XiaoMi-AI文件搜索系统
World File Search System信号分类
基于信号脑电图的假肢手臂...
摘要：本文介绍了一种基于脑电信号采集和处理的假肢。全世界有 500-600 万人因创伤事故、各种健康问题和战争而部分截肢。最近的进展表明假肢是纯机械的，而且很繁琐。为了解决这个问题，基于脑机接口 (BCI) 的控制策略被引入到机器人控制中。所采用的方法应该考虑到应用的性质，例如，脑电图 (EEG) 信号由于其方便的方法而非常适合我们的应用。特别是，对于基于 EEG 的 BCI 系统，需要一组传感器来获取来自不同大脑区域的 EEG 信号。采用快速傅里叶变换算法对 EEG 信号进行特征提取，并使用 python 将数据保存在 .txt 文件中。将 .txt 文件导入 MATLAB，并通过信号处理和分析工具进行数据分析。接下来，进行信号分类，然后将信号传送到末端执行器。我们的研究结果表明，3D 打印行业、先进打印机和材料的兴起将使学生能够开发出更像商业的假肢设备——坚固耐用的系统，可造福广大肢体缺失的人。随着研究的不断深入，EEG 技术的进一步进步必将带来改进，有望打造出更耐用、灵活性和控制力更强的系统。
基于脑信号分析的深度学习方法
1 简介 脑信号测量来自人脑的本能生物特征信息，反映了用户的被动或主动心理状态。脑信号模拟由大脑中数百万个神经元以信号形式处理的信息。这些脑信号类似于人的神经活动（包括感觉和运动活动）。通过处理脑信号可以了解人（或用户）的感觉和运动活动。随着新兴技术的发展，可以使用不同的传统（EEG、MEG、MRI、fMRI）和非传统信号处理技术（深度学习算法、决策树等）来分析和处理脑信号。所有传统版本的脑信号分析都包括特征提取步骤，然后在某个时间点进行分类过程。Jahankhani 等人。进行了实验，并使用离散小波变换（DWT）作为特征提取技术，从EEG脑信号中提取特征，多层感知器是分类技术，与径向基函数网络（RBF）一起使用[1]，在训练性能方面，已经实现了准确的EEG信号分类。而Acharya等人已经使用EEG信号以及小波包变换（WPT）作为特征提取方法和支持向量机（SVM）作为分类方法[2]进行了实验。这些方法结合起来可以准确检测出癫痫（一种神经系统疾病）。同样，更多的其他特征
应用机器学习脑电信号分类来
摘要 机器学习方法已成功应用于多种神经生理信号分类问题。考虑到情绪与人类认知和行为的相关性，机器学习的一个重要应用是在基于神经生理活动的情绪识别领域。尽管如此，文献中的结果存在很大的差异，这取决于神经元活动测量、信号特征和分类器类型。本研究旨在为基于电生理脑活动的机器学习应用于情绪识别提供新的方法论见解。为此，我们分析了之前记录的脑电图活动，这些活动是在向一组健康参与者提供情绪刺激、高唤醒和低唤醒（听觉和视觉）时测量的。我们要分类的目标信号是刺激前开始的大脑活动。使用光谱和时间特征比较了三种不同分类器（线性判别分析、支持向量机和 k-最近邻）的分类性能。此外，我们还将分类器的性能与静态和动态（时间演变）特征进行了对比。结果表明，时间动态特征的分类准确率明显提高。特别是，具有时间特征的支持向量机分类器在对高唤醒和低唤醒听觉刺激进行分类时表现出最佳准确率（63.8％）。
EnHDC：受大脑启发的超维计算的集成学习
摘要 — 集成学习是一种经典的学习方法，利用一组弱学习器组成一个强学习器，旨在提高模型的准确性。最近，受大脑启发的超维计算（HDC）成为一种新兴的计算范式，已在人类活动识别、语音识别和生物医学信号分类等各个领域取得成功。HDC 模仿大脑认知，利用具有完全分布式全息表示和（伪）随机性的高维向量（例如 10000 维）。本文首次尝试在 HDC 的背景下探索集成学习，并提出了第一个集成 HDC 模型，称为 EnHDC。EnHDC 使用基于多数投票的机制协同整合多个基础 HDC 分类器的预测结果。为了增强基分类器的多样性，我们改变了基分类器之间的编码机制、维度和数据宽度设置。通过将 EnHDC 应用于广泛的应用，结果表明，EnHDC 的准确率比单个 HDC 分类器平均提高 3.2%。此外，我们还表明，具有较低维度（例如 1000 维）的 EnHDC 可以实现与具有较高维度（例如 10000 维）的基线 HDC 相似甚至更高的准确率。这使得 HDC 模型的存储需求减少了 20%，这是在低功耗计算平台上实现 HDC 的关键。
