XiaoMi-AI文件搜索系统
World File Search System信号分类
基于多域特征和随机子空间集成的脑电信号分类
摘要 摘要 摘要：摘要：针对BCI系统中预处理特征提取和分类识别问题，提出一种基于多域特征随机子空间集成学习的运动想象脑电信号分类方法。在分析运动想象（MI）信号的ERD/ERS特征的基础上，提取效果最佳的时间和频段的多域特征作为特征向量，并自适应地选择带有交叉验证的随机子空间集成尺度，利用线性判别分析（LDA）分类器集成实现脑电信号分类。测试结果表明，多域特征和随机子空间集成的准确率可达90.71%，Kappa系数为0.63，优于比赛中第一名的算法，证明了该算法的有效性和先进性。
基于压缩域的可穿戴设备中的ECG信号分类
可穿戴设备通常用于诊断心律不齐，但是心电图（ECG）监测过程会产生大量数据，这会影响检测速度和准确性。为了解决此问题，许多研究已将深层压缩传感（DCS）技术应用于ECG监测，这些技术可以不足采样和重建ECG信号，从而极大地优化了诊断过程，但是重建过程很复杂且昂贵。在本文中，我们为深度压缩感测模型提出了改进的分类方案。该框架由四个模块组成：预审查；压缩;和分类。首先，在三个卷积层中适应归一化的ECG信号，然后将压缩数据直接放入分类网络中，以获得四种ECG信号的结果。我们在MIT-BIH心律失常数据库和Ali Cloud Tianchi ECG信号数据库上进行了实验，以验证模型的鲁棒性，采用准确性，精确，灵敏度和F1得分作为评估指标。当压缩比（CR）为0.2时，我们的模型具有98.16％的准确性，平均准确度为98.28％，灵敏度为98.09％和98.06％的F1得分，所有这些得分都比其他模型更好。
输入形状对用于脑机接口的卷积神经网络的原始 EEG 运动想象信号分类性能的影响
摘要：许多研究人员对脑电信号进行解释、分析和分类，以用于脑机接口。尽管脑电信号采集方法有很多种，但最有趣的方法之一是运动想象信号。已经开发了许多不同的信号处理方法、机器学习和深度学习模型来对运动想象信号进行分类。其中，卷积神经网络模型通常比其他模型取得更好的效果。由于数据的大小和形状对于训练卷积神经网络模型和发现正确的关系非常重要，研究人员设计并试验了许多不同的输入形状结构。然而，在文献中还没有发现评估不同输入形状对模型性能和准确性影响的研究。在本研究中，研究了不同输入形状对脑电运动想象信号分类模型性能和准确性的影响，这在以前没有专门研究过。此外，没有使用信号预处理方法，因为在分类之前需要很长时间；而是开发了两个 CNN 模型，使用原始数据进行训练和分类。分类过程中使用了两个不同的数据集，BCI 竞赛 IV 2A 和 2B。对于不同的输入形状，2A 数据集获得了 53.03–89.29% 的分类准确率和 2–23 秒的 epoch 时间，2B 数据集获得了 64.84–84.94% 的分类准确率和 4–10 秒的 epoch 时间。这项研究表明，输入形状对分类性能有显著影响，当选择正确的输入形状并开发正确的 CNN 架构时，CNN 架构可以很好地完成特征提取和分类，而无需任何信号预处理。
EEG-GAT：用于脑电图 (EEG) 信号分类的图形注意力网络 /作者=Demir, Andac；Koike-Akino, Toshiaki；Wang, Ye；Erdogmus, Deniz /创建日期=2022 年 9 月 17 日 /主题=人工智能、机器学习、机器人技术、信号处理
摘要 图神经网络 (GNN) 是深度学习社区中一个新兴的框架。在大多数 GNN 应用中，数据样本的图拓扑结构在数据集中提供。具体而言，图移位算子 (GSO) 是先验已知的，它可以是邻接、图拉普拉斯或它们的规范化。然而，我们通常不了解现实世界数据集背后的真实图拓扑结构。其中一个例子是从生理脑电图 (EEG) 中提取主体不变特征来预测认知任务。以前的方法使用电极位点来表示图中的节点并以各种方式连接它们来手工设计 GSO，例如，i) 每对电极位点连接以形成完整图，ii) 特定数量的电极位点连接以形成 k 最近邻图，iii) 仅当欧几里得距离在启发式阈值内时，每对电极位点才连接。在本文中，我们通过使用多头注意机制对 GSO 进行参数化来克服这一限制，以探索不同电极位置之间在认知任务下的功能性神经连接，同时结合图卷积核的参数学习无监督图拓扑结构
使用带有注意块的多分支卷积神经网络模型进行基于脑电图的运动想象信号分类
摘要：脑信号可以通过脑电图 (EEG) 捕获，并用于各种脑机接口 (BCI) 应用。使用 EEG 信号对运动想象 (MI) 进行分类是帮助中风患者康复或执行某些任务的重要应用之一。处理 EEG-MI 信号具有挑战性，因为这些信号很弱、可能包含伪影、取决于患者的情绪和姿势，并且信噪比低。本文提出了一种多分支卷积神经网络模型，称为带卷积块注意模块的多分支 EEGNet (MBEEGCBAM)，使用注意机制和融合技术对 EEG-MI 信号进行分类。注意机制应用于通道和空间。与其他最先进的模型相比，所提出的模型是一种轻量级模型，具有更少的参数和更高的准确性。所提模型在使用 BCI-IV2a 运动想象数据集和高伽马数据集时，准确率分别为 82.85% 和 95.45%。此外，在使用融合方法 (FMBEEGCBAM) 时，准确率分别达到 83.68% 和 95.74%。
电动机的面向VR的EEG信号分类...
