XiaoMi-AI文件搜索系统
World File Search System信号转换
利用神经信号进行语音和手写检测的机器学习方法：综述
摘要：近年来，脑机接口 (BCI) 因其在医疗领域（运动和/或沟通障碍人士）、认知训练、游戏、增强现实/虚拟现实 (AR/VR) 等领域的潜在应用而越来越受欢迎。BCI 可以解码和识别语音和手写中的神经信号，有可能极大地帮助有严重运动障碍的人满足他们的沟通和互动需求。该领域的创新和前沿进步有可能为这些人开发一个高度可访问和交互的通信平台。这篇综述论文的目的是分析现有的从神经信号进行手写和语音识别的研究。这样对这个领域感兴趣的新研究人员就可以在这个研究领域获得全面的知识。目前基于神经信号的手写和语音识别研究主要分为两类：侵入性研究和非侵入性研究。我们研究了关于将基于语音活动的神经信号和基于手写活动的神经信号转换为文本数据的最新论文。本综述还讨论了从大脑中提取数据的方法。此外，本综述还简要总结了这些研究中使用的数据集、预处理技术和方法，这些研究发表于 2014 年至 2022 年之间。本综述旨在全面总结当前文献中基于神经信号的手写和语音识别方法。本质上，本文旨在为希望在工作中研究基于神经信号的机器学习方法的未来研究人员提供宝贵的资源。
用于人工智能和脑机接口的钙钛矿镍酸盐离子电子学
摘要 人脑是自然界中终极的计算机器。创建能够模拟大脑工作方式并与大脑通信的类脑设备对于制造高效计算电路、监测早期疾病的发生以及跨脑机接口传输信息至关重要。在这种情况下，离子-电子信号的同时传导将特别令人感兴趣，因为离子传递器是人脑中信息传递的手段，而传统电子设备则利用电子或空穴。从这个角度来看，我们提出强关联氧化物（主要集中在钙钛矿镍酸盐）作为此目的的潜在候选材料。可逆地接受小离子并将离子信号转换为电信号的能力使钙钛矿镍酸盐成为神经形态计算和生物电应用的有力候选材料。我们将讨论钙钛矿镍酸盐中离子掺杂和电阻率调制之间相互作用的机制。我们还将介绍在神经形态计算和脑机接口应用中使用钙钛矿镍酸盐的案例研究。最后，我们指出了该领域的挑战并提出了我们的观点。我们希望钙钛矿镍酸盐中强电子相关性的利用将为未来的计算设备和脑机接口提供令人兴奋的新机会。
AAC 专业人员对支持脑机接口技术临床转化的看法
对于因肌萎缩侧索硬化症和脑瘫等疾病而导致严重身体障碍的人，脑机接口可以支持增强和替代通信设备访问 (BCI-AAC)。BCI-AAC 技术不需要个人拥有可靠的物理运动控制形式来访问 AAC。因此，BCI 技术可以为那些认为现有访问方法（例如开关扫描、眼球注视）效率低下、无效或令人疲劳的人提供替代访问 (Brumberg et al., 2018)。BCI-AAC 技术通过将目标神经信号转换为通信设备控制来克服与现有 AAC 访问方法相关的物理障碍。具体而言，BCI 技术针对与用于控制通信设备的感觉和运动过程相关的各种脑信号（有关综述，请参阅 Brumberg et al., 2018）。例如，P300 事件相关电位被用作已建立的 BCI 信号（Donchin et al., 2000）。要使用 P300-BCI 进行通信选择，个人需要关注他们希望选择的目标通信项目（例如字母或符号），同时随机突出显示 BCI-AAC 显示中的所有其他非目标项目。在个人所需的项目（目标刺激）突出显示后约 300 毫秒 (ms)，与其他非目标刺激相比，可以在目标刺激的 EEG 记录中检测到正电压（Donchin 等人，2000 年）。然后，BCI 算法选择与此 P300 事件相关的项目（Pitt 等人，2019 年）。
采用CMOS技术设计吉尔伯特单元混频器
提出了一种采用 180 nm CMOS 工艺的上变频混频器。本研究详细阐述了几种混频器的类型、混频器的性能参数、混频器的拓扑结构以及提高混频器性能的设计技术。主要目的是提高增益、增加线性度和噪声系数。有四种金属层可供设计。对以前发表的研究进行了比较，并提出了低功耗混频器的最佳拓扑结构。关键词：混频器，噪声系数，变频增益，CMOS 1. 简介超宽带 (UWB) 系统是无线通信的主要技术之一。混频器是将 RF 信号转换为基带信号的关键。混频器是 RF 通信系统中最重要的元件之一。当两个不同的输入频率插入另外两个端口时，它被设计为在单个输出端口产生和频和差频。插入两个输入端口的两个信号通常是本振信号和输入（对于接收器）或输出（对于发射器）信号。要产生新频率（或新频率），需要非线性设备。射频混频器本质上是一种将信号从一个频率移到另一个频率的设备。混频器产生输入频率、LO 频率及其互调产物的谐波。这些谐波增加了混频器的非线性。设计混频器的基本目标是抑制谐波。理想的混频器是一个乘法器电路。理想的混频器将一个载波频率周围的调制转换到另一个载波频率。由于混频器是一种非线性设备，因此它无法执行频率转换。
一种受人工智能启发的用于脑电图的时空神经网络......