对检测心律不齐的各种深度学习算法的评论
aditi [1]，Gurleen Kaur [2] Student [1]，助理教授[2]计算机科学与工程系Baba Banda Singh Bahadur Bahadur工程学院Fatehgarh Sahib -Punjab。抽象心律不齐是一种以不规则心跳为特征的疾病，如果不治疗，可能会导致严重的健康后果。从心电图信号中检测心律不齐对于及时干预和治疗至关重要。。但是，对ECG信号的手动解释是耗时的，可能会遇到错误。近年来，深度学习技术在心电图信号中自动化心律失常检测表现出了有希望的结果。在本文评论中，我们总结了三项研究，这些研究探讨了对心律失常自动检测的深度学习模型的使用。这些研究采用了卷积神经网络（CNN）和深神经网络（DNN）的不同体系结构将ECG信号分类为心律失常或非心律失常类别。对模型进行了培训和测试，并在公开可用的数据集上进行了测试，并根据准确性，敏感性和特异性对其性能进行了评估。审查的研究表明，使用深度学习技术从心电图信号中自动检测心律不齐的有效性，并具有高精度和敏感性。这些发现对提高心律不齐和治疗的准确性和效率具有重要意义。关键字： - 心律不齐，深度学习，心电图信号，自动检测，卷积神经网络，深神经网络
通过自监督学习和领域自适应实现雷达信号识别
摘要 — 自动雷达信号识别 (RSR) 在电子战 (EW) 中起着关键作用，因为准确分类雷达信号对于为决策过程提供信息至关重要。深度学习的最新进展显示出在具有大量注释数据的领域中提高 RSR 性能的巨大潜力。然而，这些方法在注释 RF 数据稀缺或难以获得的 EW 场景中就显得不足了。为了应对这些挑战，我们引入了一种自监督学习 (SSL) 方法，该方法利用掩蔽信号建模和 RF 域自适应来增强 RF 样本和标签有限的环境中的 RSR 性能。具体而言，我们研究了对来自不同 RF 域的基带同相和正交 (I/Q) 信号进行预训练掩蔽自动编码器 (MAE)，然后将学习到的表示转移到注释数据有限的雷达域。实证结果表明，与不使用 SSL 的基线相比，我们的轻量级自监督 ResNet 模型在域内信号（即雷达信号）上进行预训练时，1 次分类准确率可提高 17.5%，在域外信号（即通信信号）上进行预训练时，1 次分类准确率可提高 16.31%。我们还为几种 MAE 设计和预训练策略提供了参考结果，为少样本雷达信号分类建立了新的基准。索引术语 — 少样本、雷达信号识别、域自适应、自监督学习、掩蔽自动编码器
单通道脑电图
摘要：创伤性脑损伤（TBI）是死亡和残疾的常见原因。但是，现有的TBI诊断工具是主观的，或者需要广泛的临床设置和专业知识。相对较高的计算系统的大小以及与TBI相关的机器学习研究的有希望的结果相结合的可负担性和减少，使得创建紧凑和便携式系统以早期检测到TBI成为可能。这项工作描述了基于Raspberry Pi的便携式，实时数据采集和自动处理系统，该系统使用机器学习来有效识别TBI并自动从单渠道电脑电脑（EEG）信号中自动为睡眠阶段分数。我们讨论了可以使用数字转换器（ADC）的类似物对EEG信号进行数字数字化的系统的设计，实现和验证，并执行实时信号分类以检测到温和TBI（MTBI）的存在。我们利用卷积神经网络（CNN）和基于XGBoost的预测模型来评估系统的性能和降低系统的多功能性，以使用多种类型的预测模型运行。，对于TBI与控制条件，在16 s -64 S时期的分类时间小于1 s的分类时间中，峰分类精度超过90％。这项工作可以实现适合现场使用的系统的开发，而无需为早期TBI检测应用和TBI研究提供专门的医疗设备。此外，这项工作开放了实施连接的，实时TBI与健康和健康监测系统的途径。
基于EEG的情感识别的模型：CNN-BI- ...
