XiaoMi-AI文件搜索系统
World File Search System信号识别
从脑电图信号识别数字
给定一个从一个人思考/看到从 0 到 9 的数字时记录的多通道 EEG 信号，我们能否识别出用户是否在思考某个特定的数字？这是本研究试图解决的基本问题。然而，这个问题并不简单，而且预计会更具挑战性，因为对这类数据集的研究很少。从机器学习的角度来看，这个问题可以表述为分类问题（二分类和多类）。此外，EEG 信号可以被视为多元时间序列数据，其中不同的通道相当于各种时间序列变量。所以问题归结为多元时间序列分类。根据 [1] 和 [2]，随着深度学习在 BCI 中的引入，从 2015 年到 2020 年，出版物数量急剧增加。这意味着深度学习在基于 EEG 的 BCI 中的应用是社区越来越感兴趣的话题。
人工智能信号识别系统的FPGA实现
心脏病是全球最常见的死亡原因。因此，检测和分类心电图 (ECG) 信号对于延长预期寿命至关重要。在本研究中，我们旨在在现场可编程门阵列 (FPGA) 中实现人工智能信号识别系统，该系统可以在需要电池的边缘设备中识别生物信号模式，例如 ECG。尽管分类准确度有所提高，但深度学习模型需要大量的计算资源和功率，这使得深度神经网络的映射速度变慢，并且在可穿戴设备上的实现具有挑战性。为了克服这些限制，已经应用了脉冲神经网络 (SNN)。SNN 是受生物启发的事件驱动神经网络，使用离散脉冲计算和传输信息，这需要更少的操作和更简单的硬件资源。因此，与其他人工神经网络算法相比，它们更节能。
使用 KNN 和 MLP 进行基于 MI 的脑信号识别...
摘要：脑电图 (EEG) 信号分类在开发残疾人辅助康复设备中起着重要作用。在此背景下，从 20 名健康人身上获取脑电图数据，然后进行预处理和特征提取过程。提取 12 个时间域特征后，采用两个著名的分类器，即 K 最近邻 (KNN) 和多层感知器 (MLP)。采用五重交叉验证方法将数据分为训练和测试目的。结果表明，MLP 分类器的性能优于 KNN 分类器。MLP 分类器实现了 95% 的分类器准确率，这是最好的。本研究的结果对于在线开发脑电图分类模型以及设计基于脑电图的轮椅非常有用。关键词：运动想象，脑电图信号，KNN，MLP，ICA。介绍
MARK II MICROSONDETM - 信号识别维基
ZEEMET™ Mark II MICROSONDE 系列代表了无线电探空仪设计的最新水平。这些无线电探空仪与 W-9000 气象处理系统兼容，专为低成本、自动高空探测而设计。轻型探空仪（配有内部放线器、探空仪线、电池和校准传感器）便于单人发射，并允许使用较小的气球，从而降低运营成本。所有 Mark II MICROSONDES 均可测量压力 (P)、温度 (T) 和相对湿度 (U)。其他传感器的数据可通过四个备用通道传输。Mark II MICROSONDES 可用于各种测风方法（GPS、Loran-C、无线电经纬仪、雷达等）。
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
emgtfnet：模糊视觉变压器解码上限semg信号识别
摘要 - Myoelectric Control是当今剧本增加的肌电图的一个区域，尤其是在仿生假体的手势识别（HGR）等应用中。今天的重点是使用机器学习以及最近深度学习方法的模式识别。尽管在稀疏的SEMG信号上取得了良好的效果，但后者通常需要大的数据集和培训时间。此外，由于随机SEMG信号的性质，传统模型无法概括为非典型或嘈杂值的样品。在本文中，我们提出了基于视觉变压器（VIT）的建筑的设计，该体系结构具有模糊的神经块（FNB），称为EMGTFNET，以从表面肌电图（SEMG）信号中执行手势识别。所提出的EMGTFNET体系结构可以准确地对各种手势进行分类，而无需任何数据增强技术，传输学习或网络中参数数量的显着增加。使用由49种不同手势的公开ninapro数据库测试了所提出的模型的准确性。实验使用200 ms窗口大小和仅56,793个可训练的参数产生的平均测试准确度为83.57％±3.5％。我们的结果优于没有FNB的VIT，因此表明包括FNB可以提高其性能。我们的提案框架EMGTFNET报告了其实际应用假体控制的重要潜力。索引术语 - 电镜头；深度学习； Ninapro;变压器;模式识别；肌电控制
使用基于注意力的DC-GRU网络在板球中的裁判信号识别