波兰摘要：虚拟现实（VR）与近乎实时的EEG信号处理相结合，可以用作已经存在的康复技术的补充，使从业者和治疗师可以与患者一起将自己浸入虚拟环境中。这项研究的目的是提出一个分类模型以及所有预处理和特征提取步骤，这将能够在保持接近实时的性能的同时产生令人满意的结果。在脑电图信号数据集上测试了所提出的解决方案，该数据集包含52个受试者执行的左/右手运动成像运动实验。在测试和训练阶段，使用精度得分和执行时间来测量不同模型的性能。总之，鉴于潜在的患者康复程序的要求，提出了一种模型。关键字：实时脑电图分析，虚拟现实，CSP过滤，运动图像。©2022StanisławZakrzewski，BartłomiejStasiak，Tomasz Klepaczka和Adam
基于 DT-CWT 和 SVM 分类器的癫痫脑电信号分类 S.Deivasigamani*、G.Narmadha** C.Senthilpari***、Wong Hin Yong*** 和 PKRa
头痛、中风和阿尔茨海默病是人类大脑中的主要问题。在这种疾病中，癫痫是另一种大脑疾病，在人口大国中偶然发生。癫痫是一种影响儿童和成年人的常见神经系统疾病。早期诊断和治疗与降低患病率和死亡率有关。尤其是如果已经确认了癫痫的类型并开始适当的治疗。脑电图仍然是最高质量的诊断方法。脑电图传感器获取的信号是非直接的，其趋势复杂。因此，识别和分离获取的脑电图信号中的瞬间变化是一个非常复杂的过程（Karthik 等人，2020 年）。阴极安装在人头皮上，脑电图信号通过各种通道捕获。从癫痫发作区域捕获的信号称为局灶性脑电图信号，从癫痫发作区域的另一部分捕获的信号称为非局灶性脑电图信号。因此，有必要提出一种自动识别和表征局灶性和非局灶性脑电图信号的系统，以继续癫痫治疗和进一步治疗。癫痫发作会导致大脑区域出现异常功能，这些功能是从大脑中捕获的，局灶性和非局灶性的识别是
基于神经网络的嗅觉脑电信号分类网络
摘要 —嗅觉诱发的脑电图 (EEG) 信号的分类在许多领域显示出巨大的潜力。由于 EEG 信号中的不同频带包含不同的信息，因此提取特定频带对于分类性能非常重要。此外，由于 EEG 信号的受试者间变异性很大，提取具有受试者特定信息而非一般信息的频带至关重要。考虑到这些，本信的重点是通过利用特定频带的谱域信息对嗅觉 EEG 信号进行分类。在本文中，我们提出了一种基于频带特征提取的嗅觉 EEG 信号分类网络。首先设计一个频带生成器来通过滑动窗口技术提取频带。然后，提出一种频带注意机制来自适应地优化特定主体的频带。最后，构建一个卷积神经网络 (CNN) 来提取空谱信息并预测 EEG 类别。对比实验结果表明，所提方法在分类质量和受试者间鲁棒性方面均优于一系列基线方法。消融实验结果证明了所提方法各个组成部分的有效性。
用于脑电信号分类的抗噪低秩学习算法
脑电图(EEG)在临床癫痫治疗中常用于监测癫痫患者脑部电信号的变化。随着信号处理和人工智能技术的发展，人工智能分类方法在癫痫脑电信号的自动识别中发挥着重要作用。但传统分类器容易受到癫痫脑电信号中杂质和噪声的影响。针对这一问题，该文设计了一种抗噪声低秩学习(NRLRL)脑电信号分类算法。NRLRL建立低秩子空间连接原始数据空间与标签空间，充分利用监督信息，考虑样本局部信息的保存性，保证类内紧凑性和类间离散性的低秩表示。将非对称最小二乘支持向量机(aLS-SVM)嵌入到NRLRL的目标函数中。 aLS-SVM基于pinball损失函数寻找两类样本间的最大分位数距离，进一步提高了模型的噪声鲁棒性。在Bonn数据集上设计了多个不同噪声强度的分类实验，实验结果验证了NRLRL算法的有效性。