摘要：情感分析是人类计算机情感互动的关键技术，并逐渐成为人工智能领域的研究热点。基于脑电图的情绪分析的关键问题是特征提取和分类设计。现有的情绪分析方法主要使用机器学习，并依靠手动提取的功能。作为端到端方法，深度学习可以自动提取脑电图并对其进行分类。但是，基于脑电图的大多数深度学习模型仍然需要手动筛选和数据预处理，准确性和便利性不够高。因此，本文提出了一个CNN-BI-LSTM注意模型，以自动提取特征并根据EEG信号对情绪进行分类。原始的脑电图数据用作输入，CNN和BI-LSTM网络用于特征提取和融合，然后通过注意机构层平衡了电极通道的重量。最后，EEG信号分类为各种情绪。在种子数据集上进行了基于脑电图的情绪分类实验，以评估所提出模型的性能。实验结果表明，本文提出的方法可以有效地对脑电图进行分类。该方法在两个独特的分类任务上进行了评估，其中一项具有三个和四个目标类别。该方法的平均十倍交叉验证分类精度分别为99.55％和99.79％，对应于三个和四个分类任务，这比其他方法要好得多。可以得出结论，我们的方法优于情感识别中现有的方法，这些方法可以广泛用于许多领域，包括现代神经科学，心理学，神经工程和计算机科学。
DNN 辅助基于粒子的贝叶斯联合同步与定位
摘要 — 在本文中，我们提出了一种基于深度神经网络辅助粒子滤波器 (DePF) 的方法来解决超密集网络中的移动用户 (MU) 联合同步和定位 (sync&loc) 问题。具体而言，DePF 在 MU 和接入点 (AP) 之间部署了一种非对称时间戳交换机制，传统上，该机制为我们提供有关 MU 时钟偏移和偏差的信息。然而，AP 和 MU 之间的距离信息也是交换时间戳所经历的传播延迟所固有的。此外，为了估计接收到的同步数据包的到达角，DePF 利用多信号分类算法，该算法以同步数据包所经历的信道脉冲响应 (CIR) 为输入。CIR 还用于确定链路条件，即视距 (LoS) 或非视距。最后，为了执行联合同步和定位，DePF 利用粒子高斯混合，允许对上述信息进行基于粒子和参数贝叶斯递归滤波 (BRF) 的混合融合，从而联合估计 MU 的位置和时钟参数。模拟结果验证了所提出的算法优于最先进的方案，尤其是基于扩展卡尔曼滤波器和线性化 BRF 的联合同步和定位。特别是，仅利用来自单个 AP 的同步时间戳交换和 CIR，在 90% 的情况下，绝对位置和时钟偏移估计误差分别保持在 1 米和 2 纳秒以下。
用于脑磁图的人工神经网络
脑磁图 (MEG) 是一种尖端的神经成像技术，它以无与伦比的高时间和空间精度组合测量认知过程背后的复杂大脑动态。MEG 数据分析始终依赖于先进的信号处理以及数学和统计工具来完成各种任务，从数据清理到探测信号的丰富动态，再到估计表面级记录背后的神经源。与大多数领域一样，人工智能 (AI) 的激增导致机器学习 (ML) 方法在 MEG 数据分类中的使用增加。最近，该领域的一个新兴趋势是使用人工神经网络 (ANN) 来解决许多与 MEG 相关的任务。本综述从三个角度全面概述了 ANN 如何用于 MEG 数据：首先，我们回顾了使用 ANN 进行 MEG 信号分类（即大脑解码）的工作。其次，我们报告了使用 ANN 作为人脑信息处理的假定模型的工作。最后，我们研究了使用 ANN 作为解决 MEG 方法问题（包括伪影校正和源估计）的技术的研究。此外，我们评估了目前在 MEG 中使用 ANN 的优势和局限性，并讨论了该领域未来的挑战和机遇。最后，通过详细描绘该领域并为未来提供实用建议，本综述旨在为经验丰富的 MEG 研究人员和对该领域有兴趣使用 ANN 来增强对 MEG 人脑复杂动态的探索的新手提供有益的参考。