XiaoMi-AI文件搜索系统
World File Search Systemsignals
图像和信号的海量数据分析进展...
Josef Bigun Halmstad 大学，瑞典 Valentin Brimkov 布法罗州立学院，美国 Calin Ciufundean Stefan cel Mare 大学，罗马尼亚 Kamil Dimililer 近东大学，土耳其 Andres Gago-Alonso 先进技术应用中心 (CENATAV)，古巴 Daniela Georgi ISTI-CNR，意大利 William Grosky 密歇根大学，美国 Nicolas Jouandeau 文森斯大学 - 巴黎第八大学 | UP8，法国 Tuan Pham 瑞典林雪平大学 Jose Ruiz-Shulcloper 古巴计算机科学大学 (UCI) Rainer Schmidt 德国罗斯托克大学 Bjoern Schuller 德国奥格斯堡大学 / 英国伦敦帝国理工学院 Dorra Sellami ENIS，突尼斯 Dong Si 美国华盛顿大学博塞尔分校 Paolo Soda 意大利罗马生物医学大学 Nasseh Tabrizi 美国东卡罗来纳大学 Joe Tekli 黎巴嫩美国大学，黎巴嫩 Massimo Tistarelli 意大利萨萨里大学
解读植物-昆虫-微生物信号以实现可持续作物生产
1 保护农作物与环境，Rothamsted Research，Harpenden AL5 2JQ，英国 2 系统与进化植物学系，苏黎世大学，Zollikerstrasse 107，8008 Zürich，瑞士；quint.rusman@systbot.uzh.ch 3 美国农业部农业研究服务局（USDA-ARS），谷物与动物健康研究中心，1515 College Ave.，Manhattan，KS 66502，美国；william.morrison@usda.gov 4 圣保罗大学 Luiz de Queiroz 农业学院，Piracicaba 13418-900，SP，巴西；magalhaes.dmm@gmail.com 5 加利福尼亚大学戴维斯分校植物科学系，One Shields Ave.，Davis，CA 95616，美国； jordan.dowell@gmail.com 6 伊利诺伊大学厄巴纳-香槟分校昆虫学系，伊利诺伊州厄巴纳 61801，美国；enn@illinois.edu 7 环境与可持续发展大学生物、物理和数学科学系，加纳索曼尼亚 EY0329-2478；josei-owusu@uesd.edu.gh 8 宾夕法尼亚州立大学昆虫学系化学生态学中心，宾夕法尼亚州立大学公园 16802，美国；kansmanj@psu.edu 9 美国农业部农业研究服务局（USDA-ARS），医学、农业和兽医昆虫学中心，6383 Mahan Dr.，佛罗里达州塔拉哈西 32308，美国； alexander.gaffke@usda.gov 10 印度园艺研究所 ICAR 作物保护部，Hesseraghatta Lake PO，班加罗尔 560089，印度；kamalajayanthi.pd@icar.gov.in 11 美国农业部农业研究服务局（USDA-ARS），天然产品利用研究组，大学，MS 38677，美国；seong.kim@usda.gov 12 美国农业部农业研究服务局（USDA-ARS），亚热带园艺研究站，13601 Old Cutler Rd.，迈阿密，FL 33158，美国 *通信地址：gareth.thomas@rothamsted.ac.uk（GT）；nurhayat.tabanca@usda.gov（NT）；电话：+44-(0)-1582-938707（GT）；电话：+1-786-5737077 (NT) † 这些作者对这项工作做出了同等贡献。
通过极限学习对多频射频信号进行分类，
