XiaoMi-AI文件搜索系统
World File Search System信号分析
通过描述性统计和机器学习进行全面的 GPR 信号分析
摘要 —本文全面分析了各种土壤特性如何影响探地雷达 (GPR) 接收信号的特征。这些特性包括介电特性、厚度、层数、雷达配置和表面粗糙度。本文使用 gprMax 进行了详尽的分析，模拟了不同的土壤介质场景，以展示这些参数如何影响 GPR 接收信号。所提出的方法通过描述性统计分析从接收信号中提取关键特征以表征土壤。然后，本文部署了机器学习 (ML) 技术，特别是随机森林 (RF) 模型和基尼均值减少杂质 (MDI) 作为度量，以识别数据集中最有影响力的特征。此过程从时域中提取一组简洁的特征，然后使用频域特征进行扩展。所提出的方法不仅可以有效地捕获高维 GPR 数据中的关键信息，还可以降低其维数，确保保留基本信息。使用这些重要特征而不是复杂的原始 A 扫描数据来训练 ML 和深度学习 (DL) 模型，可以实现更准确的土壤湿度和地下分析。
原创研究基于多脑区脑电信号分析的抑郁症检测
背景：脑电图作为检测脑部神经电活动的客观方法，已被成功应用于重度抑郁症（MDD）的检测，但脑电通道和脑区的选择直接影响检测算法的性能。方法：针对上述问题，提取非线性特征Lempel-Ziv复杂度（LZC）和频域特征功率谱密度（PSD）对EEG信号进行分析，并在闭眼和睁眼静息状态下研究不同脑区及脑区组合对MDD检测的影响。结果：MDD患者的平均LZC高于对照组，MDD患者的平均PSD普遍低于对照组。颞区是MDD检测的最佳脑区，检测准确率为87.4%；最佳多脑区组合的检测准确率为92.4%，由额叶、颞叶和中枢脑区组成。结论：本文验证了多脑区检测MDD的有效性，为探索MDD的病理机制、创新诊疗方法提供了新思路。
准定量合并的小信号分析，以预测DC-DC
摘要：本文提出了一种准量化的小信号模拟方法，以预测DC-DC降压转换器的低频辐射发射。通过小信号分析有效地替换瞬态分析的模拟方法，并讨论了对低频辐射发射的环境影响。通过为TPS54560类型开关IC进行的评估板上执行的测量和模拟来提出该方法的效率和准确性。模拟结果非常适合DC-DC转换器模块的辐射发射性能。使用拟议的方法，可以在不使用时间消耗瞬态分析的情况下实现快速准确的参数结果。关键字：电磁兼容性，模拟，辐射发射，DC-DC转换器
社论：生物医学信号分析中的机器学习和深度学习
基于脑部计算机接口（BCI）和神经活动中的次生或第三级副产物产生的脑机制接口（BCI）和医学图像，在临床诊断，患者监测和生物医学研究中广泛使用。因此，如何进行有效检测，分析和研究生物医学信号对人类研究生命现象和医学科学的重要性非常重要。最近，机器学习技术，尤其是深度学习，具有明显的先进的生物医学信号分析。遵循这一行，本研究主题中所考虑的文章表明，这种知识领域正在迅速扩展，并且在过去几年中取得了巨大的进步。在生物医学信号分析中使用先进的深度学习方法和机器学习方面仍然存在各种尚未解决的问题，例如，弱的概括，遥不可及的性能，有限的数据集和数据筒仓。在本研究主题中，我们有一个为脑电图或医学图像使用多模式深度学习模型的示例，但是这些多模式作品的可行性依赖于原始数据集。此外，在脑电图或医学图像处理中研究了转移学习框架和对抗性学习的潜力。依靠其在大规模数据，机器学习和深度学习模型的强大拟合能力上，通常用于分析诸如脑电图和医学图像之类的生物医学信号，这些信号在p300-BCI，运动图像和医学图像处理中表现出了优势，但是在小型数据集中，它们在p300-BCI中的广泛性能力仍然有限。。他们发现多模式双级刺激研究工作致力于研究适当的机器学习和生物医学信号分析的深度学习解决方案，以及模型的解释性，因此至关重要。在本社论中，我们总结了使用鸡蛋或医学图像分析中深度学习的七个贡献文章中每一个中详细介绍的主要发现和观点。已经讨论了机器学习方法在解码卵信号中的优势，并提出了基于支持向量机的稀疏空间解码方法，由Hou等人提出。
跨任务导向的脑电信号分析方法
跨任务脑电信号分析方法研究已成为一个快速发展的研究热点。近年来，越来越多的研究者将脑电信号分析中广泛使用的特征应用到跨任务脑电信号分析研究中，包括功率谱密度（PSD）特征（Touryan et al.，2016；Adewale and Panoutsos，2019）、融合特征（Kakkos et al.，2021）等，旨在找到有效处理任务间差异的方法。同时，一些研究者通过与传统特征分类方法进行比较，探索出对不同任务之间的差异更加友好的分类器，包括多层感知器神经网络（MLPNN）（Kamrud et al.，2021）、领域自适应方法（Zhou et al.，2022）、滑动窗口支持向量机（SVM）（Boring et al.，2020）等。另一方面，为了缩小任务间的差异，提出了一些基于深度学习模型的新型跨任务模型，如卷积神经网络（CNN）（Mota et al.，2021）、循环神经网络（RNN）（Gupta et al.，2021）、基于度量的方法（Jia et al.，2023）、CNN 与 RNN 的组合（Zhang et al.，2019；Zhou et al.， 2019；Taori等，2022）等。但跨任务脑电信号分析方法领域仍有许多未探索的领域，例如：任务分割与复杂度设计（Kamrud等，2021）、多源域自适应应用（Zhou等，2022）、多尺度多方向滤波器研究（Taori等，2022）、同时考虑特征提取和特征分类、增加数据量等。另外，跨任务分析与比较常见的跨学科研究也存在一些相互联系。本研究将从特征提取和特征分类的角度对跨任务脑电信号分析相关的文献进行综述，并讨论跨任务研究与跨学科研究对于脑电信号分析的关系，最后提出我们原创的观点，以期为跨任务脑电信号分析研究领域提供有益的建议。
使用现场声学传感和小波图信号分析进行基于线的定向能量沉积过程中的监测和缺陷检测
