XiaoMi-AI文件搜索系统
World File Search System信号采集
集成接收器简化数字预失真的模拟部分 - 高频电子 2009 年 7 月
数字处理能力的飞速发展导致了对高性能模拟信号处理产品的需求增加。如今，蜂窝网络除了提供传统语音之外，还提供大量数据和视频，而且传输速率比以往任何时候都快。这导致了依赖复杂数字技术的新调制技术和新空中接口标准的出现。虽然数字技术使系统能够运行得更快、功耗更低、使用更小的封装尺寸并提高每一代系统的可靠性，但这些系统对系统的 RF 和模拟信号采集部分提出了新的要求。基站发射机的复杂调制和宽带宽导致功率放大器 (PA) 的波峰因数更高。为了满足更高波峰因数下更严格的要求，功率放大器通常尺寸过大，以便在线性区域内运行。如果不进行数字校正，PA 效率可能在 10% 左右，这意味着 20 W PA 需要 200 W 的能力。PA 是基站中最大的电力消耗者，因此是蜂窝服务提供商运营费用的重要因素。为了提高 PA 效率，数字技术用于峰值因数降低 (CFR) 和数字预失真 (DPD)。虽然放大器在饱和时效率最高，但它会变得高度非线性。复杂的数字调制需要 PA 具有极高的线性度，
VERA：虚拟环境记录注意力
摘要 — 患有注意力缺陷多动障碍 (ADHD) 的儿童在日常生活中表现出不同的症状，例如难以集中注意力、冲动、难以调节运动功能等。最常用的治疗方法是药物治疗，但会产生副作用。另一种解决方案是行为治疗，但似乎并不比药物治疗效果更好，而且成本更高。一种越来越受关注的新方法是使用神经反馈 (NF) 来教患者自己调节症状，通过以可理解的形式可视化大脑活动。此外，虚拟现实 (VR) 是 ADHD 背景下 NF 的支持环境。然而，在进行 NF 之前，确定与症状表现相对应的生理信号特征非常重要。我们在此提出了一个新框架，该框架基于可嵌入 VR 耳机的设备对脑电图 (EEG) 和视线方向的联合测量，目标是估计注意力状态。在信号采集的同时，执行注意力任务来标记生理信号。从信号中提取特征，并应用机器学习 (ML) 模型来检索注意力状态。这项初步研究提供了令人鼓舞的结果，能够在多种情况下做出正确的分类。此外，带有标记生理信号的数据集正在开发中。这将有助于更好地理解 ADHD 症状背后的机制。关键词 —虚拟现实、眼动追踪、脑机接口、机器学习
![arXiv:2404.17895v1 [cs.HC] 2024 年 4 月 27 日](/simg/7\71317db7666471198cd2dd51133daac74c160000.png)
arXiv:2404.17895v1 [cs.HC] 2024 年 4 月 27 日
摘要。脑机接口 (BCI) 融入智能轮椅 (SW) 技术领域，标志着在增强残疾人士的行动能力和自主能力方面取得了显著的飞跃。BCI 是一种使大脑和外部设备之间能够直接通信的技术。虽然 BCI 系统为增强人机交互和为残疾人士提供移动解决方案提供了绝佳的机会，但它们也引发了有关安全性、安全性和隐私的重大担忧，而这些问题尚未得到大规模研究人员的彻底解决。我们的研究旨在通过利用 BCI 的脑电图 (EEG) 信号来增强残疾人士对轮椅的控制。我们引入了一种非侵入式 BCI 系统，该系统利用神经信号采集耳机来捕获 EEG 信号。这些信号是从个人经过训练产生的特定大脑活动中获得的，从而可以精确控制轮椅。基于 EEG 的 BCI 有助于捕捉大脑的电活动并将这些信号转化为可操作的命令。我们研究的主要目标是展示该系统解释脑电图信号和解码用户发出的特定思维模式或心理命令的能力。通过这样做，它旨在将这些转换成轮椅的精确控制命令。这一过程包括识别导航意图，例如前进、后退或转弯，这些意图是专门为轮椅操作量身定制的。通过这种创新方法，我们旨在在用户的认知意图和轮椅运动之间创建一个无缝的界面，增强身体残疾人士的自主性和机动性。