使用人工神经网络以低能耗成本从射频 (RF) 信号中提取信息是从雷达到健康的广泛应用的关键需求。这些 RF 输入由多个频率组成。在这里，我们表明磁隧道结可以并行处理具有多个频率的模拟 RF 输入并执行突触操作。我们使用一种称为极限学习的无反向传播方法，使用来自同时充当突触和神经元的磁隧道结的实验数据，对由 RF 信号编码的噪声图像进行分类。我们实现了与等效软件神经网络相同的精度。这些结果是嵌入式射频人工智能的关键一步。简介分析射频 (RF) 信号在各种应用中都至关重要，例如联网物体、雷达技术、手势感应和生物医学设备 1–8 。对于许多信号分类任务，例如发射器类型识别，人工神经网络已被证明比标准方法表现更好，并且表现出对噪声和缺陷的卓越鲁棒性 1 。然而，在传统计算硬件上运行神经网络非常耗时且耗能，这使得将这种功能集成到嵌入式系统中具有挑战性 9,10 。这一问题在射频信号的情况下被放大，因为它们需要先进行信号数字化，然后才能由神经网络处理。降低人工智能能耗的一种有前途的方法是利用新兴技术构建物理神经网络 11 。对于这一目标，自旋电子纳米器件具有关键优势，包括多功能性、快速动态、小尺寸、低功耗、高循环性、高可靠性和 CMOS 兼容性 12,13 。此外，自旋电子器件的高速动态为它们提供了发射、接收和处理射频信号的关键特性 14–20 。多项研究表明它们在构建硬件神经网络方面具有潜力 11,21–
改善英国电力市场的位置信号
认为项目开发商在选址发电项目时忽视了位置因素（例如考虑网络投资成本、约束或费用）是不正确的。这种误解产生了一种错误的说法，即网络约束管理成本增加的原因是苏格兰发电（主要是风电）项目选址不当，而项目选址不当必然会导致约束成本进一步增加。事实上，存在各种各样的位置信号会影响电力系统。一些与资源可用性和规划许可等因素有关，但其他则与网络容量的可用性、网络收费和连接前置时间直接相关。平衡机制中还有强烈的位置收入信号（通过价格和资产利用率），可以增强这些信号并使其更加透明。
从 SPGR 信号准确估计 T1
简介 [1] 图的 T 下标可以通过使用不同翻转角和/或重复时间 (TR) 获取的损坏梯度回忆回波 (SPGR) 图像计算得出。信号强度与翻转角和 TR 之间的关联函数是非线性的，但目前广泛使用的是 Gupta 于 1977 年 [1] 提出的线性形式 [1-6]。利用该线性模型，可以用线性最小二乘 (LLS) 法估计 [1] 的 T 下标，该方法具有计算效率高的优点。然而，我们的初步研究发现，使用这种 LLS 方法估计的 [1] 的 T 下标普遍存在偏差且被高估 [7]。我们提出了一种新的加权线性最小二乘 (WLLS) 方法，该方法在拟合中使用调整后的不确定性。所提出的 WLLS 方法用不确定性对每个数据点进行加权，该不确定性可校正由非线性模型转换为线性模型产生的噪声贡献。使用数值和人脑数据模拟来比较使用 LLS、WLLS 和非线性最小二乘 (NLS) 方法估计的 [1] 的 T 下标的准确性。
功能近红外光谱信号的分形性研究
定位研究 20 – 22 旨在识别大脑对特定刺激的激活模式，以及连接研究（功能性或有效） ，其重点是研究大脑各区域之间的功能相互作用，无论是在大脑处于休息状态还是在执行特定任务时。 23 – 27 然而，现在众所周知，大脑是高度动态的 28 – 32 因此，为了更全面地了解其功能，需要能够提取大脑记录中的时间信息的方法。与空间域相比，考虑时间域进行分析的 fNIRS 研究数量要少得多。 33 – 40 例如，在参考文献 33 中，通过应用 Higuchi 分形维数算法 41 表明 fNIRS 信号具有高度复杂度。将小波变换应用于 fNIRS 信号，并表明小波系数可用于训练分类器。在参考文献38–40中，熵已被用来评估患者群体（如患有阿尔茨海默病、注意力缺陷多动障碍和脑外伤的患者）中 fNIRS 信号的复杂性，表明它携带的信息可能与疾病有关。所有这些研究表明，在 fNIRS 信号的复杂特征中存在与潜在大脑活动相关的信息。在本文中，我们利用可视性图（VG）提出了一种揭示 fNIRS 时间序列分形特性的方法。