XiaoMi-AI文件搜索系统
World File Search Systemimagery
运动想象中的 μ 抑制检测
本文讨论了脑机接口 (BCI) 中脑电图 (EEG) 信号中 μ 抑制的检测。为此，提出了一种基于统计模型和线性分类器的有效算法。确切地说，提出了广义极值分布 (GEV) 来表示中枢运动皮层 EEG 信号的功率谱密度。使用最大似然法估计相关的三个参数。基于这些参数，设计了一个简单而有效的线性分类器来对三类事件进行分类：想象、运动和静息。初步结果表明，所提出的统计模型可用于精确检测 μ 抑制并区分不同的 EEG 事件，具有非常好的分类精度。
解码早期视觉皮层中的运动意象和动作规划：重叠但不同的神经机制
最近的证据表明，初级视觉皮层的作用不仅限于视觉处理，还包括行动规划等高级认知和运动相关功能，即使在没有前馈视觉信息的情况下也是如此。有人提出，在神经层面上，运动意象是基于运动表征的模拟，神经影像学研究表明，额叶和顶叶皮层中的运动意象和动作执行存在重叠和共享的活动模式。然而，早期视觉皮层在运动意象中的作用仍不清楚。在这里，我们对功能性磁共振成像 (fMRI) 数据进行了多体素模式分析，以检查是否可以从早期视觉皮层中目标物体的视网膜位置的活动模式中可靠地解码运动意象和动作意图的内容。此外，我们研究了特定动作之间的区分是否适用于想象和意图的动作。18 名右撇子人类参与者（11 名女性）想象或执行延迟的手部动作，朝向一个位于中心的物体，该物体由一个附着在大形状上的小形状组成。动作包括抓取大或小的形状，并伸手到物体的中心。我们发现，尽管不同的计划和想象运动的 fMRI 信号幅度相当，但早期视觉皮层以及背侧运动前区和前顶叶内皮层中的活动模式准确地代表了动作计划和动作意象。然而，无论动作是在顶叶皮层而不是早期视觉皮层或运动前区主动计划还是隐秘想象的，运动内容都是相似的，这表明只有在高度专门从事物体导向的抓取动作和运动目标的区域才存在广义的运动表征。总之，动作计划和意象在皮层动作网络中具有重叠但不相同的神经机制。
皮质兴奋性控制着心理意象的强度
摘要 心理意象为回忆过去和规划未来提供了重要的模拟工具，其强度影响认知和心理健康。研究表明，横跨前额叶、顶叶、颞叶和视觉区域的神经活动支持心理意象的生成。该网络究竟如何控制视觉意象的强度仍不得而知。在这里，脑成像和经颅磁光幻视数据显示，早期视觉皮层（V1-V3）的静息活动和兴奋水平越低，预示着更强的感觉意象。此外，使用 tDCS 以电方式降低视觉皮层兴奋性会增加意象强度，表明视觉皮层兴奋性在控制视觉意象方面具有因果作用。总之，这些数据表明皮层兴奋性参与控制心理意象强度的神经生理机制。
实时识别脑电图上的运动想象动作...
摘要 脑机接口 (BCI) 处理算法需要强大的计算设备才能实时执行。在本文中，提出了一种用于对代表两个运动想象任务的脑电图 (EEG) 信号进行分类的硬件高效设计，并在现场可编程门阵列 (FPGA) 上实现。小波包分解 (WPD) 用作特征提取算法，线性判别分析 (LDA) 用作分类器。该系统是使用 System Generator 设计的，并使用硬件/软件联合仿真在 Zybo 板上实现。仿真结果显示，在两个运动想象任务的分类过程中准确率为 80%，时钟频率为 1.5 MHz 时延迟为 7.5 毫秒，功耗为 0.102 W。此外，所使用的 FPGA 资源量少于以前的类似工作，证明设计系统不仅实现了良好的准确性，而且以高效的方式实现了这一目标。
现实生活中的在线自定步调 BCI 中的发作检测图像
方法：我们之前的研究表明，一种新的声音想象 (SI) 任务，高音调隐蔽声音产生，对于发作检测场景非常有效，并且我们预计它比迄今为止使用的最常见的异步方法，即运动想象 (MI) 有几个优势：1) 直观；2) 对运动障碍人士，尤其是皮质运动区域受损人士有益；3) 与其他常见的自发认知状态没有显著重叠，使其更容易在日常生活中使用。将该方法与在线现实场景中的 MI 任务进行了比较，即在观看视频和阅读文本等活动期间。在我们的场景中，当屏幕上出现来自通讯程序的新消息提示时，要求正在观看视频（或阅读文本、浏览图像）的参与者通过分别针对每个实验条件执行 SI 或 MI 任务来打开消息。
从无人机图像中提取的特征解释冬小麦谷物产量变化的主要变量选择 从无人机图像中提取的特征解释冬小麦谷物产量变化的主要变量选择