本研究的目的是利用现场传感器数据检测基于焊丝的定向能量沉积 (W-DED) 过程中的缺陷形成。本研究研究的 W-DED 类似于金属惰性气体电弧焊。W-DED 在工业上的应用受到限制，因为该过程易受随机和环境干扰的影响，这些干扰会导致电弧不稳定，最终导致缺陷形成，如孔隙度和不理想的几何完整性。此外，由于 W-DED 部件尺寸较大，很难使用 X 射线计算机断层扫描等非破坏性技术在处理后检测缺陷。因此，本研究的目标是使用从安装在电弧附近的声学传感器获取的数据来检测 W-DED 部件中的缺陷形成。为了实现这一目标，我们开发并应用了一种新颖的小波集成图论方法。该方法从受噪声污染的声学传感器数据中提取一个称为图拉普拉斯菲德勒数的单一特征，随后在统计控制图中跟踪该特征。使用这种方法，可以检测到各种类型缺陷的发生，误报率低于 2%。这项工作展示了使用高级数据分析进行 W-DED 现场监测的潜力。2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可证开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
基于蝙蝠脑电信号分析的优化深度学习模型设计
基于蝙蝠脑电信号分析优化深度学习模型的设计 3 技术 ( Zhang 等 2018 ) 、EEG-AR 模型 ( Ouyang 等 2020 )、卷积神经系统
精神压力的 EEG 信号分析 - IIUM 存储库 (IRep)
摘要 心理压力如今已被视为一个重要问题。长期压力可能导致许多严重疾病，如心脏病发作、糖尿病、可能的猝死和精神障碍。传统的临床检测和监测压力的技术主要基于问卷调查和访谈。然而，由于它们的局限性和数据处理障碍，迫切需要更先进的技术。最近，许多研究集中于使用生理信号（如心脏活动、大脑活动、肌肉活动、语音和面部表情）对心理压力进行分类。从大脑活动收集数据的一种方法是使用一种名为脑电图 (EEG) 的非侵入式设备。本文简要介绍了 EEG，然后全面分析了伪影及其去除技术。讨论了 EEG 中的两种伪影及其去除方法，以及专家面临的挑战、优势和不同障碍。还讨论了用于心理压力分类的可能的机器学习 (ML) 和深度学习 (DL) 模型。此外，还讨论了提高压力检测准确性的可能方法的未来方向。© 2022 Little Lion Scientific。
t 的脑电图信号分析
摘要（泰语）................................................ ........................................... .........................摘要（英文）................................................. ........................................... ...................致谢................................................................. ........................................... .........................目录 ............................................... ................................................. .................................................目录 ............................................... ........................................... ...................................目录................................................ ................................................. .........................................章节
脑电信号分析
页码摘要（泰语）................................................................................................................摘要（英文）................................................................................................................致谢................................................................................................................................目录 .............................................................................................................................................目录 .................................................................................................................................... S 目录................................................................................................................................................第 3 章