XiaoMi-AI文件搜索系统
World File Search System于小波
瑞典可再生能源消费和结构变化的环境影响：基于小波的格兰杰因果关系方法的新视角
本文评估了瑞典二氧化碳排放与金融发展、经济增长、可再生能源使用、结构变化和不可再生能源使用之间的时频分析相互关系。我们使用了 1980 年至 2019 年的季度数据集。为了揭示这些相互关系，我们利用了小波工具（基于小波的格兰杰因果关系和小波相干性）。基于小波的格兰杰因果关系 (WGC) 检验解释了时间序列分析中的多个时间尺度问题。WGC 的另一个独特之处在于它能够抵抗时间序列模型中的分布假设和错误指定。此外，小波相干性估计器可以即时评估模型中相互作用指标之间的相关性和因果关系。小波相干性的结果显示，可再生能源、金融发展、经济增长、结构变化和贸易开放提高了环境质量，而非可再生能源则加剧了二氧化碳的排放。此外，WGC 还显示，所有变量都可以相互预测。基于这些发现，瑞典的政策制定者应该更加注重提高公众对可再生能源和环境保护的认识。我们相信，瑞典转向服务业主导的增长将有助于保护环境。
基于小波的特征提取及SVM分类
Pradesh) 摘要 本文探讨了使用小波变换技术在运动想象 (MI) 任务中对 EEG 信号进行特征提取和分类，重点关注事件相关去同步 (ERD) 和事件相关同步 (ERS) 现象。该研究强调了离散小波变换 (DWT) 相对于连续小波变换 (CWT) 的有效性，因为它在处理时间上更高效，并且能够紧凑地表示信号。根据能量压缩特性和捕获与 MI 相关的信号特征的能力对各种小波函数进行了评估，包括 Daubechies 和双正交小波。选择在近似带中表现出最高能量集中的小波进行进一步分析。使用这些选定的小波从 EEG 信号中提取特征，并使用统计和 (HoS) 度量（例如均值、方差、偏度和峰度）进行表征。然后使用这些特征来训练具有不同核函数的支持向量机 (SVM) 分类器。分类结果显示，小波 J db10 和 J bior6.8 的准确率最高，表明它们最适合 MI 任务中的 EEG 信号分析。研究结果表明，优化的小波特征提取与先进的机器学习技术相结合，具有提高脑机接口 (BCI) 系统分类性能的潜力。
研究论文：基于小波卷积神经网络和支持向量机的混合脑电情绪识别方法
方法：本文提出了一种基于从小波 CNN（WCNN）加权层提取的深度特征和多类支持向量机（MSVM）的混合方法来提高从脑电图（EEG）信号中识别情绪状态的能力。首先，使用连续小波变换（CWT）方法对 EEG 信号进行预处理并将其转换为时频（TF）颜色表示或尺度图。然后，将尺度图输入到四个流行的预训练 CNN，AlexNet、ResNet-18、VGG-19 和 Inception-v3 中进行微调。然后，将每个 CNN 中的最佳特征层用作 MSVM 方法的输入，以对效价-唤醒模型的四个季度进行分类。最后，使用与受试者无关的留一受试者排除标准在 DEAP 和 MAHNOB-HCI 数据库上评估所提出的方法。
基于小波的电机的混合学习框架...
