XiaoMi-AI文件搜索系统
World File Search System准确率
使用半合成训练实现快速深度神经对应，用于追踪和识别秀丽隐杆线虫中的神经元
摘要 我们提出了一种基于 Transformer 网络架构的自动化方法来追踪和识别秀丽隐杆线虫中的神经元，称为“快速深度神经对应”或 fDNC。该模型在经验得出的半合成数据上训练一次，然后预测保留的真实动物之间的神经对应关系。相同的预训练模型既可以跨时间追踪神经元，也可以识别不同个体之间的对应神经元。性能是针对手工注释的数据集进行评估的，包括 NeuroPAL（Yemini 等人，2021 年）。仅使用位置信息，该方法在追踪个体内神经元方面的准确率达到 79.1%，在识别个体间神经元方面的准确率达到 64.1%。当将该模型应用于另一个研究组发布的数据集时（Chaudhary 等人，2021 年），识别个体间神经元的准确率甚至更高（78.2%）。当使用 NeuroPAL 中的颜色信息时，我们的数据集上的准确率达到 74.7%。与之前的方法不同，fDNC 不需要将动物拉直或变换到标准坐标系中。该方法速度很快，可在 10 毫秒内预测对应关系，适合未来的实时应用。
人工智能的工程应用
在生产线上解决产品质量标准时，一个关键问题是确定定义最终产品质量的参数并对其进行跟踪。自动机械工作条件不一致时的过程控制问题，即当某些参数高度可变时，在文献中仍未得到充分探索。当最重要的过程变量无法直接测量时，这一目标变得更具挑战性。本文表明，通过将软传感器（其预测模型是神经网络）与异常检测器耦合，可以实现质量控制。该方法已应用于生产线上的自动机械，其中生产率的高变化性对测量的物理变量有重要影响。这使得自动化和准确的质量控制变得困难，因为在这个测试案例中收集的数据是加速度计信号，根据定义，加速度计信号对机器生产率的变化极为敏感。结果表明，该方法优于过去提出的许多其他分类方法（支持向量机、集成袋装树、判别分析、K 近邻和直接应用神经网络），即使在有限数量的机器工作点中收集了异常数据，也能根据四个指标（准确率、精确度、召回率和 𝐹 1 分数）获得令人满意的结果。特别是，在仅收集标称条件的生产率下，准确率也达到了 92% 以上。该程序超过了神经网络的直接训练（新生产率的准确率为 57.6%），以及基于无量纲特征提取的浅层方法的应用（新生产率的准确率约为 35%）。
虚拟现实环境中的脑电图与恐高症的相关性
摘要 提出了一种基于脑电图 (EEG) 的三级恐高症分类系统。利用代表峡谷的虚拟现实 (VR) 场景，让受试者逐渐接触强度不断增加的恐惧诱发刺激。升降平台允许受试者达到三个不同的高度水平。使用心理测量工具初步评估恐高症的严重程度并评估恐惧诱导的有效性。对进行了三次实验的八名受试者进行了可行性研究。在暴露于诱发 VR 场景期间，通过 32 通道耳机获取 EEG 信号。探索了主要的 EEG 波段和头皮区域，以确定哪些区域受恐高症的影响最大。结果，伽马波段、其次是高贝塔波段和头皮额叶区域的影响最为显著。计算了三类恐惧分类任务的受试者内平均准确率。头皮额叶区域的结果尤其相关，使用五个 EEG 波段的绝对功率作为特征，平均准确率为 (68.20 ± 11.60) %。仅考虑额叶区域，最显著的 EEG 波段是高 beta 波段和 gamma 波段，准确率分别达到 (57.90 ± 10.10) % 和 (61.30 ± 8.43) %。顺序特征选择 (SFS) 通过为整个通道集选择 gamma 波段 (48.26 % 的情况) 和高 beta 波段 (22.92 % 的情况) 并实现 (86.10 ± 8.29) % 的平均准确率，证实了这些结果。
基于 EEG 的两阶段高效 3-D CNN 框架...
摘要 — 本文提出了一种使用 EEG 数据进行情绪识别的新型两阶段框架，该框架在保持模型尺寸小且计算效率高的同时，性能优于最先进的模型。该框架由两个阶段组成；第一阶段涉及构建名为 EEGNet 的高效模型，该模型受到最先进的高效架构的启发，并采用包含深度可分离卷积层的倒置残差块。EEGNet 模型在效价和唤醒标签上分别仅使用 6.4k、14k 和 25k 个参数即可实现 90%、96.6% 和 99.5% 的平均分类准确率。在准确率和存储成本方面，这些模型比之前最先进的结果高出多达 9%。在第二阶段，我们对这些模型进行二值化以进一步压缩它们并轻松将它们部署到边缘设备上。二值神经网络 (BNN) 通常会降低模型准确率。本文通过引入三种新方法改进了 EEGNet 二值化模型，并实现了比基线二值模型高出 20% 的改进。所提出的二值化 EEGNet 模型分别实现了 81%、95% 和 99% 的准确率，存储成本分别为 0.11Mbits、0.28Mbits 和 0.46Mbits。这些模型有助于在边缘环境中部署精确的人类情感识别系统。索引术语 — 情感识别；脑电图；3D-CNN；ResNet；量化；深度学习；二值 CNN
基于心电图和脑电图的检测以及使用机器学习对特定性别的压力进行多级分类：一项初步研究
