XiaoMi-AI文件搜索系统
World File Search System信号控制
视觉诱发电位中的人工智能算法-...
脑机接口 (BCI) 是一种使用脑电图 (EEG) 信号控制外部设备（例如功能性电刺激 (FES)）的技术。基于 P300 和稳态视觉诱发电位 (SSVEP) 的视觉 BCI 范例已显示出巨大的临床用途潜力。已经发表了许多关于基于 P300 和 SSVEP 的非侵入式 BCI 的研究，但其中许多研究存在两个缺点：(1) 它们不适用于运动康复应用，(2) 它们没有详细报告用于分类的人工智能 (AI) 方法或其性能指标。为了弥补这一差距，本文采用 PRISMA（系统评价和荟萃分析的首选报告项目）方法来准备系统文献综述 (SLR)。重复或与运动康复应用无关的 10 年以上的论文被排除在外。在所有研究中，51.02% 涉及分类算法的理论分析。在剩余的研究中，28.48% 用于拼写，12.73% 用于各种应用（轮椅或家用电器的控制），只有 7.77% 专注于运动康复。在应用纳入和排除标准并进行质量筛选后，共选出 34 篇文章。其中，26.47% 使用 P300，55.8% 使用 SSVEP 信号。建立了五个应用类别：康复系统（17.64%）、虚拟现实环境（23.52%）、FES（17.64%）、矫形器（29.41%）和假肢（11.76%）。在所有作品中，只有四篇对患者进行了测试。报告的用于分类的机器学习 (ML) 算法中，最常用的是线性判别分析 (LDA) (48.64%) 和支持向量机 (16.21%)，而只有一项研究使用了深度学习算法：卷积神经网络 (CNN)。报告的准确率范围为 38.02% 至 100%，信息传输速率范围为每分钟 1.55 至 49.25 比特。虽然 LDA 仍然是最常用的 AI 算法，但 CNN 已显示出令人鼓舞的结果，但由于其技术实施要求高，许多研究人员
人体神经心理学
博士Mariska Vansteensel 脑机接口：通过脑信号进行通信摘要：因肌萎缩侧索硬化症或脑干梗塞等疾病导致的闭锁综合征（LIS）患者在说话和交流方面存在严重问题。脑机接口 (BCI) 是一种通过脑信号控制通讯辅助设备的技术，被视为 LIS 患者的一种可能解决方案。乌得勒支大学医学中心等机构的研究表明，BCI 确实可以为 LIS 患者的日常生活提供帮助。然而，在 BCI 能够广泛部署之前，仍需要采取一些重要步骤，包括针对不同用户和情况定制 BCI 方面。简介：Mariska Vansteensel 博士是荷兰乌得勒支 UMC 乌得勒支脑中心的助理教授。她也是国际BCI协会的现任主席。她的主要研究目标是让丰富的神经科学知识直接造福于疾病或残疾患者。自 2007 年以来，她的研究主要集中于基于植入式心电图 (ECoG) 的脑机接口 (BCI) 的开发和验证，用于帮助患有严重运动和言语障碍的人进行交流。她进行了概念验证研究，与接受 ECoG 电极进行诊断的癫痫患者合作，并进行了全球首个关于在严重运动障碍者的日常生活环境中使用完全植入式 BCI 的研究。在她目前的研究中，她利用感觉运动区域的详细组织来实现更高维的 ECoG-BCI 控制并实现更快、更高效的基于 BCI 的通信。她认为 BCI 研发应该遵循以用户为中心的方法，以便
传输和接收FM，SSB和DSD-AM，QPSK ...
