XiaoMi-AI文件搜索系统
World File Search System光谱特征
深度卷积神经网络在脑电图中的应用：原始数据与光谱特征
摘要 — 深度学习在计算机视觉领域的成功启发了科学界探索新的分析方法。在神经科学领域，特别是在电生理神经成像领域，研究人员开始探索利用深度学习来预测他们的数据，而无需进行广泛的特征工程。本文使用两种不同的深度卷积神经架构比较了使用经过最低限度处理的 EEG 原始数据的深度学习与使用 EEG 光谱特征的深度学习。其中一个来自 Putten 等人 (2018)，专门用于处理原始数据；另一个来自 VGG16 视觉网络 (Simonyan and Zisserman, 2015)，旨在处理 EEG 光谱特征。我们应用它们对来自 1,574 名参与者的大型语料库的 24 通道 EEG 进行性别分类。我们不仅改进了此类分类问题的最新分类性能，而且还表明在所有情况下，与光谱 EEG 特征相比，原始数据分类可带来更出色的性能。有趣的是，我们表明，专门用于处理 EEG 频谱特征的神经网络在应用于原始数据分类时性能有所提高。我们的方法表明，用于处理 EEG 频谱特征的相同卷积网络在应用于 EEG 原始数据时可产生优异的性能。
增材制造中打印质量预测的光谱特征分析：基于声学的方法
摘要：增材制造 (AM) 工艺中的质量预测至关重要，特别是在航空航天、生物医学和汽车等高风险制造业。声学传感器已成为一种有价值的工具，可通过分析特征和提取独特特征来检测打印图案的变化。本研究重点关注熔融沉积成型 (FDM) 3D 打印样品立方体 (10 mm × 10 mm × 5 mm) 的声学数据流的收集、预处理和分析。以 10 秒为间隔提取不同层厚度的时域和频域特征。使用谐波-打击源分离 (HPSS) 方法对音频样本进行预处理，并使用 Librosa 模块对时间和频率特征进行分析。进行了特征重要性分析，并使用八种不同的分类器算法（K最近邻（KNN）、支持向量机（SVM）、高斯朴素贝叶斯（GNB）、决策树（DT）、逻辑回归（LR）、随机森林（RF）、极端梯度提升（XGB）和轻梯度提升机（LightGBM））实施机器学习（ML）预测，以基于标记数据集对打印质量进行分类。使用具有不同层厚度的三维打印样品（代表两种打印质量水平）生成音频样本。从这些音频样本中提取的频谱特征作为监督ML算法的输入变量，以预测打印质量。调查显示，频谱平坦度、频谱质心、功率谱密度和RMS能量的平均值是最关键的声学特征。使用包括准确度分数、F-1分数、召回率、精确度和ROC / AUC在内的预测指标来评估模型。极端梯度提升算法脱颖而出，成为最佳模型，预测准确率为 91.3%，准确率为 88.8%，召回率为 92.9%，F-1 得分为 90.8%，AUC 为 96.3%。这项研究为使用熔融沉积模型进行基于声学的 3D 打印部件质量预测和控制奠定了基础，并可扩展到其他增材制造技术。
从RGB图像中的光谱特征的预测映射用于越野地形分析
摘要 - 准确识别复杂的地形特征，例如土壤组成和摩擦系数，对于基于模型的计划和越野环境中移动机器人的控制至关重要。光谱特征利用光吸收和反射的不同模式来识别各种材料，从而可以精确地表征其固有特性。机器人技术的最新研究探索了光谱的采用，以增强与环境的感知和相互作用。但是，安装这些传感器所需的巨大成本和精致的设置存在着广泛采用的强大障碍。在这项研究中，我们将RS-NET（RGB引入光谱网络），这是一种深层神经网络体系结构，旨在将RGB图像映射到相应的光谱签名。我们说明了如何将RS-NET与共同学习技术协同结合，以进行地形性质估计。初始结果证明了这种方法在表征广泛的越野现实世界数据集中的光谱特征方面的有效性。这些发现仅使用RGB摄像机强调了地形性质估计的可行性。
