XiaoMi-AI文件搜索系统
World File Search System信号处理
动脉自旋标记灌注 MRI 信号处理...
脑血流量 (CBF) 是反映区域脑功能和神经血管状况的基本生理量。区域 CBF 变化长期以来一直是神经和神经精神疾病评估所必需的。CBF 可以使用不同的方法测量，但动脉自旋标记 (ASL) 灌注 MRI 仍然是唯一用于测量区域 CBF 的非侵入性技术 [1,2]。如图 1 所示，ASL 灌注 MRI 使用射频 (RF) 脉冲在靠近成像位置的地方磁性地调制供血动脉中的动脉血信号。标记血液传输到要成像的地方后，它将与组织水交换并降低组织信号。该信号变化与灌注量成正比。在通过完全放松的 MR 信号 (M0) 进行标准化并考虑信号衰减后，可以将其转换为以 mL/100 g/min 为单位的定量 CBF。为了从背景中提取灌注加权信号，ASL MRI 通常使用
生物医学应用的EEG信号处理
脑电图 (EEG) 信号在临床和研究环境中得到广泛应用。使用头皮安装的 EEG 传感器测量大脑中大量神经元产生的电活动。因此，我们可以获得有关各种认知和情绪状态下大脑活动的信息。由于能够提供此类信息，EEG 信号可用于监测警觉性和心理参与度、调查慢性病以及作为生物反馈或辅助设备的信号等应用。该领域的创新推动了信号处理方法的进步，并开发了从脑机接口 (BCI) 到神经营销等新应用。EEG 信号可以在时间、频率或空间域中进行处理，从而提供多维方法来解释大脑活动。除了提供宝贵的信息外，EEG 信号还具有以高速捕获复杂神经模式的优势。作为一种可靠、便携且无创的测量大脑电活动的方法，EEG 是经济实惠且实用的研究的核心方法，也是有前途的临床医疗保健工具。本期特刊重点介绍生物医学工程应用的 EEG 信号处理，其中收录了原创研究、交流和评论论文，展示了广泛的方法和应用。15 篇论文涉及各种信息丰富的主题。这些主题包括研究 EEG 传感器开发的物理创新，以及针对癫痫、脊髓损伤和肌萎缩侧索硬化症 (ALS) 患者等临床人群的研究。本期特刊探讨了许多新颖的 EEG 信号处理策略和分析技术。
基于脑电音频信号处理的闭眼和睁眼情况下的深度学习模式识别技术
摘要：最近，使用脑电图 (EEG) 进行音频信号处理中的模式识别引起了广泛关注。眼部情况（睁眼或闭眼）的变化反映在 EEG 数据的不同模式中，这些数据是从一系列情况和动作中收集的。因此，从这些信号中提取其他信息的准确性在很大程度上取决于在采集 EEG 信号期间对眼部情况的预测。在本文中，我们使用深度学习矢量量化 (DLVQ) 和前馈人工神经网络 (F-FANN) 技术来识别眼部情况。由于 DLVQ 能够学习代码约束的码本，因此在分类问题上优于传统 VQ。在使用 k 均值 VQ 方法初始化后，DLVQ 在 EEG 音频信息检索任务上测试时表现出非常出色的性能，而 F-FANN 将眼部状态的 EEG 音频信号分类为睁眼或闭眼。与 F-FANN 相比，DLVQ 模型具有更高的分类准确度、更高的 F 分数、精确度和召回率，以及更出色的分类能力。
基于多输入跨导器的 0.5 V、nW 范围通用滤波器，用于生物信号处理
1 布尔诺理工大学微电子系，Technick á 10, 601 90 布尔诺，捷克共和国 2 布拉格捷克技术大学生物医学工程学院，n á m. S í tn á 3105, 272 01 克拉德诺，捷克共和国 3 国防大学电气工程系，Kounicova 65, 662 10 布尔诺，捷克共和国 4 拉卡邦国王技术学院工程学院电信工程系，曼谷 10520，泰国 5 琴斯托霍瓦理工大学电气工程系，42-201 琴斯托霍瓦，波兰 6 库尔德斯坦大学电气工程系，萨南达伊 66177-15175，伊朗 7 斯洛伐克理工大学电气工程与信息技术学院，81219 布拉迪斯拉发，斯洛伐克 * 通信地址：khateb@vutbr.cz
ECE 492-054/592-100 信号处理量子之旅...