摘要本研究包括使用Softrock Ensemble RXTX SDR收发器和频率ShıftKeyng（FSK）传输和接收FM信号。FM signals are generated and plotted using MATLABalong with two input frequencies and a modulation index as inputs for the developed system, the DSB-SC modulated signals as well as DSB-WC signals are generated by multiplying the message with a carrier, while the SSB ones are generated by filtering out the lower sidebands of the DSB-SC modulated signal.此外，通过载波波的离散频率变化传输数字信息的频率调制方案。高级调制和解调是通过计算机图像的基本程序，这些图像变成了传输通道质量完美的波形； QPSK允许信号使用相同的带宽携带的信息是普通PSK的两倍。关键字：FM，RXTX SDR，FSK，SSB，QPSK 1。简介线绝缘子振幅调制（AM）技术的主要两种类型是单个边带（SSB）和双侧带（DSB）。SSB被认为是一种仅具有一个边带的AM，而没有载波波抑制[1]。另一方面，DSB也被视为具有两个边带的AM；上层和下部，波载体被抑制。实际上，DSB与SSB接收器一致，其中接收器仅拒绝冗余或不需要的边带[2]。考虑到FM，技术，优势，劣势和应用程序的操作范围，基于最先进的研究进行了研究。FM信号频率的工作范围为88-108 MHz [3]，在其中，这些信号不太容易受到人类的方向和存在和尺寸较小的对象[1]，[4]。此外，FM信号主要比Wi-Fi信号强，因为它们可以简单地覆盖有效的室内渗透率[5]。FSK利用两种不同的复发率达到了0和1 [6]的信息估计。较低的复发性可能与1说话，较高的复发可能与0。符号的复发由基带信号控制。通过以前的修正案，您可以到达4PSK
揭示经颅直流电刺激 (tDCS) 和脑机接口 (BCI) 干预对中风后慢性康复患者的转化效应——一项替代治疗设计研究
摘要：中风是一种由脑梗塞或脑出血引起的使人衰弱的临床疾病，对运动功能恢复构成重大挑战。先前的研究表明，应用经颅直流电刺激 (tDCS) 可以改善神经系统疾病或障碍患者的神经可塑性。通过调节皮质兴奋性，tDCS 可以增强常规疗法的效果。虽然上肢康复已得到广泛研究，但对下肢的研究仍然有限，尽管它们在运动、独立性和良好的生活质量方面发挥着重要作用。由于神经肌肉残疾造成的生命和社会成本很高，tDCS 设备相对低成本、安全性和便携性，结合低成本的机器人系统，可以优化治疗并降低康复成本，增加获得神经肌肉康复尖端技术的机会。本研究探索了一种新方法，该方法依次利用以下过程：tDCS、基于运动想象 (MI) 的脑机接口 (BCI) 和虚拟现实 (VR)，以及电动踏板末端执行器。这些方法用于增强大脑可塑性并加速中风后患者的运动恢复。这些结果对于下肢功能严重受损的中风后患者尤其重要，因为这里提出的系统以实时闭环设计提供运动训练，促进足部区域 (Cz) 周围的皮质兴奋，同时患者直接用大脑信号控制电动踏板。这种策略有可能显著改善康复结果。研究设计遵循交替治疗设计 (ATD)，即采用双盲方法来测量中风后患者的身体功能和大脑活动的改善情况。结果表明，患肢的运动功能、协调性和速度以及感觉改善呈积极趋势。对脑电图信号中的事件相关去同步 (ERD) 的分析揭示了 Mu、低 beta 和高 beta 节律的显著调节。虽然这项研究没有提供辅助心理练习训练优于传统疗法的确凿证据，但它强调了进行更大规模调查的必要性。
家庭模块化大脑的设计开发——……