文章通过集成上下文门网络提高分类准确性：功能性近红外光谱的深度学习方法
摘要：脑机接口 (BCI) 系统包括信号采集、预处理、特征提取、分类和应用阶段。在 fNIRS-BCI 系统中，深度学习 (DL) 算法在提高准确性方面起着至关重要的作用。与传统的机器学习 (ML) 分类器不同，DL 算法无需手动提取特征。DL 神经网络会自动提取数据集中的隐藏模式/特征来对数据进行分类。在本研究中，从 20 名健康参与者那里获取了手握（闭合和张开）两类运动活动数据集，并将集成上下文门网络 (ICGN) 算法（提出）应用于该数据集以提高分类准确性。所提出的算法从过滤后的数据中提取特征，并根据网络中先前单元的信息生成模式。因此，基于数据集内生成的类似模式进行分类。将所提出的算法的准确性与长短期记忆 (LSTM) 和双向长短期记忆 (Bi-LSTM) 进行了比较。所提出的 ICGN 算法的分类准确率为 91.23 ± 1.60%，显著（p < 0.025）高于 LSTM 和 Bi-LSTM 分别实现的 84.89 ± 3.91 和 88.82 ± 1.96。使用 30 名受试者的开放访问三类（右手和左手手指敲击和优势脚敲击）数据集来验证所提出的算法。结果表明，ICGN 可有效用于基于 fNIRS 的 BCI 应用中二类和三类问题的分类。
生物形态 - 虹膜 -
摘要 - 人类机器的相互作用正在在康复任务中获得关注，例如控制假肢或机器人手臂。手势识别表面肌电图（SEMG）信号是最有前途的方法之一，因为SEMG信号采集是无创的，并且与肌肉收缩直接相关。但是，对这些信号的分析仍然提出许多挑战，因为类似的手势会导致相似的肌肉收缩。因此，所得信号形状几乎相同，导致分类精度低。为了应对这一挑战，采用复杂的神经网络，需要大量的记忆足迹，消耗相对较高的能量并限制用于分类的设备的最大电池寿命。这项工作通过引入生物形态来解决此问题。这个新的基于注意力集中的档案的新家族可以采取最先进的性能，同时减少4.9倍的参数和操作的数量。此外，通过引入新的主体间预训练，我们将最佳生物样品的准确性提高了3.39％，可以匹配最先进的准确性，而无需任何额外的推理成本。在平行，超低功率（PULP）微控制器单元（MCU），Greenwaves GAP8上部署我们最佳性能的生物形态，我们的推断潜伏期和能量分别为2.72 ms和0.14 MJ，比以前是先前的现有的神经网络低8.0倍，同时只有94.2 kbs y 4.2 kb，而不是先前的现有的神经网络。索引术语 - 转化器，SEMG，手势识别，深度学习，嵌入式系统
用于深部脑刺激 (DBS) 的低噪声放大器
过去几十年来，神经科学家一直与集成电路社区合作，帮助他们开发用于分析和理解大脑的新工具。在此背景下，必须对小动物进行基础性的体内研究，而这需要小型化仪器进行长期研究[1]。多年来，科学家们一直推测脑电图 (EEG) 活动可能提供大脑和计算机之间的通信通道[2]。随着该领域的发展，电子界对功能性和小型化的需求也在上升。由于需要处理低幅度生物信号，因此设计放大器使这些信号与 ADC 等设备兼容以便在计算机上进一步分析非常重要。放大器必须具有特定要求，例如对生理信号进行选择性放大、抑制叠加的噪声和干扰信号、以及确保免受高电压和电流造成的损坏 [3]。微电子技术的最新发展带来了许多新应用，包括通过可穿戴和可植入设备采集生物信号[4-8]。例如，心电图 (ECG) 是最著名的应用之一，它包括采集生物信号以帮助医生诊断心脏疾病[6-10]。脑电图 (EEG) 是另一个广泛的应用，每年都有大量新著作发表[11-13]。神经记录将生物信号采集推向了新的水平，出现了涉及神经调节的新应用[14-16]。光遗传学就是这类应用，它是一个新兴的应用领域，从大脑的特定部分采集信号，同时，大脑的同一区域也可以受到光的刺激[17-20]。
具有串联双线性的节能 delta-sigma ADC ...