摘要：准确识别人类的情绪状态对于高效的人机交互 (HRI) 至关重要。因此，我们见证了人们在开发基于各种生物信号的稳健且准确的脑机接口模型方面所做的大量研究。特别是，先前的研究表明，脑电图 (EEG) 可以深入了解情绪状态。最近，研究人员提出了各种手工制作的深度神经网络 (DNN) 模型来提取与情绪相关的特征，这些模型对噪声的鲁棒性有限，从而导致精度降低和计算复杂度增加。迄今为止开发的 DNN 模型被证明可有效提取与情绪分类相关的稳健特征；然而，它们巨大的特征维数问题导致了高计算负荷。在本文中，我们提出了一个混合深度特征袋 (BoHDF) 提取模型，用于将 EEG 信号分类到各自的情绪类别中。通过在特征提取阶段之前将 EEG 信号转换为 2D 频谱图，BoHDF 的不变性和鲁棒性得到进一步增强。这种时频表示与 EEG 模式的时变行为非常吻合。在这里，我们建议将 GoogLeNet 全连接层（最简单的 DNN 模型之一）的深度特征与我们最近开发的基于纹理的 OMTLBP_SMC 特征相结合，然后使用 K 最近邻 (KNN) 聚类算法。在 DEAP 和 SEED 数据库上进行评估时，所提出的模型分别实现了 93.83% 和 96.95% 的识别准确率。使用所提出的基于 BoHDF 的算法的实验结果显示，与之前报道的具有类似设置的工作相比，性能有所提高。
采用深度梯度卷积神经网络进行基于眼动追踪信号的情感分类
利用生物医学信号作为计算人类情感状态的基础是情感计算（AC）的重要问题。随着对情感信号研究的深入，多模型认知与生理指标的结合、动态完整数据库的建立以及高科技创新产品的加入成为AC的最新趋势。本研究旨在开发一种深度梯度卷积神经网络（DGCNN），用于利用眼动追踪信号进行情感分类。首先应用通用信号处理工具和预处理方法，例如卡尔曼滤波器、汉明窗、短时傅里叶变换（SIFT）和快速傅里叶变换（FTT）。其次，将眼动和追踪信号转换为图像。随后应用基于卷积神经网络的训练结构；实验数据集是通过眼动追踪设备通过分配16名参与者的四种情感刺激（紧张、平静、快乐和悲伤）获得的。最后，使用真阳性率 (TPR) 和假阴性率 (FPR) 指标将 DGCNN 与决策树 (DT)、贝叶斯高斯模型 (BGM) 和 k-最近邻 (KNN) 的性能进行比较。最后还部署了自定义小批量、损失、学习率和梯度定义以用于深度神经网络的训练结构。预测分类矩阵显示了所提出方法对眼动和跟踪信号的有效性，其准确率超过 87.2%。这项研究为通过眼动和跟踪信号寻找更自然的人机交互提供了一种可行的方法，并且在情感产品设计过程中具有潜在的应用价值。
EEG-ITNet：一种用于运动意象分类的可解释初始时间卷积网络
摘要 近年来，神经网络，尤其是深度架构在脑机接口 (BCI) 领域的脑电信号分析中受到了广泛关注。在这个正在进行的研究领域，端到端模型比需要信号转换预分类的传统方法更受青睐。它们可以消除对专家的先验信息和手工特征提取的需求。然而，尽管文献中已经提出了几种深度学习算法，在对运动或心理任务进行分类方面取得了很高的准确率，但它们往往缺乏可解释性，因此不太受神经科学界的青睐。其背后的原因可能是参数数量众多，以及深度神经网络对捕捉微小但不相关的判别特征的敏感性。我们提出了一种称为 EEG-ITNet 的端到端深度学习架构，以及一种更易于理解的方法来可视化网络学习的模式。使用初始模块和带扩张的因果卷积，我们的模型可以从多通道脑电信号中提取丰富的光谱、空间和时间信息，并且复杂度（就可训练参数的数量而言）低于其他现有的端到端架构（例如 EEG-Inception 和 EEG-TCNet）。通过对 BCI 竞赛 IV 中的数据集 2a 和 OpenBMI 运动想象数据集进行详尽评估，EEG-ITNet 在不同场景中的分类准确率比其竞争对手高出 5.9%，具有统计学意义。我们还从神经科学的角度全面解释和支持网络图示的有效性。我们还在 https://github.com/AbbasSalami/EEG-ITNet 上免费提供我们的代码。
光波段电子战
本文介绍了获取、分析和处理光信号的可能性和方法，以便识别、确定和应对当代战场上的威胁。本文阐述了在电磁波谱的光波段进行电子战的主要方式，包括获取光发射器特征以及紫外线 (UV) 和热 (IR) 特征。本文讨论了描述激光辐射发射的物理参数和值，包括它们在创建光学特征方面的重要性。此外，已经证明，在将光信号转换为特征时，只能应用其光谱和时间参数。本文的实验部分证实了这一点，其中包括我们对三种双目激光测距仪的光谱和时间发射特性的测量。本文还表明，通过简单的配准和快速分析（涉及比较“日盲”波段紫外线特征的发射时间参数），可以快速、准确地识别各种事件。对于红外特征也是如此，需要比较几种波长的记录信号幅度。通过记录并分析训练场军事演习期间发生的几次事件的信号，实验证实了紫外线特征的正确性，这些事件包括火箭推进榴弹 (RPG) 发射和击中目标后的爆炸、三硝基甲苯 (TNT) 爆炸、穿甲弹、尾翼稳定脱壳穿甲弹 (APFSDS) 或高爆弹 (HE)。最后一部分描述了一个拟议的发射器模型数据库，该数据库是通过分析和将记录信号转换为光学特征而创建的。© 2020 中国兵器学会。由 Elsevier BV 代表科爱传播有限公司提供出版服务。本文为 CC BY-NC-ND 许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