2伊拉克摩苏尔大学工程学院，伊拉克摩苏尔大学工程学院3生物医学工程系，工程学院，艾尔·纳兰大学，10072，伊拉克巴格达，伊拉克通讯 *Ali al-al-Saegh计算机工程系在许多现实情况下的应用，研究人员仍在提供许多方法，以更好地分析运动成像（MI）脑电图（EEG）信号。 通常，由于其非平稳性和高维度，EEG信号很复杂。 因此，需要在特征提取和分类中进行高度考虑。 在本文中，建立了几种混合分类模型，并比较了它们的性能。 三个著名的小波母函数用于从原始信号中生成缩放图。 尺度图用于传输众所周知的VGG-16深网络。 然后，使用六个分类器之一来确定输入信号的类别。 在两个MI EEG数据集上比较母亲功能和分类器不同组合的性能。 几个评估指标表明，使用Amor Mother小波函数的神经网络分类器的VGG-16特征提取器模型的表现优于最新研究的结果。 关键字：大脑计算机界面，深度学习，运动图像，转移学习，小波转换。2伊拉克摩苏尔大学工程学院，伊拉克摩苏尔大学工程学院3生物医学工程系，工程学院，艾尔·纳兰大学，10072，伊拉克巴格达，伊拉克通讯 *Ali al-al-Saegh计算机工程系在许多现实情况下的应用，研究人员仍在提供许多方法，以更好地分析运动成像（MI）脑电图（EEG）信号。通常，由于其非平稳性和高维度，EEG信号很复杂。因此，需要在特征提取和分类中进行高度考虑。在本文中，建立了几种混合分类模型，并比较了它们的性能。三个著名的小波母函数用于从原始信号中生成缩放图。尺度图用于传输众所周知的VGG-16深网络。然后，使用六个分类器之一来确定输入信号的类别。在两个MI EEG数据集上比较母亲功能和分类器不同组合的性能。几个评估指标表明，使用Amor Mother小波函数的神经网络分类器的VGG-16特征提取器模型的表现优于最新研究的结果。关键字：大脑计算机界面，深度学习，运动图像，转移学习，小波转换。
使用基于小波散射的特征对酒精性脑电图进行分类
在研究问题和相关数据集之后，特征提取是机器学习和数据科学管道的最重要组成部分。小波散射变换（WST）是最近开发的基于知识的特征提取技术，在结构上像卷积神经网络（CNN）一样。它保存在高频中，对信号变形不敏感，并产生分类任务中通常需要的实价信号的较低差异。借助来自公共可用UCI数据库的数据，我们研究了从多通道脑电图（EEG）信号中提取的基于WST的功能的能力，以区分20名酗酒和20个男性健康的男性的男性受试者的1.0-S EEG记录。使用记录的10倍交叉验证，我们发现输入到支持向量机（SVM）分类器的基于WST的特征能够正确对所有酒精和正常EEG记录进行正确分类。使用1D CNN实现了类似的性能。相比之下，最高的独立主题平均值10倍跨验证性能是通过馈送到线性判别（LDA）分类器的基于WST的特征实现的。使用两种10倍的交叉验证方法获得的结果表明，WST与CON CON CONTAILAL分类器一起是CNN的替代品，用于对酒精和正常脑电图分类。在区分酒精和正常的脑电图记录方面，枕骨和顶部区域的基于WST的特征是最有用的。
标题：基于小波的变分近似功能磁共振成像中的脑活动联合检测-估计
自从首次报道人类的血氧水平依赖性 (BOLD) 效应 (Ogawa 等人，1990) 以来，功能性磁共振成像 (fMRI) 就成为一种强有力的工具，可以非侵入性地研究感觉运动或认知任务与间接反映诱发神经活动的血流动力学 BOLD 反应之间的关系。fMRI 使我们能够确定当人类受试者受到特定刺激时哪些皮质区域会引起激活。fMRI 的主要目标之一是通过探索接受相同实验范式的一组受试者 (通常约 15 个) 来显示共同认知功能的存在。组级分析很大程度上依赖于公平的受试者内统计分析。后者传统上是使用基于实验设计矩阵的一般线性模型 (GLM) 进行的，该矩阵指定了对每个刺激的预期 BOLD 响应。这种 GLM 还假定了所谓的血流动力学响应函数 (HRF) 的预设形式。然而，将后者函数固定为某种规范形状似乎过于严格且具有误导性。事实上，正如各种实验所证明的那样，HRF 可能因受试者而异，甚至可能因给定受试者大脑皮层区域而异。