XiaoMi-AI文件搜索系统
World File Search System任务分类
基于深度学习的步行任务分类......
摘要 — 步态特征下降在老年人中很常见，是残疾、发病和死亡风险增加的指标。在双任务步行 (DTW) 条件下，老年人的步态和次要认知任务的表现进一步下降，这与跌倒史显着相关。最近有研究通过功能性近红外光谱 (fNIRS) 测量老年人 DTW 期间的步态皮质控制，特别是前额皮质 (PFC)。然而，在单任务和双任务步态条件下认知激活差异的自动分类尚未得到广泛研究。在本文中，我们将其制定为分类任务，并利用深度学习对 STW、DTW 和单认知任务 (STA) 进行自动分类。我们对数据样本进行分析，揭示 HbO2 和 Hb 值之间差异的特征，随后将其用作附加特征。我们执行特征工程，将 fNIRS 特征公式化为 3 通道图像，并应用各种图像处理技术进行数据增强，以提高深度学习模型的性能。实验结果表明，使用收集的 fNIRS 数据集以及性别和认知状态信息进行微调的预训练深度学习模型可以实现约 81% 的分类准确率，比传统机器学习算法高出约 10%。我们进一步进行了消融研究，以确定 fNIRS 级别和/或体素位置等特征对分类任务贡献的排名。
使用卷积进行心算任务分类......
摘要 — 近年来，神经科学家一直对脑机接口 (BCI) 设备的开发很感兴趣。运动障碍患者可能受益于 BCI 作为一种交流方式和运动功能恢复。脑电图 (EEG) 是评估神经活动最常用的方法之一。在许多计算机视觉应用中，深度神经网络 (DNN) 显示出显着的优势。为了最终使用 DNN，我们在此介绍一种浅层神经网络，它主要使用两个卷积神经网络 (CNN) 层，具有相对较少的参数并能快速从 EEG 中学习频谱时间特征。我们将此模型与其他三种具有不同深度的神经网络模型进行了比较，这些模型应用于适合患有运动障碍和视觉功能下降患者的闭眼状态心算任务。实验结果表明，浅层 CNN 模型优于所有其他模型，并实现了 90.68% 的最高分类准确率。它在处理跨主题分类问题时也更加强大：准确率标准差仅为 3%，而传统方法的准确率标准差为 15.6%。
ESA任务分类和项目采用新的微电子开发
• Power Support Boards (Various) • Telemetry and Control (T&C) Board • Video Compression Boards (Various) • Image Processing Board (Various) • Solid State Drive Board • Serial Digital Board • Battery Support Board • Value Driver Board • Motor Control Board • 1553 Interface Board • Dual SSD Board with Cold Spare • Half-Bridge Controller Board • Actuator Drive Board • Analog Telemetry Board • Deployment Actuator and Monitor
![arXiv:2111.08154v1 [cs.HC] 2021 年 11 月 16 日](/simg/g:\will\search\icon\source\a\a3db6c388ab3c9660f6d87ba0a937b1ee45cbc6c.webp)
arXiv:2111.08154v1 [cs.HC] 2021 年 11 月 16 日
本文研究了心理任务分类——基于脑机接口 (BCI)，因为这是 BCI 的主要研究领域，而且这些系统可以改善严重残疾的人的生活，因此备受关注。BCI 模型的性能主要取决于特征向量的大小，该向量通过多个通道获得。在心理任务分类的情况下，特征的训练样本可用性极低。通常，特征选择用于通过去除不相关和多余的特征来提高心理任务分类的比率。本文提出了一种选择相关和非冗余光谱特征进行心理任务分类的方法。这可以通过使用四种非常知名的多变量特征选择方法来实现，即 Bhattacharya 距离、散点矩阵比、线性回归和最小冗余与最大相关性。这项工作还涉及心理任务分类的多变量和单变量特征选择的比较分析。应用上述方法后，研究结果表明，学习模型在心理任务分类方面的性能得到了显著改善。此外，通过执行稳健的排序算法和弗里德曼统计测试来找到最佳组合并比较功率谱密度和特征选择方法的不同组合，证明了所提出方法的有效性。
基于脑电信号的深度神经网络——...