疼痛对 fNIRS 分类的影响
功能性近红外光谱 (fNIRS) 是一种非侵入性神经成像技术，通过监测脑氧合血红蛋白 ([ ∆ HbO]) 和脱氧血红蛋白 ([ ∆ HbR]) 浓度的变化来间接测量大脑活动 [ 1 ]。最近，人们对在脑机接口 (BCI) 中使用 fNIRS 的兴趣日益浓厚。BCI 的目标是将从大脑记录的信号转换为控制外部设备的命令 [ 2 , 3 ]。因此，准确分类脑信号在 BCI 应用中具有重要意义。另一方面，一组 BCI 用户是患者 (例如运动障碍者)，不幸的是，他们也可能因受伤而感到疼痛。然而，疼痛的存在预计会影响大脑活动，从而影响 BCI 的性能。在本研究中，我们首次研究了疼痛的存在如何影响与心算任务相对应的 fNIRS 数据的分类准确度。fNIRS 数据是从 2 名健康受试者身上收集的，并使用热刺激来诱发疼痛。所有通道的 [ ∆ HbR] 信号的平均值用作分类特征。采用二次核支持向量机分类器 (QSVM) 对数据进行分类。我们的分类结果表明，对于基于无痛数据训练的模型，在对有疼痛时获得的数据进行测试时，其平均分类准确度显著降低。这些结果表明，使用无痛数据训练和开发的 BCI 算法在有疼痛的情况下可能会表现不佳。因此，在为患者调整 BCI 算法时考虑疼痛因素非常重要。本文的其余部分安排如下：第 2 部分描述了实验范例和数据收集程序。第 3 部分解释了预处理和分类方法，第 4 部分介绍了结果和讨论。
社论：大脑计算机界面及其应用
目前，脑部计算机界面（BCI）是神经科学领域的研究重点和热点。相关技术被广泛用于各种情况，例如临床使用，康复，工程和日常生活。BCI使用不同的大脑信号，记录方法和信号处理算法来在大脑与外部软件/硬件平台之间构建链接。随着硬件（例如BCI芯片，可穿戴设备）和算法（例如机器学习，深度学习）的开发，BCI变得越来越实用和稳定。我们发布了此研究主题，以收集BCI的全球最新研究。来自世界各地的研究人员积极参与并贡献了许多手稿。经过仔细和专业审查所有提交的内容后，接受了14项高质量手稿。在此主题中，一些贡献着重于在BCI中使用深度学习，其中卷积神经网络（CNN）是最广泛使用的。Zhang等。 为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。 实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。 Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Zhang等。为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Qiu等。使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Deng等。 提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。 计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。 Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。 该算法在基于脑电图的动作解码中提供了高可变性和跨主题。 在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。 Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Deng等。提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。该算法在基于脑电图的动作解码中提供了高可变性和跨主题。在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen L.等。将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。元转移学习（MTL）用于避免耗时的校准。Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen G.等。探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。