使用神经网络和时间光谱特征
大脑计算机界面（BCIS）越来越有用。这样的BCI可用于帮助失去流动性或控制四肢的个人，出于娱乐目的，例如游戏或半自主驾驶，或者是用于人造装置的界面。到目前为止，用于思考解码的算法的性能受到限制。我们表明，通过从脑电图（EEG）信号中提取时间和频谱特征，然后使用深度学习神经网络对这些特征进行分类，可以显着提高BCIS在预测主体想象的运动动作方面的性能。我们的运动预测算法使用顺序的向后选择技术来共同选择分类的时间和光谱特征以及径向基函数神经网络。与最先进的基准算法相比，该方法的平均性能提高3.50％。使用两个流行的公共数据集，我们的算法在第一个数据集中达到90.08％的精度（平均基准为79.99％），第二个数据集的算法达到了88.74％（平均基准：82.01％）。鉴于基于EEG的动作解码中的较高可变性和跨主体的可变性，我们建议使用多种模式的功能以及神经网络分类协议可能会提高各种任务中BCI的性能。
阿尔法和贝塔频带中审美自然感知的大脑光谱特征
。CC-BY-ND 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2022 年 8 月 15 日发布。；https://doi.org/10.1101/2022.08.11.503584 doi：bioRxiv 预印本
使用新型高阶光谱特征检测微电极记录信号
帕金森氏病（PD）是由基底神经节（BG）地区的细胞死亡引起的长期进行性的神经衰落疾病[1]。细胞死亡会导致多巴胺的缺乏效率，这负责控制人体运动[2,3]。结果，大脑中的通信模式受到影响[4]。PD会影响60岁以上的人们[5]。PD的特征是主要症状，包括僵硬，心动肌症[6]，静肌震颤[7,8]，僵化[9]和睡眠障碍[10]。因此，越来越多地使用深脑刺激（DBS）手术，以减轻病情恶化或不再对药物治疗反应的晚期PD患者的症状[11-13]。dbs是一种介入的介入，该处理包括电极在丘脑下核（STN）[14]或GLOBUS PALLIDUS（GPI）[15,16]的内部段中的植入，以便为这些特定的靶标提供高频率电脉冲[17]。因此，DBS铰链对在大脑中定位靶构型的有效治疗作用具有高精度，例如，相邻功能区域的刺激已被证明会对运动，情绪和认知功能引起不利的副作用[18]。此外，DBS电极的不准确定位导致多达40％的术后刺激有效性的病例[19,20]。发现STN内部的背外侧体感区域是为PD患者应用刺激的最佳场所[21]。用于计划电极插入轨迹的最常见方式包括磁共振成像（MRI）和计算机断层扫描（CT）扫描[22]。然而，由于神经影像的分辨率限制[23]，术中指导的其他辅助信息至关重要。因此，MER在DBS手术期间的实时测试中用于验证计划的轨迹，以实现目标结构内电极的最佳定位[24]。此外，使用MER信号对STN边界及其周围结构的术中划定可以通过克服大脑变形并解释由于脑玻璃体流体泄漏引起的解剖学转移来减少靶向误差[25]。MER允许在尖端大小约1升M的最接近电极附近捕获神经元的外电活动，然后，在通过扬声器聆听信号的同时，通过训练有素的神经科医生和/或神经外科医生在术中推断时间域行为[26]。尽管如此，对STN分割的MER信号的心理解释面临着几个挑战，例如，它们是非平稳的，具有复杂的信号模式[27]。此外，由于存在来自多个来源的伪影，例如手术室中的设备，患者言语，电极运动和血液[26]。此外，包括STN的解剖学挑战较小（约4*7*9毫米），大脑深处，并被结构包围，例如，底睾丸（SNR）和Zona Incerta（Zi）[28]。热热，从STN到SNR的不间断过渡和白质间隙的存在可能导致错误的标签