XiaoMi-AI文件搜索系统
World File Search System信号处理
BioGAP：一款具有 10 核 FP 功能的超低功耗物联网处理器，具有医疗级 AFE 和 BLE 连接，可用于可穿戴生物信号处理
摘要 — 可穿戴生物信号处理应用正在推动临床和消费应用的小型化、节能物联网解决方案取得重大进展。但是，只有通过节能的边缘处理执行数据处理和机器学习 (ML) 近传感器，才能向高密度多通道前端扩展。为了应对这些挑战，我们推出了 BioGAP，这是一种新颖、紧凑、模块化、轻量级 (6g) 的医疗级生物信号采集和处理平台，由 GAP9 提供支持，GAP9 是一款十核超低功耗 SoC，专为高效多精度（从 FP 到积极量化的整数）处理而设计，满足高级 ML 和 DSP 的要求。BioGAP 的外形尺寸为 16x21x14 mm3，由两个堆叠的 PCB 组成：集成 GAP9 SoC 的基板、支持无线蓝牙低功耗 (BLE) 的 SoC、电源管理电路和加速度计；以及一个包含用于 ExG 采集的模拟前端 (AFE) 的屏蔽。最后，该系统还包括一个可灵活放置的光电容积图 (PPG) PCB，尺寸为 9x7x3 mm 3 和一个可充电电池（ϕ 12x5 mm 2）。我们在基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 应用上演示了 BioGAP。由于 FFT 计算任务的效率为 16.7 Mflops/s/mW，无线带宽减少了 97%，我们在流式传输中实现了 3.6 µJ/样本，在板载处理模式下实现了 2.2 µJ/样本，功率预算仅为 18.2 mW，运行时间为 15 小时。关键词——可穿戴 EEG、可穿戴医疗保健、超低功耗设计、嵌入式系统。
生物医学信号处理和控制
脑电图（EEG）的运动轨迹解码，用于有效控制大脑计算机界面（BCI）系统，一直是研究的活跃领域。这些系统包括假体，康复和增强设备。在这项工作中，在掌握和升力运动过程中使用前移动前的EEG信号估算三维（3D）手运动学。从公开可用数据库Way-eeg-gal中使用的十二个受试者的数据用于此目的。多层感知器（MLP）和基于卷积神经网络长期记忆（CNN-LSTM）的深度学习框架提议利用在实际移动执行之前编码的EEG数据中编码的运动神经信息。使用以七个不同范围过滤的脑电图数据分析频段特征，以分析手动运动学解码。最佳性能频带功能将采用不同的EEG窗口尺寸和滞后窗口进行进一步分析。此外，使用剩余的受试者（LOSO）方法进行了受试者间的手轨迹解码分析。Pearson相关系数以及手轨迹用于评估所提出的神经解码器的解码性能。这项研究探讨了在触及和掌握任务期间使用EEG信号进行主题间3D手轨迹解码的可行性。所提出的CNN-LSTM解码器能够分别在三个轴上达到最高0.730和0.627的大相关性，分别在受试者内和受试者间设置中，从而为实用BCI应用提供了有关从移动前EEG信号中解码手部位置的可行信息。
使用信号处理和机器学习
抽象心率变异性（HRV）测量连续心跳之间时间的变化，并且是身心健康的主要指标。最近的研究表明，可以使用光摄影学（PPG）传感器来推断HRV。但是，许多先前的研究都有很大的错误，因为它们仅采用信号处理或机器学习（ML），或者是因为它们间接推断出HRV，或者因为缺乏大型培训数据集。许多先前的研究也可能需要大型ML模型。较低的精度和较大的模型尺寸将其应用限制在小型嵌入式设备上，并在医疗保健中的潜在使用中使用。为了解决上述问题，我们首先收集了一个大量的PPG信号数据集和HRV地面真相。使用此数据集，我们开发了HRV模型，将信号进程和ML结合起来直接推断HRV。评估结果表明，我们的方法在3之间存在错误。5％至25。 7％，仅优于仅信号处理的方法和仅ML的方法。 我们还探索了不同的ML模型，这表明决策树和多层次感知器具有13个。 0％和9。 平均有数百个KB的模型和推理时间小于1ms的平均误差。 因此，它们更适合小型嵌入式设备，并有可能使未来基于PPG的HRV监测在医疗保健中使用。5％至25。7％，仅优于仅信号处理的方法和仅ML的方法。我们还探索了不同的ML模型，这表明决策树和多层次感知器具有13个。0％和9。平均有数百个KB的模型和推理时间小于1ms的平均误差。因此，它们更适合小型嵌入式设备，并有可能使未来基于PPG的HRV监测在医疗保健中使用。
从纳米到宏观：IEEE 生物图像和信号处理技术委员会概述
历史背景 直到 2002 年，与生物医学成像相关的信号处理活动都由 SPS 的图像和多维数字信号处理委员会监督，并通常在 ICIP 和 ICASSP 的专题会议上提出。SPS 还共同赞助了《IEEE 医学成像学报》。然而，在世纪之交，成像在医学和生物学中的重要性日益凸显。与此同时，先进的信号处理在重建和分析生成的大量图像中发挥着越来越重要的作用。美国国立卫生研究院 (NIH) 和美国国会于 2000 年 12 月成立了国家生物成像和生物工程研究所 (NIBIB)，进一步证实了这一认识。数字对象标识符 10.1109/MSP.2023.3242833 当前版本日期：2023 年 6 月 1 日
特刊 - EEG信号处理：新方法