摘要背景：自动化表型分析技术正在不断推进育种进程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要付出巨大的努力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取出对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计数据和动态增长率。变量选择采用参数算法LASSO回归（最小角度和收缩选择算子）和非参数算法随机森林。使用LASSO估计的回归系数和随机森林提供的排列重要性得分来确定每个算法中影响粮食产量的十个最重要的变量。结果：两种选择算法都将最高重要性得分分配给灌浆期前后与植物高度相关的变量。一些植被指数相关变量也被算法选择，主要在生长早期到中期和衰老期间。与使用从测量表型得出的所有172个变量进行产量预测相比，使用选定的变量表现相当甚至更好。我们还注意到，适应性 NE 品系的预测准确度 (r = 0.58–0.81) 高于本研究中具有不同遗传背景的其他品系 (r = 0.21–0.59)。
从无人机图像中提取的特征中选择主要变量来解释冬小麦的产量变化
摘要背景：自动化表型分析技术正在不断推进育种过程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要巨大的精力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计和动态增长率。采用参数算法、LASSO 回归（最小角度和收缩选择算子）和非参数算法、随机森林进行变量选择。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分，从每个算法中确定影响粮食产量的十个最重要的变量。结果：两种选择算法都对灌浆期前后与植物高度相关的变量赋予了最高的重要性得分。还选择了一些与植被指数相关的变量
航空高光谱图像和深度神经网络……
农作物产量需要以可持续的方式增加，以满足日益增长的全球粮食需求。为了确定具有高产潜力的农作物品种，植物科学家和育种家在数年间评估了多个地点数百个品系的表现。为了促进选择先进品种的过程，本研究开发了一个自动化框架。高光谱相机安装在无人机上，以收集具有高空间和光谱分辨率的航空图像。在连续两个生长季从三个实验产量田拍摄航空图像，这些田地由数百个实验地块（1×2.4 米）组成，每个实验地块包含一个小麦品系。联合收割机收割了上千块小麦地块的谷物，称重并记录为地面真实数据。为了利用高空间分辨率并研究地块内的产量变化，通过整合图像处理技术和光谱混合分析与专家领域知识，将地块图像划分为子地块。随后，使用分层抽样将子地块数据集划分为训练集、验证集和测试集。从每个子地块提取特征后，对深度神经网络进行产量估计训练。在子地块规模上预测测试数据集产量的决定系数为 0.79，均方根误差为 5.90 克。除了提供对子地块规模产量变化的见解外，所提出的框架还可以促进高通量产量表型分析过程，作为一种有价值的决策支持工具。它提供了以下可能性：（i）远程目视检查地块，（ii）研究作物密度对产量的影响，以及（iii）优化地块大小以每年在专用田地中调查更多线路。
利用无人机传感图像估计农林牧复合系统中树木种植园的位置和高度
摘要 典型地中海树种的人工林对于该地区森林生态系统的恢复至关重要，例如栓皮栎 ( Quercus suber L.)、圣栎 ( Quercus ilex L.) 和大叶松 ( Pinus pinea L.)。虽然传统的森林清查可以提前发现这些人工林中的问题，但所需实地考察的成本和劳动力可能超过其潜在效益。无人机 (UAV) 为传统清查和单树测量提供了一种廉价实用的替代方案。我们提出了一种根据遥感图像估算单树高度和位置的方法，该图像使用集成 RGB 传感器的低空飞行无人机获取。2015 年夏天，一架低空飞行 (40 米) 六旋翼飞行器拍摄了埃武拉大学一片 5 公顷的树林。根据这些图像创建了 3D 点云和正射影像。点云用于识别局部最大值作为树木位置和高度估计的候选。结果表明，使用无人机测量的松树高度可靠，而橡树的可靠性取决于树木的大小：较小的树木尤其成问题，因为它们往往具有不规则的树冠形状，导致更大的误差。然而，误差显示出强烈的趋势，可以生成足够的模型来改进估计。
热带森林机载SAR图像的纹理及其...
摘要。在 C 波段，SAR 图像在不同类型的自然土地覆盖之间通常表现出很小的平均振幅变化。但是，在这种图像的纹理属性中经常可以找到大量信息，尤其是在以高空间分辨率获取时。这种纹理信息可能有助于观察影响陆地表面植被均匀性的过程，例如人类干扰后再生热带森林的阶段性演替，其特点是随着再生物种被硬木物种取代，冠层均匀性逐渐降低。在本研究中，比较了三种测量巴西中部热带森林地区 C 波段机载 SAR 图像纹理的技术。通过使用 Landsat TM 图像的时间序列来独立估计再生年龄，评估这些测量对森林再生阶段的依赖性。每种纹理测量都能够很好地区分成熟森林和其他类型的植被，而仅使用图像振幅无法做出相同的区分。不同年龄的再生树似乎可以进一步区分，但很难定量证明，因为很难对再生年龄进行令人满意的验证。