计算机视觉在各种运动领域都有广泛的应用，板球是一种具有不同事件类型的复杂游戏，也不例外。在板球比赛中识别裁判员信号对于游戏玩法中的公平而准确的决策至关重要。本文介绍了板球裁判动作视频数据集（Cuavd），这是一个新颖的数据集，旨在检测板球比赛中的裁判姿势。由于裁判拥有对现场发生的事件做出关键判断的权力，因此该数据集旨在为板球中的自动化系统促进自动化系统的发展做出贡献。提出的基于注意力的深卷积GRU网络准确地检测并在视频序列中对各种裁判信号作用进行了分类。该方法在我们准备好的CUAVD数据集和公开可用的数据集上，即HMDB51，YouTube操作和UCF101获得了显着的结果。DC-GRU注意模型表明了其在捕获时间依赖性和准确识别裁判信号作用方面的有效性。与其他高级模型（如传统的CNN体系结构，CNN-LSTM引起关注）和3DCNN+GRU模型相比，提出的模型始终优于识别裁判信号动作。在正确分类裁判员信号视频时，它实现了94.38％的高验证精度。本文还使用诸如F1测量和混乱矩阵之类的性能指标评估了模型，从而确认了它们在识别裁判信号动作方面的有效性。建议的模型在现实生活中具有实际应用，例如体育分析，裁判培训和自动裁判援助系统，在视频中，精确地识别裁判信号是至关重要的。
卷积神经网络基于电生理信号识别神经状态的潜力：对合成和真实患者数据的实验
自适应深部脑刺激 (aDBS) 和其他脑机接口 (BCI) 应用通常需要实时处理传入的神经振荡信号并从中解码相关的行为或病理状态。大多数当前方法依赖于首先提取一组预定义特征，例如标准频带中的功率或各种时域特征，然后训练机器学习系统，这些系统使用这些预定义特征作为输入并推断每个给定时间点的底层大脑状态。然而，这种算法方法是否最适合提取神经波形中包含的所有可用信息仍是一个悬而未决的问题。在这里，我们旨在探索不同的算法方法，看看它们是否有可能根据神经活动（例如通过局部场电位 (LFP) 记录或脑电图 (EEG) 测量）提高解码性能。具体来说，我们旨在探索端到端卷积神经网络的潜力，并将这种方法与基于提取预定义特征集的其他机器学习方法进行比较。为此，我们实施并训练了许多机器学习模型，这些模型要么基于手动构建的特征，要么在基于深度学习的模型的情况下，基于直接从数据中学习的特征。我们使用模拟数据识别神经状态的任务对这些模型进行了基准测试，该数据结合了先前与生理和病理功能相关的波形特征。然后，我们根据从特发性震颤患者运动丘脑记录的局部场电位评估这些模型在解码运动方面的表现。我们的研究结果来自模拟和真实患者数据，表明端到端基于深度学习的方法可能超越基于特征的方法，特别是当波形数据中的相关模式未知、难以量化或从预定义特征提取的角度来看可能存在时
基于连续分式余弦变换的自适应语言合成模型
现代语音信号识别系统集成了信号处理、模式识别、自然语言和语言学等现代科学领域的技术。这些系统在信号处理中得到了广泛的应用，推动了数字信号处理 (DSP) 的真正繁荣。以前，该领域以面向矢量的处理器和代数数学仪器为主，而当前一代 DSP 依赖于复杂的统计模型并使用复杂的软件进行实际实现。现代语音信号识别模型能够理解操作环境中由数十万个单词组成的词典的连续输入语言。语音信号的线性预测分析历来是语音分析技术中最重要的。其基础是滤波源模型，它是一种理想的线性滤波器。
研究文章端到...
在运动成像脑部计算机界面（MI-BCI）的研究中，传统的脑电图（EEG）信号识别算法在提取EEG信号特征和提高分类精度方面似乎是不可能的。在本文中，我们讨论了基于多类MI-EEG信号的新分步提取和模式分类的新分步方法的解决方案。首先，通过自动编码器将所有受试者的训练数据合并并扩大，以满足大量数据的需求，同时由于脑电图数据的随机性，不稳定和个人变异性，从而降低了信号识别的不良效果。第二，提出了具有基于注意力的浅卷积神经网络的端到端共享结构。浅卷积神经网络（SCNN）和双向长期记忆（BILSTM）网络分别用于提取EEG信号的频率空间域特征和时间序列特征。十，将注意力模型引入了特征融合层，以动态权重这些提取的时间频率空间域特征，这极大地有助于降低特征冗余性和提高分类精度。最后，使用BCI竞争IV 2A数据集的验证测试表明，分类准确性和KAPPA系数达到82.7±5.57％和0.78±0.074，这可以强烈证明其在分类准确性和降低分数中的优势中的优势在同一互为中，并且在同一内部crovential di di di di di di di di di di di di di di di di di di oferiention n di di di of riention di di;