XiaoMi-AI文件搜索系统
World File Search System信号分类
基于视觉平滑过滤器对精神分裂症分类的影响
摘要 - 在事件相关的电位（ERP）信号分类中，在特定时间范围内识别相关的局部峰对于特征提取和随后的分类任务至关重要，尤其是在有关精神分裂症等精神疾病的研究中。但是，精神分裂症研究中的ERP数据通常包含许多对分类过程贡献的小峰。因此，至关重要的是，仅辨别和保留为改进分类结果传达特定特征的显着峰值。最近，基于高档和降尺度表示（UDR）技术的基于视觉的平滑算法已经证明了其在保留突出峰的特征时的有效性，同时从信号波形中滤除了非平衡峰。在UDR的操作下，输入信号在图像域中可视化。输入形状受到稀疏算法的影响，并将所得骨骼投射回信号域。此过程类似于神经科医生对信号的目视检查，在该信号中标记了突出的峰，而无关的峰被忽略了特征提取。这项研究将UDR应用于两个精神分裂症和匹配对照患者中记录的ERP的数据集，以评估其在信号分类中的有效性。此外，当使用较少的ERP通道时，我们分析了UDR对分类准确性的影响。我们使用多个分类器测试了这些效果。索引项 - 与事件相关电位（ERP），精神分裂症，平滑过滤器，信号处理，UDR，高档和下限表示实验结果表明，当在所有通道上应用UDR时，EEGNET表现出最显着的增强，精度增加了2.55％。此外，当信号时期的数量减半时，UDR在7个模型中有4个促进了增强，浅孔convnet的提高最高2.4％。值得注意的是，在仅FZ，CZ和PZ电极位置的信号形成的子数据集中使用UDR时，可以在更多模型上观察到精度增强。这些发现强调了UDR在增强精神分裂症分类准确性方面的有希望的潜力，尤其是应用于关注关键通道的数据集时。
学习视觉刺激诱发的脑电图流形，用于神经图像分类
视觉神经解码，即从大脑活动模式中解释外部视觉刺激的能力，是神经科学研究中的一项具有挑战性的任务。最近的研究集中于表征可以用群体级特征描述的多个神经元的活动模式。在本研究中，我们结合空间、光谱和时间特征来实现神经流形分类，该分类能够表征视觉感知并模拟人脑中的工作记忆活动。我们通过基于黎曼流形和二维 EEG 频谱图表示的自定义深度学习架构分别处理时空和光谱信息。此外，在查看 11 类（即全黑加 0-9 数字图像）MindBigData Visual MNIST 数据集时，使用基于 CNN 的分类模型对视觉刺激引起的 EEG 信号进行分类。在刺激引起的 EEG 信号分类任务上评估了所提出的集成策略的有效性，总体准确率达到 86%，与最先进的基准相当。
通过高维计算
摘要 - Hyperdementialsional Computing（HD）是一种新兴的脑启发范式，用于机器学习分类任务。它使用简单的操作来操纵超长向量 - 高向量，从而可以快速学习，能源效率，噪声耐受性和高度平行的分布式框架。HD计算在生物信号分类领域显示出很大的希望。本文使用来自MIT-BIH心律失常数据库的数据，介绍了使用HD计算的特定组早产（PVC）BEAT检测。时间，心率变异性（HRV）和光谱特征，最小冗余最大相关性（MRMR）用于对分类进行排名和选择特征。探索了三种编码方法，以将功能映射到HD空间中。HD计算分类器可以达到97.7％精度的PVC BEAT检测准确性，而诸如卷积神经网络（CNN）等更复杂的方法（例如，计算复杂的方法）实现了99.4％。
脑电刺激和持续行为状态跟踪在行走人类中的应用
我们收集了 4 名患有药物抵抗性癫痫且植入了研究性 Medtronic Summit RC+S™ 的患者的动态 iEEG 记录，以研究新型刺激模式并追踪长期行为状态动态。患者在同时进行双侧海马 (HPC) iEEG 记录时接受了治疗性 ANT DBS。我们评估了在三天同时进行的 iEEG 和多导睡眠图 (PSG) 期间，使用专家睡眠注释，在不同 ANT 刺激频率 (2 Hz、7 Hz、高频 >100 Hz) [2,30–34] 下自动行为状态分类的可行性和准确性。使用朴素贝叶斯分类器 [35,36] 将 iEEG 信号分类为清醒、快速眼动 (REM) 和非 REM（非 REM：N2 和 N3）。随后，我们在 6 个月内将训练好的分类器部署在 4 名门诊患者身上。
具有嵌入式机器学习的闭环神经接口
摘要 — 能够进行多点电记录、现场信号分类和闭环治疗的神经接口对于神经系统疾病的诊断和治疗至关重要。然而，在低功耗神经设备上部署机器学习算法具有挑战性，因为此类设备的计算和内存资源受到严格限制。在本文中，我们回顾了在神经接口中嵌入机器学习的最新发展，重点关注设计权衡和硬件效率。我们还介绍了我们优化的基于树的模型，用于对脑植入物中的神经信号进行低功耗和内存高效的分类。使用能量感知学习和模型压缩，我们表明所提出的斜树在癫痫或震颤检测和运动解码等应用中可以胜过传统的机器学习模型。索引词 — 神经接口、低功耗、机器学习、斜树、疾病检测、闭环刺激。I. 介绍
使用 SSVEP 的电动轮椅操纵系统...