摘要：背景。对于运动受限或没有运动能力的患者，需要使用脑电图 (EEG) 信号进行心理任务识别。可以应用与受试者无关的心理任务分类框架来识别没有可用训练统计数据的受试者的心理任务。深度学习框架在研究人员中很受欢迎，用于分析空间和时间序列数据，使其非常适合对 EEG 信号进行分类。方法。在本文中，提出了一种深度神经网络模型，用于从 EEG 信号数据中对想象任务进行心理任务分类。通过应用拉普拉斯表面对从受试者获取的原始 EEG 信号进行空间滤波后，获得 EEG 信号的预计算特征。为了处理高维数据，进行了主成分分析 (PCA)，这有助于从输入向量中提取最具鉴别力的特征。结果。提出的模型是非侵入性的，旨在从从特定受试者获取的 EEG 数据中提取心理任务特定特征。训练是在除一名受试者之外的所有受试者的平均组合功率谱密度 (PSD) 值上进行的。使用基准数据集评估了基于深度神经网络 (DNN) 的所提模型的性能。我们实现了 77.62% 的准确率。结论。性能和与相关现有工作的比较分析验证了所提出的跨受试者分类框架在根据 EEG 信号执行准确的心理任务方面优于最先进的算法。
MCWP 3-26 空中侦察 - Marines.mil
战争级别。。。。。。。。。。。。。。。。。。。。。。。。...... div>....1-1 战略层面 .。。。。。。。。 < /div>............ div>.........1-2 操作级别。.. < /div>............ div>............1-2 战术等级。 . . . . . 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 1-3 类别。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 1-3 目视侦察。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。1-2 战术等级。.....。。。。。。。。。。。。。。。。。。。。。。。。。1-3 类别。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-3 目视侦察。。。。。。。。。。。。。。。。。。。。。。。1-3 图像侦察。.....................1-4 电子侦察。.....................1-5 原则。.....。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-5 集成。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-6 准确性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-6 相关性。。。。。。。。。。。。。。。。。。。。。.............1-7 及时性 .。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-7 先决条件。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-8 空中优势。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-8 压制敌方防空系统。。。。。。。。。。。。1-9 合作天气。。。。。。。。。。。。。。。。。。。。。。。。1-9 有能力的平台和传感器。。。。。。。。。。。。。。。。1-9 灵活控制。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-10 响应时间 ...............................1-10 前方驻扎 ..............。。。。。。。。。。。。1-10 警报状态。。。。。。。。。。。。.....................1-10 任务分类 .........................1-10 海军陆战队空地特遣部队的空中侦察支援 ...。。。。。。。1-12 载人。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-14 无人。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-14 卫星。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1-16
与EEG和眼睛跟踪数据的跨主题阅读任务分类的Zuco基准
我们提出了一个新的机器学习基准，用于阅读任务分类，目的是在计算语言处理与认知神经科学之间的相交中推进脑电图和眼睛追踪研究。基准任务由一个跨主体分类组成，以区分两个阅读范式：正常阅读和特定于任务的读数。基准的数据基于苏黎世的认知语言处理语料库（ZUCO 2.0），该语料库提供了同时引人注目的视线和来自英语句子的自然阅读的EEG信号。培训数据集已公开可用，我们提出了新记录的隐藏测试集。我们为此任务提供多种可靠的基线方法，并讨论未来的改进。我们发布代码，并提供易于使用的界面，以使用随附的公共排行榜：www.zuco-benchmark.com评估新方法。
用于脑部的三元双向 LSTM 分类...
摘要 — 功能性近红外光谱 (fNIRS) 是一种非侵入性、低成本的方法，用于研究大脑的血流模式。这种模式可以让我们根据受试者的行为进行分类。在最近的研究中，大多数分类系统使用传统的机器学习算法对任务进行分类。这些方法更容易实现，但通常准确性较低。此外，在实施传统的机器学习方法之前，需要进行复杂的数据准备预处理阶段。所提出的系统使用基于双向 LSTM 的深度学习架构进行任务分类，包括使用 fNIRS 数据的心算、运动想象和空闲状态。此外，与传统方法相比，该系统需要更少的预处理，节省时间和计算资源，同时获得 81.48% 的准确率，这比使用传统机器学习算法对同一数据集获得的准确率高得多。
manigussian：用于多任务机器人操纵材料的动态高斯碎片，在此补充材料中，我们提供additio
rlbench数据集。在本节中，我们提供了RL-Bench [4]数据集和我们的培训管道的简洁概述。表1是我们在实验中使用的10个选定任务的概述。我们的任务变化包括随机采样的颜色，大小，计数，位置和对象类别。我们有20种阴影的调色板，包括红色，栗色，绿色，蓝色，海军，黄色，青色，洋红色，银，灰色，橙色，橙色，橄榄，紫色，紫色，蓝绿色，蓝色，紫色，紫罗兰，玫瑰，黑色和白色。对象的大小分为两种类型：短和高。对象的数量可以为1、2或3。其他属性因特定任务而异。此外，对象在一定范围内随机排列在桌面上，增加了任务的多样性。在消融研究中，我们根据[3]的任务分类从表1的RLBench任务分组为6个类别，并根据其主要挑战。任务组包括：
使用多分辨率奇异值分解（MSVD）
大脑计算机界面（BCI）多模式融合具有通过减轻与单个模态相关的缺点来以高度可靠的方式生成多个命令的潜力。在本工作中，通过同时记录的脑电图（EEG）（EEG）和功能性近红外光谱（FNIRS）信号融合来获得的混合EEG-FNIRS BCI系统 - 用于克服Uni-Mododity的局限性并获得更高的任务分类。尽管混合方法增强了系统的性能，但由于缺乏融合这两种方式的计算方法的可用性，这些改进仍然是适中的。为了克服这一点，提出了一种新的方法，使用多分辨率的奇异值分解（MSVD）来实现基于系统和特征的融合。使用KNN和树分类器比较了两种基于不同特征集的方法。通过多个数据集获得的结果表明，所提出的方法可以有效地融合这两种方式与分类精度的提高。