算法。6. 傅里叶变换的计算：快速傅里叶变换（经典）和量子傅里叶变换。7. 相位估计：量子相位估计、经典谱估计、噪声谱估计。评分：核心成绩组成部分为家庭作业 40%、期末项目 30% 和考试 20%。我们将分配 10% 的成绩供学生追求各种量子兴趣。一个“量子兴趣”将是参加/总结/评论与课程相关的主题的研讨会；我们建议在北卡罗来纳州立大学量子中心研讨会 [2023 年 1 月] 或三角量子计算研讨会上进行演讲。另一种“量子兴趣”风格的贡献是让学生录制教育模块并将其放在网上。在 400 和 500 级别共同列出的课程中，我们将通过对研究生的期望有所提高来区分本科生和研究生。例如，本科生的期末项目可能是简要总结一篇论文。相比之下，我们希望研究生展示一些新颖性。
tms320第二代数字信号处理器
80 ns 指令周期时间 544 字片上数据 RAM 4K 字片上安全程序 EPROM (TMS320E25) 4K 字片上程序 ROM (TMS320C25) 128K 字数据/程序空间 32 位 ALU/累加器 16 16 位乘法器，乘积为 32 位 用于数据/程序管理的块移动 重复指令以有效利用程序空间 用于直接编解码器接口的串行端口 用于同步多处理器配置的同步输入 用于与慢速片外存储器/外设通信的等待状态 用于控制操作的片上定时器 单 5V 电源 封装：68 引脚 PGA、PLCC 和 CER-QUAD 用于 EPROM 编程的 68 至 28 引脚转换适配器插座 提供商用和军用版本 NMOS 技术： — TMS32020 200 纳秒周期时间 . . . . . . . . CMOS 技术： — TMS320C25 100 纳秒周期时间 . . . . . . . . — TMS320E25 100 纳秒周期时间 . . . . . . . . — TMS320C25-50 80 纳秒周期时间 . . . . .
quEEGNet：用于生物信号处理的量子人工智能
I. 引言基于深度神经网络 (DNN) 的人工智能 (AI) 技术的飞速发展，通过分析用户的生理数据 [1]，如脑电图 (EEG) [2] 和肌电图 (EMG) [3]，实现了人机界面 (HMI) 包括脑机界面 (BCI) 的实用化。然而，此类生物信号很容易根据每个受试者的生物状态而变化 [4]。因此，典型的 HMI 系统通常需要频繁校准。为了解决这个问题，已经提出了采用领域泛化和迁移学习的主题不变方法 [5]–[11]，以减少 HMI 系统的用户校准。在本文中，我们首次在文献中将一个新兴的框架“量子机器学习 (QML)” [12]–[31] 引入到生物信号处理应用中，展望了未来的量子霸权时代 [32]，[33]。与传统数字计算机相比，量子计算机可以利用叠加和纠缠等量子机制实现计算效率更高的信号处理，不仅在执行时间方面，而且在能耗方面。在过去的几年中，一些供应商已经成功制造出商用量子处理单元 (QPU)。例如，IBM 在 2021 年发布了 127 量子比特 QPU，并计划到 2023 年生产 1121 量子比特 QPU。因此，QML 广泛应用于实际应用已不再遥远。最近，提出了基于变分原理 [34]–[37] 的混合量子-经典算法来处理量子噪声。本文的主要贡献总结如下：
用于深度神经网络分层图像识别的超低功耗图像信号处理器
稿件于 2020 年 8 月 30 日收到；2020 年 11 月 4 日修订；2020 年 11 月 22 日接受。出版日期 2020 年 12 月 14 日；当前版本日期 2021 年 3 月 26 日。本文经副主编 Yusuke Oike 批准。这项工作得到了索尼半导体解决方案公司/索尼电子公司的支持。（通讯作者：Hyochan An。）Hyochan An、Qirui Zhang、Kyojin D. Choo、Shiyu Liu、Bowen Liu、Hengfei Zhong、David Blaauw、Ronald Dreslinski、Hun Seok Kim 和 Dennis Sylvester 就职于密歇根大学电气与计算机工程系，密歇根州安娜堡 48109 美国（电子邮件：hyochan@umich.edu）。Sam Schiferl 就职于亚马逊，华盛顿州西雅图 98109 美国。 Siddharth Venkatesan 就职于亚马逊公司，美国加利福尼亚州圣克拉拉 95054。Tim Wesley 就职于 MemryX 公司，美国密歇根州安娜堡 48105。Jingcheng Wang 和 H. Zhong 就职于苹果公司，美国加利福尼亚州库比蒂诺 95014。Ziyun Li 就职于 Facebook 公司，美国华盛顿州雷德蒙德 98052。Luyao Gong 就职于谷歌公司，美国加利福尼亚州山景城 94043。本文中一个或多个图片的彩色版本可在 https://doi.org/10.1109/JSSC.2020.3041858 上找到。数字对象标识符 10.1109/JSSC.2020.3041858
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
多变量量子信号处理（M-QSP）
最近的研究表明，量子信号处理 (QSP) 及其多量子比特提升版本量子奇异值变换 (QSVT) 统一并改进了大多数量子算法的表示。QSP/QSVT 通过交替分析，用多项式函数无意识地变换酉矩阵子系统的奇异值的能力来表征；这些算法在数值上是稳定的，在分析上很容易理解。也就是说，QSP/QSVT 需要对单个 oracle 进行一致访问，更不用说计算两个或多个 oracle 的联合属性；如果能够将 oracle 连贯地相互对立，那么确定这些属性的成本就会低得多。这项工作引入了多变量 QSP 的相应理论：M-QSP。令人惊讶的是，尽管多元多项式的代数基本定理并不存在，但存在必要和充分条件，在这些条件下，理想的稳定多元多项式变换是可能的。此外，QSP 协议使用的经典子程序由于不明显的原因在多变量设置中仍然存在，并且保持数值稳定和高效。根据一个明确定义的猜想，我们证明可实现的多变量变换系列的约束尽可能松散。M-QSP 的独特能力是无意识地近似多个变量的联合函数，从而带来了与其他量子算法不相称的新型加速，并提供了从量子算法到代数几何的桥梁。