XiaoMi-AI文件搜索系统
World File Search System信号分类
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%。
基于模糊矩阵的模糊性矩阵有效特征选择技术，可改善电动机eeg eeg信号分类
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2021年3月25日。 https://doi.org/10.1101/2021.03.24.436722 doi：biorxiv preprint
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。
利用生物相容性有机电化学网络进行储层计算，实现脑启发式生物信号分类
及早发现患者生物信号中的恶性模式可以挽救数百万人的生命。尽管基于人工智能的技术在稳步改进，但这些方法的实际临床应用大多局限于对患者数据的离线评估。先前的研究已将有机电化学器件确定为生物信号监测的理想候选。然而，它们在实时模式识别中的应用从未得到证实。在这里，我们制作并表征了由有机电化学晶体管组成的受大脑启发的网络，并使用储层计算方法将它们用于时间序列预测和分类任务。为了展示它们在生物流体监测和生物信号分析中的潜在用途，我们对四类心律失常心跳进行了分类，准确率为 88%。这项研究的结果为生物相容性计算平台引入了一种以前未探索过的范例，并可能有助于开发能够与体液和生物组织相互作用的超低功耗硬件人工神经网络。
研究论文 3D 输入卷积神经网络在患者用户脑机接口设计中的 SSVEP 分类
本研究旨在展示三维输入卷积神经网络在基于无线EEG的脑机接口系统中进行稳态视觉诱发电位分类的性能。脑机接口系统的整体性能取决于信息传输速率。信号分类准确率、信号刺激器结构和用户任务完成时间等参数都会影响信息传输速率。在本研究中，我们使用了三种信号分类方法，即一维、二维和三维输入卷积神经网络。根据使用三维输入卷积神经网络的在线实验，我们分别达到了93.75%的平均分类准确率和平均信息传输率58.35 bit/min。这两个结果都明显高于我们在实验中使用的其他方法。此外，使用三维输入卷积神经网络还可以缩短用户任务完成时间。我们提出的方法是一种新颖且最先进的稳态视觉诱发电位分类模型。
使用卷积神经网络提高四类自愿想象 fNIRS 信号的分类准确率
多类功能性近红外光谱 (fNIRS) 信号分类已成为光学脑机接口的一种便捷方式。当信号由同一肢体的自愿和想象运动产生时，高精度的 fNIRS 信号分类是一项具有挑战性的任务。由于自愿和想象运动在时间和空间上的激活表现出相似的模式，传统浅层分类器的分类精度无法达到可接受的范围。本文提出了一种利用卷积神经网络 (CNN) 提高精度的方法。在这项工作中，几位参与者进行了自愿和想象手部运动（左手和右手）。这些四类信号是利用 fNIRS 设备获取的。根据任务分离信号并进行过滤。通过手动特征提取，使用支持向量机和线性判别分析对信号进行分类。CNN 的自动特征提取和分类机制被应用于 fNIRS 信号。从结果来看，CNN 将分类精度提高到了可接受的范围，这是任何卷积网络都无法实现的。
如何引用：Venu, K., Natesan, P. (2023)。使用改进的 Whale 优化算法对 EEG 信号分类进行优化的深度学习模型。
脑机接口 (BCI) 是一种利用脑电图 (EEG) 信号在人的心理状态和基于计算机的信号处理系统之间建立联系的技术，该系统无需肌肉运动即可解码信号。无需实际移动身体部位即可想象身体部位运动的心理过程称为运动想象 (MI)。MI BCI 是一种基于运动想象的脑机接口，允许运动障碍患者通过操作机器人假肢、轮椅和其他设备与周围环境互动。特征提取和分类是 MI BCI 脑电信号处理的重要组成部分。在这项工作中，提出了具有改进互利阶段的鲸鱼优化算法，以找到最佳卷积神经网络架构，用于对运动想象任务进行分类，具有高精度和较低的计算复杂度。Neurosky 和 BCI IV 2a 数据集用于评估所提出的方法。实验表明，对于 Neurosky 和 BCI 数据集，所提出的技术在分类准确率方面分别优于其他竞争方法，分别为 94.1% 和 87.7%。
通信网络中频谱感知的测量挑战
摘要 — 我们总结了一些关键的频谱感知测量挑战和最新进展。感知的实验室测试因其在现代硬件中不可分割且通常嵌入的作用而变得复杂。由于物理参数通常都是临时或不明确的，因此很难校准结果。传感器需要更复杂的信号分类以及二进制占用检测，因此测试范围大大增加。由于缺乏可接受的可测试参数来评估频谱感知对系统间频谱共享的贡献，频谱共享测试受到了进一步的阻碍。我们在此讨论的测量需求和方法涉及导波和辐射物理测量、网络测量以及商业和政府频谱使用等领域。
应用信号处理
第1章简介1 1.1什么是信号？。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 1.2信号分类。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 1.2.1模拟或数字信号。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 1.2.2周期性和十个杂志信号。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 1.2.3确定性和随机信号。。。。。。。。。。。。。。。。。。。。。。。。。10 1.2.4真实和复杂的信号。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 1.3典型的现实世界生物医学信号。。。。。。。。。。。。。。。。。。。。。。。。11 1.3.1脑电图（EEG）。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 11 1.3.2心电图（ECG）。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 14 1.3.3电击图（EOG）。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 14 1.3.4电视图（ERG）。 。 。 。 。 。 。 。 。 。 。 。 。11 1.3.1脑电图（EEG）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 1.3.2心电图（ECG）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 1.3.3电击图（EOG）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 1.3.4电视图（ERG）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 1.3.5肌电图（EMG）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 1.4结论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16
通信网络中频谱感知的测量挑战
摘要 — 我们总结了一些关键的频谱感知测量挑战和最新进展。感知的实验室测试因其在现代硬件中不可分割且通常嵌入的作用而变得复杂。结果很难校准，因为物理参数通常是用临时或不明确的定义指定的。传感器需要除了二进制占用检测之外的更复杂的信号分类，这大大增加了测试范围。由于缺乏可接受的可测试参数来评估频谱感知对系统间频谱共享的贡献，频谱共享测试受到了进一步的阻碍。我们在此讨论的测量需求和方法涵盖了导波和辐射物理测量、网络测量以及商业和政府频谱使用等领域。