Delta-sigma (ΔΣ) ADC 广泛用于信号采集和处理应用。因此，这种类型的 ADC 被用作编解码器和助听器，这些设备需要信号路径具有较大的动态范围 [1-4]。与奈奎斯特速率转换器相比，ΔΣ ADC 更易于设计，因为它们不需要具有严格参数的模拟组件。过采样转换器对输入信号带宽进行采样，因此无需使用抗混叠滤波器。通过中等过采样率和增加的采样率，可以设计高分辨率 ADC。这可以有效降低整个功耗，同时保持所需的分辨率 [5]。电压缩放适用于数字电路设计，以降低散热量，同时牺牲速度。已报道了几种解决该问题的技术，例如体驱动电路、SAR 操作、亚阈值操作 [6-9] 和过零电路 [10, 11]，但这些电路的性能非常低。delta-sigma ADC 是一种非常高效的结构，具有过采样和噪声整形特性。连续 ΔΣADC 的工艺缩放因子和带宽得到了改善。高性能模拟电路包括无运算放大器流水线 ADC [12, 13]、节能逐次逼近寄存器 (SAR) ADC [14, 15] 和数字校准技术 [16, 17]。为了在时域中处理信号，压控振荡器 (VCO) 起着重要作用 [18-24]。当触发器同步时，VCO 输出会在 VCO 中引入量化误差。
惯性导航系统（IMU/INS）RCI本地为...
研究问题的简介DLRL方向查找器（DF）系统当前使用方位角轴承来识别频率料斗信号，并在三个类别中对检测到的信号进行分类，即固定频率（FF），频率料斗（FH）和爆发。DF系统在频域中进行扫描，并执行所有检测到的信号的DF。由于信号处理是基于框架/批次的，并在频域中进行，并且在每个通道中并行，因此爆发和单个啤酒花的时间持续时间估计的准确性受到限制，因此，快速料斗的Hop速率估计值不准确。使用来自两个或五个DF天线中的每个DF天线中的时域iQ数据基于深度学习/机器学习的算法，以将接收的信号分类为FF，FF和爆发。培训数据需要由适当的数学模型生成，该模型应允许引入噪声和褪色。产生的信号应允许以瞬时带宽内的不同频率同时存在多个信号。预计它将能够估算200个微秒的次数和爆发持续时间。需要使用仿真验证所提出的方法的性能，并使用使用商业阶段相干的信号采集硬件（最少2个通道）生成或捕获的数据在工作站/笔记本电脑或PC上测试。dlrl寻求与学术机构一起开发和实施复杂的统计数字信号处理算法的解决方案。
目录dia-coes的研究问题
研究问题的简介DLRL方向查找器（DF）系统当前使用方位角轴承来识别频率料斗信号，并在三个类别中对检测到的信号进行分类，即固定频率（FF），频率料斗（FH）和爆发。DF系统在频域中进行扫描，并执行所有检测到的信号的DF。由于信号处理是基于框架/批次的，并在频域中进行，并且在每个通道中并行，因此爆发和单个啤酒花的时间持续时间估计的准确性受到限制，因此，快速料斗的Hop速率估计值不准确。使用来自两个或五个DF天线中的每个DF天线中的时域iQ数据基于深度学习/机器学习的算法，以将接收的信号分类为FF，FF和爆发。培训数据需要由适当的数学模型生成，该模型应允许引入噪声和褪色。产生的信号应允许以瞬时带宽内的不同频率同时存在多个信号。预计它将能够估算200个微秒的次数和爆发持续时间。需要使用仿真验证所提出的方法的性能，并使用使用商业阶段相干的信号采集硬件（最少2个通道）生成或捕获的数据在工作站/笔记本电脑或PC上测试。dlrl寻求与学术机构一起开发和实施复杂的统计数字信号处理算法的解决方案。
使用机器学习进行基于脑电图的嗜睡预测
困倦是道路交通事故的主要原因，它会导致严重的身体伤害、死亡和重大的经济损失。为了监测驾驶员困倦程度，先前的研究使用了行为测量、车辆测量、生理测量和混合测量等各种方法。本文主要关注预测驾驶员困倦的生理方法。有几种生理方法来预测困倦。在这些方法中，脑电图是测量受试者大脑活动的非侵入性生理方法之一。从人体头皮提取的脑电信号会根据各种特征进行分析，并用于预测困倦、疲劳等各种健康应用。所提出系统的主要目标是及早高精度地预测驾驶员困倦程度，因此我们将工作分为两个步骤。第一步是收集基于脑电图的眼睛状态（睁眼和闭眼）的公开数据集，其中信号采集过程由 Emotiv EEG Neuroheadset（14 个电极）完成，并分析了各种特征工程技术和统计技术。第二步应用机器学习分类模型 K-NN 并使用基于性能的预测模型。在现有系统中，他们使用各种机器学习分类模型（如 K-NN 和 SVM）进行 EEG 眼状态分类，结果约为 80% -97%。与现有系统相比，我们提出的方法使用不同的特征工程流程和分类模型（如 K-NN）生成了更好的分类模型来预测驾驶员困倦程度，从而产生了 98% 的准确率。