VG 是一种最近引入的方法，它将时间序列映射到图形（称为 VG）。正如将要讨论的，构建图的拓扑属性与时间序列的分形和复杂性有关。42、43 与传统的分形分析方法相比，42 VG 在计算上不太复杂，并且已经用于各种研究。 44 – 49 例如，江等人利用心电图表明，采用 VG 分析可以揭示由调解训练引起的动态变化，表现为规律的心跳，这与自主神经系统的调整密切相关。44 朱等人将基于 VG 的方法应用于酗酒识别，表明该方法有望将酗酒者与控制饮酒者区分开来。48 在参考文献 47 中，结果表明，将 VG 应用于脑电图 (EEG) 信号可以提供区分自闭症儿童和非自闭症儿童的特征。在参考文献 49 中，我们已经表明，通过 VG 提取的 GCaMP6 小鼠钙记录的时间特征带有可用于解码行为的鉴别信息。这里需要注意的是，VG 与功能连接研究中常用的基于图论的方法之间的区别。50 , 51 在典型的功能连接研究中，图是在空间域中构建的，即图中的节点对应于通道或体素的位置，并且两个节点之间的链接基于与两个节点相关的时间序列的统计相似性形成，通过相关性等度量来量化。另一方面，正如将在第 2 节中讨论的那样，在 VG 中，节点对应于时间序列中的时间点，并且链接基于时间点之间的自然可见性形成（图 1）。一旦为每个时间序列形成图，就可以提取图度量来表示时间序列的不同属性。在本文中，我们使用 VG 研究两种条件下 fNIRS 时间序列的分形性：当大脑处于休息状态时和当大脑从事任务时。在两种静息状态条件和两种任务条件下记录了 9 名健康男性受试者的 fNIRS 时间序列。从每个时间序列为每个通道和每种条件构建 VG。然后提取可视性图的无标度性 (PSVG) 的功率并在不同条件下进行比较。据我们所知，这是第一项使用 VG 揭示 fNIRS 记录时间序列时间特征的研究，证明了其在识别 fNIRS 记录中的特征方面的可行性，这些特征可用于获得有关大脑功能的新见解。本文的其余部分组织如下。第 2 节介绍了本研究中用于分析的方法。实验设置的详细信息在第 3 节中给出。第 4 节介绍了结果，最后，在第 5 节中提供了一些讨论。第 2 节描述了本研究中使用的分析方法。第 3 节给出了实验装置的详细信息。第 4 节介绍了结果，最后，第 5 节进行了一些讨论。第 2 节描述了本研究中使用的分析方法。第 3 节给出了实验装置的详细信息。第 4 节介绍了结果，最后，第 5 节进行了一些讨论。
运动执行降低脑电图信号的复杂性
开发检测运动相关大脑活动的新方法是科学许多方面的关键，尤其是在脑机接口应用中。尽管使用传统方法已经揭示了一些众所周知的运动相关脑电图特征，但它们仍然缺乏对运动相关模式的稳健分类。在这里，我们介绍了运动相关大脑活动的新特征，并通过考虑感觉运动皮层中 µ 节律的事件相关去同步 (ERD)，即跟踪相应频带中功率谱密度的下降，揭示了潜在神经元动力学的隐藏机制。我们假设运动相关 ERD 与 µ 波段神经元活动的随机波动抑制有关。这是由于相应振荡模式中涉及的活跃神经元群体数量减少。在这种情况下，我们预计在感觉运动皮层记录的 EEG 信号将具有更规则的动态和更复杂的降低。为了支持这一点，我们通过递归量化分析 (RQA) 应用信号复杂性测量。具体来说，我们证明某些 RQA 量化器对于检测运动开始的时刻非常有用，因此能够对执行的动作的侧面性进行分类。
基于 KNX 的脑信号控制照明系统（...
摘要：KNX 协议被广泛用作楼宇和家庭自动化以及控制照明、暖通空调、遮阳和安全系统的标准，此外，人们越来越需要通过脑信号来控制电器，以帮助行动不便的人。因此，将 KNX 协议和脑信号 (EEG) 结合起来，提出一个基于 KNX 的系统（例如由脑信号直接控制的照明系统）非常重要。所提出的系统由三部分组成。最初，第一部分用于检测来自大脑皮层的 EEG 信号。第二部分是我们研究的核心，它代表一个网关，接收检测到的 EEG 信号，对其进行分析，生成适当的 KNX 命令，并将这些命令发送到所提出的系统的最后部分；它是使用 KNX 协议实现的照明系统 (LS)。