摘要 目的：本研究旨在开发一个独立于输入和输出设备的便携式模块化脑机接口 (BCI) 软件平台。我们在一名颈椎损伤 (C5 ASIA A) 受试者的案例研究中实施了该平台。背景：BCI 可以通过使用脑信号控制假肢或触发功能性电刺激来恢复瘫痪患者的独立生活。尽管已有多项研究成功地在实验室和家庭中实施了这项技术，但便携性、设备配置和看护者设置仍然是限制其在家庭环境中部署的挑战。便携性对于将 BCI 从实验室转移到家庭至关重要。方法：BCI 平台实施包括一个 Activa PC + S 发电机，该发电机带有两个硬膜下四接触电极，植入在感觉运动皮层的主要左手臂区域，一个固定在受试者轮椅后部的微型计算机，一个定制的手机应用程序，以及一个作为末端执行器的机械手套。为了量化这种 BCI 家用实现的性能，我们量化了家庭系统设置时间、长期（14 个月）解码准确度、硬件和软件分析以及应用程序和微型计算机之间的蓝牙通信延迟。我们创建了一个运动想象标记信号数据集，以在远程计算机上训练二元运动想象分类器，以供在线在家使用。结果：微型计算机和移动应用程序之间的平均蓝牙数据传输延迟为 23 ± 0.014 毫秒。受试者看护者的平均设置时间为 5.6 ± 0.83 分钟。获取和解码神经信号以及将这些解码信号发送到末端执行器的平均时间分别为 404.1 毫秒和 1.02 毫秒。无需重新训练，训练后的运动想象分类器的 14 个月中位准确度为 87.5 ± 4.71%。结论：本研究展示了家庭 BCI 系统的可行性，受试者可以使用友好的移动用户界面无缝操作该系统，无需每日校准，也不需要技术人员在家设置。本研究还描述了 BCI 系统的便携性以及即插即用多端的能力
高效商用暖通空调和制冷激励措施
• 确保设施内使用的变频驱动器 (VFD) 不会导致过度的设施谐波失真是一种良好的工程实践。有关更多信息，请参阅 IEEE 519。• 如果 VFD 和受控电机之间的电缆长度超过 50 英尺，则可能需要在前几个绕组上增加电机绕组绝缘或在逆变器输出端安装 LC 滤波器。• 只要制造商的要求符合适用的电气规范，VFD 就应按照制造商的噪声接地要求接地。• 设施所有者可能需要考虑：由制造商代表启动 VFD、过流跳闸保护、临界频率锁定。• 仅对以下 VFD 安装类型下列出的 HVAC 应用安装 2 马力及以上的变频驱动器将提供规定折扣。其他 VFD 应用可能符合 Central Hudson 定制计划的资格。• 以下 HVAC VFD 应用没有资格使用此应用：o 带有入口导叶的前向曲线风扇；o 变距叶片轴流风扇； o 更换发生故障的 VFD；o 仅用于平衡恒定流量的 VFD；o 控制现有的 2 速冷却塔风扇；o 风扇或泵的 2 速控制；减轻安装过大电机的压力。• 对于冷冻水和加热泵安装，至少 75% 的泵容量必须由 2 通阀控制。• VFD 必须由自动信号控制，以响应变化的空气或水流。受控电机每年必须至少运行 2,000 小时。 • 必须随此申请提交已发布的制造商信息，以证明符合以下每个标准：o 在满载和无惯性的情况下，VFD 控制上的最短 15 毫秒穿越时间o 自动重启o 飞行重启（启动旋转电机，速度搜索）o 欠压跳闸 85% 或更低o 根据驱动马力，最低 3% 在线电抗器或等效装置（扼流圈、隔离变压器）o 满载和全速下最低 95% 驱动效率o 0.95 最小位移功率因数• 零件保修至少一年。
IXYS COLORADO Directed Energy, Inc. PVX-2506 脉冲 IV 测试脉冲器
1.0 一般说明 PVX-2506 脉冲发生器设计用于对高达 50 伏和 10 安的半导体器件进行脉冲 IV（电流-电压）特性分析。它也非常适合需要高电流、精密电压脉冲的其他应用。半导体器件的 IV 特性是频率和温度的函数。曲线追踪器和其他“DC”测试系统通常会逐步通过一系列栅极电压，并在每个栅极电压下扫描整个测量范围内的漏极电压。该器件在每个点基本上达到热平衡和电子（半导体陷阱）平衡，产生与实际 RF 操作特性不同的测试特性。通过使用 PVX-2506 对器件进行脉冲处理并在脉冲期间进行测量，可以在器件升温之前进行测量。这可以避免与传统“DC”测试相关的热效应，更接近器件在高频下运行时的特性，并且不会激活半导体“陷阱”。 PVX-2506 采用双向 MOSFET 输出级设计，采用 DEI 的 DE 系列快速功率 MOSFET。此设计提供快速上升和下降时间，过冲、下冲和振铃最小，稳定时间快。这种受控电压波形允许被测设备 (DUT) 在几百纳秒内稳定电压，从而允许在设备开始加热之前进行 IV 测量。可以将静态（偏置）电压施加到脉冲发生器，允许 DUT 保持在非零电压，然后在此电压之上或之下脉冲。PVX-2506 需要输入门信号、脉冲 (VHIGH) 和可选静态 (VLOW) 直流电源输入。输出脉冲宽度和频率由输入门信号控制。输出电压幅度由输入 VHIGH 和可选 VLOW 直流电源幅度控制。前面板控制和监视器提供了在脉冲模式下运行或切换到直流模式的灵活性，在该模式下，VHIGH 电源产生的直流电压直接施加到 DUT。提供集成仪器质量电压和电流探头，以方便脉冲数据采集。输出脉冲通过创新的低阻抗电缆发射。该电缆的设计保持了输出脉冲的保真度，而不会引入脉冲失真或振铃，并提供了一种方便的方法来
