XiaoMi-AI文件搜索系统
World File Search System信号识别
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
演示：自动驾驶中的交通信号识别的无形对抗条纹
隐身光学对抗性示例攻击，利用了凸轮的滚动快门效果，以欺骗自动驾驶汽车中的交通标志识别。互补的金属氧化物半导体（CMOS）传感器在汽车摄像机中广泛采用[1，2]。他们通常从上到下透露并读出像素值。但是，CMOS摄像机表现出滚动快门效果（RSE）[4]。具体来说，当CMOS传感器的每一行暴露在略有不同的时间时，输入光的快速变化会通过扫描线的各种颜色阴影引起图像失真。重新研究[6-8]已经显示了RSE的安全性含义，即攻击者可以控制输入光，以在捕获的图像上创建彩色条纹，以误导计算机视觉解释。然而，尽管以前的研究已经在受控环境中实现了单帧的基本rse，但它们无法通过一系列框架实现稳定的攻击结果[5]。GhostStripe旨在实现稳定的攻击结果，从而在自主驾驶环境中更清晰的安全含义。首先，它在交通标志附近部署LED，将受控的闪烁光投射到标志上。由于闪烁的频率超过了人眼的感知极限，因此它仍然是看不见的，使LED显得良性。同时，由摄像机误导了交通标志识别的RSE引起的彩色条纹。没有这种稳定性，异常检测器可能会触发故障机制，从而确定攻击的有效性。1。第二，为了误导自主驾驶计划以在不知不觉中进行错误的决定，交通符号识别结果应该是错误的，并且在足够的连续框架之间相同。随着车辆的移动，摄像机视野中包含标志（FOV）变化的签名的位置和大小变化，需要攻击才能适应摄像机操作和车辆运动，以稳定地覆盖条纹，如图所示。为了实现这一目标，GhostStripe根据受害者的实时感知结果来控制LED闪烁
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。
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。
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
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
癫痫发作过程中的脑电信号识别算法...
癫痫是一种脑部疾病，其突发性不可预测性是导致残疾甚至死亡的主要原因，因此快速准确地识别癫痫发作时的脑电图（EEG）具有重要意义。随着云计算和边缘计算的兴起，建立了本地检测与云端识别的接口，推动了便携式脑电检测与诊断的发展。为此，我们构建了基于云边缘计算的癫痫发作脑电信号识别框架。在本地实时获取脑电信号，在边缘建立水平可视模型，增强信号内部相关性。建立Takagi-Sugeno-Kang（TSK）模糊系统对癫痫信号进行分析。在云端，建立临床特征与信号特征的融合，建立深度学习框架。通过本地信号采集、边缘信号处理和云端信号识别，实现癫痫的诊断，为癫痫发作时脑电信号的实时诊断与反馈提供新思路。
利用脑电信号识别座舱内飞行员心理负荷
摘要：商用飞机驾驶舱是一个自然的多任务工作环境，其中经常以各种形式出现中断，在许多情况下导致航空事故报告。自动表征飞行员的工作负荷对于防止此类事故至关重要。此外，尽可能最小化生理传感器网络仍然是一项挑战和要求。脑电图 (EEG) 信号与特定的认知和心理状态（例如工作负荷）显示出高度相关性。但是，文献中没有足够的证据来验证模型在新的受试者执行与模型训练期间的工作负荷相似的任务的情况下的泛化能力。在本文中，我们提出了一个卷积神经网络，用于在连续性能任务测试中对不同心理负荷的 EEG 特征进行分类，该测试部分测量工作记忆和工作记忆容量。我们的模型在一般人群层面有效，并且能够将任务学习转移到模拟作战环境中的飞行员心理工作量识别。
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。
基于多分支深度学习融合模型的计算机辅助颅内脑电信号识别方法及临床验证
1 北京邮电大学泛网无线通信教育部重点实验室，北京市海淀区西土城路10号，100876，中国；ypwang@bupt.edu.cn（YW）；liuzimo@bupt.edu.cn（ZL）；guojinjie2@bupt.edu.cn（JG）；gpcao@bupt.edu.cn（GC）；baytest@bupt.edu.cn（MO）2 首都医科大学宣武医院神经外科，北京市西城区长椿街45号，100053，中国；yangdai@mail.ccmu.edu.cn（YD）；shanyongzhi@xwhosp.org（YS）3 北京航空航天大学机电工程与自动化学院机器人研究所，北京市海淀区学院路37号，100191，中国； drliuda@buaa.edu.cn 4 无锡北邮传感技术与工业研究所有限公司，无锡 214001，中国 * 通讯作者：gxkang@bupt.edu.cn (GK); ggzhao@xwhosp.org (GZ) † 这些作者对这项工作的贡献相同。