摘要：大多数运动障碍人士使用操纵杆来控制电动轮椅。然而，患有多发性硬化症或肌萎缩侧索硬化症的人可能需要其他方法来控制电动轮椅。本研究实施了基于脑电图 (EEG) 的脑机接口 (BCI) 系统和稳态视觉诱发电位 (SSVEP) 来操纵电动轮椅。在操作人机界面时，三种涉及实时虚拟刺激的 SSVEP 场景显示在显示器或混合现实 (MR) 护目镜上以产生 EEG 信号。使用典型相关分析 (CCA) 将 EEG 信号分类为相应的命令类，并使用信息传输速率 (ITR) 来确定效果。实验结果表明，由于 CCA 的分类准确率高，所提出的 SSVEP 刺激会产生 EEG 信号。这用于控制电动轮椅沿特定路径行驶。同步定位和地图绘制 (SLAM) 是本研究中用于轮椅系统的机器人操作软件 (ROS) 平台中可用的地图绘制方法。
JETIR 研究期刊
AISSMS IOIT，印度浦那 摘要：脑电图 (EEG) 数据分析在了解大脑功能和诊断神经系统疾病方面起着至关重要的作用。然而，传统方法往往难以应对 EEG 信号的非线性和动态特性。我们的工作将液体时间常数 (LTC) 网络引入 EEG 数据分析领域，这是一种专为时间序列分析而设计的新型深度学习架构。与传统方法相比，LTC 网络具有多种优势。液体时间常数机制的独特性使它们能够自适应地捕获数据中的时间依赖性，从而在信号分类和预测等任务中实现卓越性能。此外，它们固有的稳定性和有界行为使它们非常适合实时应用。索引术语 - 液体时间常数网络、深度学习。深度循环神经网络 (DRNN)、常微分方程 (ODE)、计算神经科学、脑机接口 (BCI)、EEG 数据分析、时间序列分析。
![arXiv:2001.04225v1 [eess.SP] 2020 年 1 月 10 日](/simg/g:\will\search\icon\source\2\237da1b44e6250d88436049db31719ee5e1c9cb5.webp)
arXiv:2001.04225v1 [eess.SP] 2020 年 1 月 10 日
摘要。深度神经网络 (DNN) 已在各种机器学习领域得到研究。例如，事件相关电位 (ERP) 信号分类是一项高度复杂的任务，可能适合 DNN，因为信噪比低，并且底层空间和时间模式显示出很大的主体内和主体间变异性。卷积神经网络 (CNN) 与基线传统模型（即线性判别分析 (LDA) 和支持向量机 (SVM)）进行了比较，使用大量多主体公开可用的学龄儿童 P300 数据集（138 名男性和 112 名女性）进行单次试验分类。对于单次试验分类，所有测试的分类模型的分类准确率保持在 62% 到 64% 之间。当将训练好的分类模型应用于平均试验时，准确率提高到 76-79%，分类模型之间没有显著差异。CNN 并未证明优于测试数据集的基线。讨论了与相关文献的比较、局限性和未来发展方向。
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。
脑电信号分类深度架构优化：使用进化算法的 AutoML 方法
摘要：由于信噪比低且通常存在来自不同来源的伪影，脑电图 (EEG) 信号分类是一项具有挑战性的任务。之前已经提出了不同的分类技术，这些技术通常基于从 EEG 频带功率分布图中提取的一组预定义特征。然而，EEG 的分类仍然是一个挑战，这取决于实验条件和要捕获的反应。在这种情况下，深度神经网络的使用提供了新的机会来提高分类性能，而无需使用一组预定义的特征。然而，深度学习架构包含大量超参数，模型的性能依赖于这些超参数。在本文中，我们提出了一种优化深度学习模型的方法，不仅是超参数，还有它们的结构，该方法能够提出由不同层组合组成的不同架构的解决方案。实验结果证实，通过我们的方法优化的深度架构优于基线方法，并产生计算效率高的模型。此外，我们证明优化的架构相对于基线模型提高了能源效率。