脑机接口通过 RaspberryPi 和 PiEEG 控制机器人。
Ildar Rakhmatulin* – 博士电子研究员 Sebastian Völkl – 脑机接口开发人员 摘要 本文介绍了可用于读取脑电图信号的 Raspberry Pi 系列单板计算机的开源软件和开发的屏蔽板。我们描述了读取脑电图信号并将其分解为傅里叶级数的机制，并提供了通过闪烁控制 LED 和玩具机器人的示例。最后，我们讨论了脑机接口在不久的将来的前景，并考虑了使用实时脑电图信号控制外部机械物体的各种方法。链接 来源 - https://github.com/Ildaron/EEGwithRaspberryPI/tree/master/Robot_control 网站 - https://www.hackerbci.com/ YouTube – https://youtu.be/wNgCEKIXGUY Slack - pieeg.slack.com *电子邮件：ildarr2016@gmail.com 许可证 - GNU 通用公共许可证 v3.0 关键词：PIEEG、hackerbci、RaspberryPi、EEG、脑机接口 缩写 BCI 脑机接口 EEG 脑电图 SBC 单板计算机 ADC 模拟数字转换器 介绍 提到 BCI 这个术语，许多人会立即联想到用思想的力量控制物体。现在，非侵入性脑电图测量的神经科学才刚刚开始。尽管如此，每一步都让我们更接近这个目标，并激励新一代科学家和工程师为这一科学领域做出贡献。我们有机器学习，它几年前才进入我们的生活，还有足够的计算能力来寻找脑电信号中的相关性。唯一的弱点是数据集的可用性。因此，我们希望有一种价格低廉的设备能让我们朝着解决这个问题迈出一步。读取脑电信号，尽管看似简单——用高精度 ADC 通过电极测量头皮上的微伏电压——却与各种科学领域有关。它涉及读取脑电信号 [1, 2022]、处理脑电信号 [2, 2021]、选择特征，最后将信号用于各种目的。此外，眨眼或咀嚼是不需要的伪影，会将有害的失真引入脑电信号，许多工作致力于对抗这些伪影 [3, 2022; 4, 2022]。然而，与此同时，这些伪影仍然常用于应用任务，例如对外部物体的眨眼控制。林等人。 [5，2010] 通过脑机接口成功通过眨眼控制了电动轮椅。Huang 等人 [6，2019] 开发了一款应用程序，通过眨眼和 BCI 来控制机器人轮椅的集成系统。我们的板子旨在让每个人都熟悉 EEG 的世界，包括那些与神经病学领域没有直接关系的人。所以，我们的使命是降低开始使用 BCI 的技术知识门槛。我们的目标不是与前面描述的论文竞争，而是展示我们的控制
纳米可生物电机调制 - 知识Uchicago
观察：研究生物系统与人工材料之间的形成和相互作用是探测复杂的生物物理行为并解决挑战性生物医学问题的重要性。生物电界面，尤其是基于纳米结构的界面，已改善与细胞和组织的兼容性，并实现了生物调节的新方法。尤其是独立且远程激活的生物电装置显示出进行精确生物物理研究和有效临床疗法的潜力。与单细胞或细胞器相互作用需要足够小的尺寸的设备，以进行高分辨率探测。纳米级半导体（鉴于其各种功能）是亚细胞调制的有前途的设备平台。组织级调制需要附加考虑该设备与组织表面的共形接触或无缝三维（3D）生物整合的机械依从性。在这种方法中，灵活甚至开放式工程设计至关重要。对于慢性器官整合，材料和装置配置都需要最高水平的生物相容性。此外，与器官中许多单个细胞同时相互作用是必要的可扩展和高吞吐量设计。可以通过确保在生物区域的机械行为匹配（包括钝化或耐药性设计）来减轻生理影响，或结合自我修复或适应性的特性，从而改善器官植入设备的物理，化学和机械稳定性。最近的研究表明，纳米结构材料设计的原理可用于改善生物区域。纳米可细胞外界面经常用于细胞和组织的电气或远程光学调节。特别是，现在可以用于设计和筛选纳米结构硅，尤其是化学蒸气沉积（CVD）衍生的纳米线和二维（2D）纳米结构膜，用于体外和体内生物学调节。