 19 日研究生研讨会，“数字视频”，卡内基梅隆大学电气和计算机工程系，宾夕法尼亚州匹兹堡。 [123] 8 月 15 日美国统计学会年会，“统计和海洋科学”特别会议组织者和主席，佛罗里达州奥兰多。 [124] 8 月 14 日 NRL 斯坦尼斯航天中心，“数据同化的有效算法”，受邀发言人，密西西比州斯坦尼斯。 [125] 7 月 11 日 Bellcore，“生成视频”，受邀发言人。新泽西州雷德班克斯。[126] 7 月 10 日，大西洋航空电子公司 (AAEC)，“使用 Gabor/Wavelet 和 Zak 变换进行检测和分类”，特邀发言人。马里兰州格林贝尔特。[127] 3 月 15-17 日，IEEE 自适应传感器阵列处理研讨会，“海洋声学层析成像中的射线路径识别”，特邀发言人，麻省理工学院林肯实验室，马萨诸塞州列克星敦。
中国医疗器械 - CN-医疗健康
图3 基于离散小波变换的第一组医学图像采用不同融合规则的结果。a：CT图像；b：MRI图像；c：所提出的方法；d：WAV+CAV；e：WAV+REN；f：WAV+RVA；g：CAV+CAV；h：CAV+REN；i：CAV+RAV；j：REN+CAV；k：REN+RVA；l：REN+RCAV。传统的低频融合规则包括加权平均值（WAV）、系数绝对值（CAV）和区域能量（REN）。而区域系数绝对值（RCAV）、区域能量（REN）和区域方差（RVA）是传统高频融合规则的几个例子。
基于卷积网络的运动想象脑电自制数据集分类算法研究
同时，它将卷积神经网络与传统方法相结合，以基于短时傅立叶变换和连续小波变形的特征提取方法提出特征提取方法。卷积神经网络分类算法使用特征提取算法来提取时间频率特征来制作时间频率图，并使用卷积网络来快速学习分类的功能。测试结果表明，该算法在运动图像脑电图公共数据集中的精度为96％，而自制数据集的精度率约为92％，这证明了算法在运动成像EEG分类中的可行性。
失神性癫痫遗传大鼠模型中的癫痫发作预测：通过多部位皮质-丘脑记录结合机器学习提高性能
癫痫发作预测是癫痫学的一大挑战。然而，人们致力于预测局灶性癫痫发作，而将全身性癫痫发作视为随机事件。在失神性癫痫大鼠的皮质丘脑系统八个位置采集包含数百个全身尖峰和波放电 (SWD) 的长持续时间局部场电位 (LFP) 记录，通过基于小波的算法在所有可能的两个或三个记录位置组合中进行迭代分析，计算小波能量信号同步性增加的乘积。比较了各种组合之间的预测灵敏度和误报率，并将真阳性和假阳性预测的小波谱输入随机森林机器学习算法以进一步区分它们。对皮层内和皮层丘脑 LFP 轨迹进行小波分析表明，与丘脑内组合相比，其误报数量明显较少，而基于体感皮层 IV、V 和 VI 层记录的预测在预测灵敏度方面明显超过所有其他组合。在对九只来自斯特拉斯堡的遗传性失神癫痫大鼠 (GAERS) 的 24 小时样本外记录中，包含 SWD 发生率的昼夜波动，通过训练后的随机森林对真阳性和假阳性进行分类，进一步将误报率降低了 71%，尽管在误报和预测灵敏度之间有所权衡，这反映在相对较低的 F1 分数值上。结果支持失神癫痫的皮层焦点理论，并得出 SWD 在一定程度上是可预测的结论。后者为闭环 SWD 预测预防系统的开发铺平了道路。概述了可能转化为人类数据的建议。
特刊“基于机器学习和深度学习的机器故障诊断和预测的进展”
故障诊断和故障预测旨在通过用预测性或条件性维护策略取代预防性和纠正性维护来减少系统停机时间并优化其性能。诊断算法提供的系统当前健康状态知识以及预测算法提供的系统健康状态随时间演变的知识对于建立预测性和条件性维护必不可少，因此科学界对开发越来越有效的监测算法很感兴趣。在文献中，故障诊断和故障预测方法主要有四种：基于物理模型的方法、数据驱动方法、专家方法和混合方法。数据采集和存储工具以及处理算法的快速发展，加上产生大量数据流的仪器仪表和过程自动化技术的发展，促进了数据驱动方法的发展。本书中提出的论文提出了新的故障诊断和故障预测方法，为结构化和非结构化不确定性、多种故障的存在、缺乏对使用条件的先验知识、特征提取和选择、模型优化和在线实施等科学问题提供了解决方案。本书提供的各种应用支持，从微电子设备到大型系统，强调了每个应用领域特有的实施约束并提出了合适的解决方案。在 [1] 中，提出了一种深度学习方法，该方法结合小波变换用于不同频率和尺度下的特征提取，以及卷积神经网络 (CNN) 用于特征选择和故障分类。两个滤波阶段（小波变换和卷积函数）的关联可以处理过程的非线性机制和变量之间的高度相关性。该方法在制冷剂生产过程中得到了成功验证。 [2] 还将小波变换用作第一步数据处理，并与改进的粒子群优化 (PSO) 和具有线性增加惯性权重的反向传播 (BP) 神经网络相结合。其思想是将 PBNN 与改进的 PSO 算法结合起来进行参数优化，从而提高分类精度。该方法用于交流电源驱动的三相鼠笼感应电动机的故障诊断。考虑的故障包括轴承损坏、定子绕组、匝间短路和转子断条。[3] 也考虑了感应电动机，其研究重点是使用属性选择方法的影响，例如 ReliefF、基于相关性的特征选择 (CFS) 以及基于相关性和适应度值的特征选择 (CFFS)。概率神经网络 (PNN)、径向基函数神经网络 (RBNN) 和反向传播神经网络 (BPNN) 等神经分类器的性能。本研究分析了感应电机的电流信号以进行故障诊断。研究结果表明，ReliefF、CFS 和 CFFS 比未使用的特征选择方法具有更好的效率。[4] 讨论了可变运行条件下的故障诊断问题，其中数据处理是通过统计工具（经验模式分解）和 CFFS 的组合来完成的。