摘要：尽管生物制剂量的应用数量增加，但共价抑制剂的发展仍然是药物发现中增长的领域。The successful approval of some covalent protein kinase inhibitors, such as ibrutinib (BTK covalent inhibitor) and dacomitinib (EGFR covalent inhibitor), and the very recent discovery of covalent inhibitors for viral proteases, such as boceprevir, narlaprevir, and nirmatrelvir, represent a new milestone in共价药物开发。通常，靶向蛋白质的共价键可以在目标选择性，耐药性和给药浓度方面提供不同优势。共价抑制剂的最重要因素是电力（弹头），它决定了选择性，反应性和蛋白质结合的类型（即可逆或不可逆），可以通过合理设计进行修改/优化。此外，共价抑制剂在蛋白水解中越来越普遍，靶向嵌合体（Protac）用于降解蛋白质，包括当前被认为是“不可能”的蛋白质。本综述的目的是强调共价抑制剂开发的现状，包括简短的历史概述以及Protac Technologies的应用以及SARS-COV-2病毒的某些示例。
使用信号处理和机器学习高效直接地推断心率变异性
摘要 心率变异性 (HRV) 测量连续心跳之间时间的变化，是身心健康的主要指标。最近的研究表明，光电容积描记法 (PPG) 传感器可用于推断 HRV。然而，许多先前的研究具有较高的错误率，因为它们仅采用了信号处理或机器学习 (ML)，或者因为它们间接推断 HRV，或者因为缺乏大型训练数据集。许多先前的研究可能还需要大型 ML 模型。低准确度和大模型尺寸限制了它们在小型嵌入式设备和未来医疗保健领域的潜在应用。为了解决上述问题，我们首先收集了一个大型 PPG 信号和 HRV 基本事实数据集。利用该数据集，我们开发了结合信号处理和 ML 来直接推断 HRV 的 HRV 模型。评估结果表明，我们的方法的误差在 3.5% 到 25.7% 之间，并且优于仅使用信号处理和仅使用 ML 的方法。我们还探索了不同的 ML 模型，结果表明决策树和多层感知器的平均错误率分别为 13.0% 和 9.1%，模型最多为数百 KB，推理时间少于 1 毫秒。因此，它们更适合小型嵌入式设备，并有可能在未来实现基于 PPG 的 HRV 监测在医疗保健领域的应用。
连续模式量子键分布带有数字信号处理
连续变量量子密钥分布（CVQKD）通过使用标准电信组件而远程分享密钥的优势，从而促进了成本效率和高性能的大都市应用。另一方面，高速介绍的规格扩展已将CVQKD从单模推向连续模式区域，从而导致采用了现代数字信号处理（DSP）技术，以从连续模式量子状态中恢复正交信息。但是，涉及多点处理的DSP的安全证明是一个缺失的步骤。在这里，我们提出了一种通过时间模型理论通过线性DSP分析连续模式态处理的广义方法。时间模式的构建在将安全性证明减少为单模式方案中起着关键作用。所提出的实用性安全分析方法为构建经典兼容数字CVQKD的方式铺平了道路。
生物医学信号处理与控制
注意力缺陷多动障碍 (ADHD) 是一种神经发育障碍，其特征是不同程度的冲动、多动和注意力不集中。治疗这种疾病并尽量减少其对学习、工作、建立关系和生活质量的负面影响在很大程度上取决于早期识别。脑电图 (EEG) 是一种有用的神经成像技术，可用于了解 ADHD。本研究通过使用固有时间尺度分解 (ITD) 分析 EEG 信号来检查 ADHD 儿童的大脑活动。由 ITD 产生的模式的不同组合（称为固有旋转分量 (PRC)）用于提取各种基于连接的特征（幅度平方相干性、交叉功率谱密度、相关系数、协方差、相熵系数、相关系数）。在闭眼休息时记录了 15 名 ADHD 儿童和 18 名年龄匹配的健康儿童的 EEG 信号。使用从纵向和横向平面中选择的不同通道对来计算上述特征。通过各种机器学习方法和 10 倍交叉验证法，对所提出的方法进行评估，以区分 ADHD 患者和健康对照者。纵向和横向平面的分类准确率分别在 92.90% 至 99.90% 和 91.70% 至 100.00% 之间。我们的结果支持了所提出方法的出色性能，并且在识别和分类 ADHD 方面比类似研究取得了重大进展。
机器学习在心理健康生物信号处理中的应用
机器学习 (ML) 为心理健康从业者提供了独特而强大的工具，以改善基于证据的心理干预和诊断。事实上，通过检测和分析不同的生物信号，可以区分典型和非典型功能，并在心理健康护理的所有阶段实现高度个性化。这篇叙述性评论旨在全面概述如何使用 ML 算法从生物信号推断心理状态。之后，将说明它们如何用于心理健康临床活动和研究的关键示例。将提供通常用于推断认知和情感相关性的生物信号（例如 EEG 和 ECG）的描述，以及它们在诊断精准医学、情感计算和脑机接口中的应用。然后，内容将重点介绍与应用于心理健康和生物信号分析的 ML 相关的挑战和研究问题，指出与 AI 在医学/心理健康领域广泛应用相关的优势和可能的缺点。心理健康研究与机器学习数据科学的融合将促进向个性化和有效医疗的转变，而要做到这一点，重要的是心理学/医学学科/医疗保健专业人员的研究人员和数据科学家都对当前研究有共同的背景和愿景。