用于细胞内和细胞间生物学调节，通过纳米线的内在化创建了半导体/细胞复合材料，这种细胞复合材料甚至可以与活组织进行整合。对于神经元和心脏调节也证明了这种方法。在不同的正面，激光衍生的纳米晶半导体显示电化学和光电化学活性，它们用于调节细胞和器官。最近，纳米级构建块的自组装能够制造出效率的单片基碳基电极，用于体外刺激心肌细胞的体外刺激，对视网膜和心脏的体外刺激以及体内刺激Sciatic神经。对纳米可生物电机调制的未来研究应着重于提高当前和新兴技术的效率和稳定性。新材料和设备可以访问新的询问目标，例如亚细胞结构，并具有更适应性和响应性的特性，可实现无缝集成。从能量科学和催化中汲取灵感可以帮助这种进步，并开放生物学调节的新途径。活生物电子学的基本研究可能会产生新的细胞复合材料，以进行多种生物信号控制。可以实现细胞类型的靶向，因此在该领域特别感兴趣。
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版）https://doi.org/10.17559/TV-20210121112228 原创科学论文 运动想象脑电图识别
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版）https://doi.org/10.17559/TV-20210121112228 原创科学论文 使用深度生成对抗网络和 EMD 进行 BCI 应用的运动想象 EEG 识别 Stephan STEPHE、Thangaiyan JAYASANKAR*、Kalimuthu VINOTH KUMAR 摘要：脑电图 (EEG) 中的运动想象 (MI) 运动活动仍然有趣且具有挑战性。BCI（脑机接口）允许大脑信号控制外部设备，还可以帮助患有神经肌肉疾病的残疾人。在任何 BCI 系统中，两个最重要的步骤是特征提取和分类方法。然而，在本文中，通过深度学习 (DL) 概念的性能改进了 MI 分类。该系统从 BCI 竞赛三个数据集 IVA 中获取了右手和右脚的两时刻想象数据，并开发了利用传统神经网络 (CNN) 和生成对抗网络 (GAN) 的分类方法。通过应用经验模态分解 (EMD) 并在特征提取技术中混合它们的固有模态函数 (IMF)，可以减少训练时间并管理非平稳问题。实验结果表明，所提出的 GAN 分类技术的分类准确率为 95.29%，优于 CNN 的 89.38%。所提出的 GAN 方法在 BCI 竞赛三个数据集 IVA 上实现了 62% 的平均阳性率和 3.4% 的平均假阳性率，这三个数据集的 EEG 事实来自运动皮层的相似 C 3、C 4 和 Cz 通道。关键词：卷积神经网络 (CNN)；脑电图 (EEG)；经验模态分解 (EMD)；生成对抗网络 (GAN)；固有模态函数 (IMF)运动想象 (MI) 1 引言 脑机接口 (BCI) 将人类头皮记录的大脑活动转换成计算机控制指令，以调节外部策略，从而帮助丧失行为能力的人恢复运动技能 [1]。人们已经研究了使用脑电图来控制智能轮椅 [2]，以及其他外部设备。在脑机接口 (BCI) 中，脑电信号的特征描述是一个重要组成部分。通常使用的脑电数据包含事件相关的 SSVEP 功能 [3] 和运动想象 (MI) [4]。与其他类型的信号相比，脑电信号具有一些不同的特征。收集到的脑电信号因心理状态的不同而不同 [5]。因此，每个受试者的脑电信号都不同。脑电信号是非平稳和非线性的，这意味着脑电数据特征会随时间而变化 [6]。此外，由于合成的脑电信号通常与噪声混合，因此脑电信号分析具有挑战性。因此，应该使用操作过程来提高 EEG 数据的 SNR。EEG 特性由评估频率和时频或时间信号范围内传递的信号能量的方法来控制。然而，就最好的作者而言，还没有使用 BCI 框架中复杂的线性和非线性 BCI 分类器对这些方法进行全面的比较分析。文献中给出的大多数比较值仅限于少数技术或仅一种分类 [7]。小波变换 (WT) 主要用于特征提取过程 [8]、正常空间模式 (CSP) [9] 和主成分分析 (PCA) [10]、EMD [11, 12] 等。由于 EMD 算法能够最佳地分割信号，因此它已被证明是检查非线性和非稳定 EEG 信号的合适候选者。例如，[13] 使用 EMD 算法来滤波运动想象 EEG 信号。然而，常见的 EMD 算法一般根据研究者的经验选取固有模态函数 (IMF)，导致部分脑电样本混入不必要的信息，或丢失有用数据。此外，