特刊``机器学习和基于深度学习的机器故障诊断和预后的进步''
故障诊断和故障预后旨在减少系统的停机时间，并通过用预测性或有条件的预防和纠正性维护策略来优化其性能。对诊断算法提供的系统的当前健康状况的了解以及预后算法提供的时间演变对于建立预测性和有条件维护是必要的，因此科学界对监测算法的开发越来越多。在文献中，有四个主要的方法来进行故障诊断和失败预后：基于物理模型，数据驱动方法，专家方法和混合方法的方法。数据采集和存储工具的快速开发，处理算法与仪器和过程自动化技术的演变相关联，从而促进了数据驱动方法的开发。本书中提出的论文介绍了故障诊断和失败预后的新方法，这些方法为科学问题提供了解决方案，例如结构化和非结构化的不确定性，存在多个故障，缺乏有关使用条件，特征提取和选择，选择和选择，模型优化和在线实施的先验知识。本书中给出的各种应用程序支持，从微电子设备到大型系统，突出显示了针对每个应用程序每个领域的实现约束，并提供了合适的解决方案。这种方法在制冷剂生产过程中已成功验证。在[1]中，在不同频率和尺度下进行特征提取的深度学习方法，以及用于特征选择和故障分类的卷积神经网络（CNN）。两个过滤阶段的关联（小波变换和卷积功能）允许处理过程的非线性机理以及变量之间的高度相关性。小波变换也用于[2]作为第一个数据处理步骤，与改善的粒子群优化（PSO）和后背传播（BP）神经网络相关，并线性增加了惯性重量。这个想法是将PBNN与改进的PSO算法相结合以进行参数优化，从而可以更好地分类。此方法用于由AC电源驱动的三相松鼠笼电动机的故障诊断。所考虑的故障是轴承损坏，定子绕组，转弯间短路和折叠杆折。Induction motor is also considered in [ 3 ] which focus their study on the impact of the use of attribute selection methods such as ReliefF, correlation-based feature selection (CFS), and correlation and fitness value-based feature selection (CFFS), on the performance of neural classifiers such as probabilistic neural network (PNN), radial basis function neural network (RBNN), and back propagation neural network （bpnn）。这项研究分析了用于故障诊断的感应电动机的当前信号。研究结果表明，与未使用的特征选择方法相比，Relieff，CFS和CFF具有更好的效率。在[4]中处理了可变操作条件下的故障诊断问题，其中数据处理是通过统计工具的组合完成的（经验模式分解 -
缩小技术应用于高维，低样本量神经生理数据集
抽象背景：神经生理信号处理中的一个常见问题是从高维，低样本量数据（HDLSS）中提取有意义的信息。我们提出了Roldsis（低维跨度输入空间的回归），这是一种基于降低性降低的回归技术，将解决方案限制在可用观测值所跨越的子空间中。这避免了收缩回归方法中需要的回归过程中的正则参数。结果：我们将Roldsis应用于语音识别实验中收集的EEG数据。在实验中，连续/da/–/ta/中的变形音节作为声学刺激显示给参与者，并记录与事件相关的电位（ERP），然后通过离散小波转换在时间频率结构域中作为一组特征表示。从参与者执行的初步识别任务中选择每组刺激。身体和心理物理属性与每个刺激有关。roldsis推断与每个属性相关的特征空间中的神经生理轴。我们表明，这些轴可以可靠地估计，并且它们的分离与语音分类的个体强度相关。Roldsis提供的结果在时频域中可以解释，可用于推断语音分类的神经物理学相关性。通过交叉验证进行了与常用的正则回归技术的比较。结论：Roldsis获得的预测误差与脊回归获得的预测误差相当，并且比用Lasso和SPLS获得的预测误差较小。然而，Roldsis无需交叉验证就可以实现这一目标，该程序需要从数据中提取大量观测值，并且在平均试验时，降低了信噪比的降低。我们表明，即使Roldsis是一种简单的技术，它也适用于神经生理信号的处理和解释。关键字：脑电图，事件相关电位，线性回归，高尺寸低样本量问题，尺寸减小，音素分类，离散小波转换
个人简历 Daniela COLȚUC 教授，......
教学： • 目前在 UPB 和法国：信息通信理论 (BSc UPB)、计算成像 (Master UPB)、图像和视频压缩 (Master, Ecole Supérieure d’Ingénieurs Chimie Physique Electronique – CPE Lyon，法国)。 • 过去在 UPB 和法国学习过：信息生物工程（UPB 硕士）、信息处理中的检测和估计（UPB 学士）、计算机系统架构（UPB 学士）、模拟电子学（UPB 学士）、图像压缩中的小波变换（CPE-Lyon 硕士）、信号处理（法国格勒诺布尔国立高等电气工程师学院）、视频序列中的运动分析（CPE-Lyon 硕士）、打印和扫描通道（法国圣艾蒂安让莫内大学硕士）。