心理健康，尤其是压力，对生活质量起着至关重要的作用。在月经周期的不同阶段（黄体期和卵泡期），女性对压力的反应可能与男性不同。因此，如果不考虑性别，这可能会影响机器学习模型的压力检测和分类准确性。然而，这方面从未被研究过。此外，只有少数压力检测设备经过科学验证。为此，这项工作提出了通过 ECG 和 EEG 信号对未指定和指定性别进行压力检测和多级压力分类模型。压力检测模型是通过开发和评估多个单独的分类器来实现的。另一方面，采用堆叠技术来获得多级压力分类模型。从 40 名受试者（21 名女性和 19 名男性）提取的 ECG 和 EEG 特征用于训练和验证模型。在低和高组合压力条件下，RBF-SVM 和 kNN 分别对女性（79.81%）和男性（73.77%）产生了最高的平均分类准确率。结合 ECG 和 EEG，平均分类准确率提高到至少 87.58%（男性，高压力）和高达 92.70%（女性，高压力）。对于从 ECG 和 EEG 进行多级压力分类，女性的准确率为 62.60%，男性的准确率为 71.57%。这项研究表明，性别差异影响压力检测和多级分类的分类性能。开发的模型可用于个人（通过 ECG）和临床（通过 ECG 和 EEG）压力监测，无论是否考虑性别。
EEG-TCNet：用于嵌入式运动想象脑机接口的精确时间卷积网络
摘要 —近年来，深度学习 (DL) 对基于脑电图 (EEG) 的运动想象脑机接口 (MI-BMI) 的改进做出了重大贡献。在实现高分类准确率的同时，DL 模型的规模也不断扩大，需要大量的内存和计算资源。这对嵌入式 BMI 解决方案提出了重大挑战，该解决方案应通过本地处理数据来保证用户隐私、减少延迟和低功耗。在本文中，我们提出了 EEG-TCN ET，一种新颖的时间卷积网络 (TCN)，它在只需要少量可训练参数的情况下实现了出色的准确率。其低内存占用和低推理计算复杂度使其适合在资源有限的边缘设备上进行嵌入式分类。在 BCI 竞赛 IV- 2a 数据集上的实验结果表明，EEG-TCN ET 在 4 类 MI 中实现了 77.35% 的分类准确率。通过为每个受试者找到最佳网络超参数，我们进一步将准确率提高到 83.84%。最后，我们在 Mother of All BCI Benchmarks (MOABB) 上展示了 EEG-TCN ET 的多功能性，这是一个包含 12 个不同 EEG 数据集和 MI 实验的大规模测试基准。结果表明，EEG-TCN ET 成功地推广到单个数据集之外，在 MOABB 上的表现比目前最先进的 (SoA) 好 0.25 倍。索引术语 — 脑机接口、运动意象、深度学习、卷积神经网络、边缘计算。
传感器
摘要：脑电信号被广泛应用于情绪识别，但目前基于脑电信号的情绪识别准确率较低，实时性受到限制。针对这些问题，本文提出了一种改进的特征选择算法来基于脑电信号识别受试者的情绪状态，并结合该特征选择方法设计了一种在线情绪识别脑机接口系统。具体而言，首先提取时域、频域、时频域不同维度的特征；然后采用改进的多阶段线性递减惯性权重（MLDW）粒子群优化（PSO）方法进行特征选择。MLDW算法可以很容易地优化惯性权重的递减过程；最后采用支持向量机分类器对情绪类型进行分类。我们从32名受试者采集的DEAP数据集中的脑电数据中提取了不同的特征，进行了两次离线实验，结果表明四类情绪识别的平均准确率达到了76.67%。与最新基准相比，我们提出的MLDW-PSO特征选择提高了基于脑电的情绪识别的准确率。为了进一步验证MLDW-PSO特征选择方法的有效性，我们开发了一个基于中文视频的在线二类情绪识别系统，对10名健康受试者取得了良好的效果，平均准确率达到了89.5%。证明了我们方法的有效性。
使用基于状态的维护改进离心泵维护计划的案例研究
摘要：离心泵 (CP) 是全球使用最广泛的工业资产之一。基于状态的维护 (CBM) 是用于监控 CP 运行状态的维护策略之一。使用 CBM 可提高 CP 性能。但是，维护计划的 CBM 实践并不理想。本研究介绍了一个案例研究，该案例研究利用 CBM 方法监控海上生产平台上安全关键消防水系统的一部分 CP。研究了 CP 维护的 CBM 方法，并确定了最佳实践。将其与海上公司的实践进行了比较，并观察到了应用和数据收集方面的不足。模拟了一个代表公司运营的测试程序。随后，收集数据以评估 CBM 识别 CP 各种故障的能力。利用 CP 的振动数据来开发由于轴承故障而导致泵故障的 PF 曲线。然后将结果用于建立潜在的检查活动。在研究单一故障的情况下，测试程序的分类准确率为 100%。在研究多个故障的情况下，分类准确率为 67%。总体分类准确率为 76.5%。此外，PF 间隔为五个月，这意味着应每两三个月对轴承进行一次检查，而目前的检查间隔为一个月。测试表明，当有效实施 CBM 最佳实践方法时，可以改进故障分类和数据驱动的维护计划。未来的工作将研究增强型人工智能 (AI) 技术在更复杂的操作条件下提高分类准确率的能力。
使用脑电信号和卷积神经网络自动分类睡眠阶段
睡眠阶段分类是研究人类生活质量的新课题之一，因为它在养成健康的生活方式方面起着至关重要的作用。睡眠异常变化或缺乏正常睡眠可能导致不同的疾病，如心脏相关疾病、糖尿病和肥胖症。一般来说，睡眠分期分析可以使用脑电图 (EEG) 信号进行。本研究提出了一种基于卷积神经网络 (CNN) 的睡眠阶段分类方法，使用六个通道采集的 EEG 信号将其转换为时频分析图像。所提出的方法包括三个主要步骤：(i) 将 EEG 信号分割成 30 秒长的时期，(ii) 使用时频分析将时期转换为 2D 表示，以及 (iii) 将 2D 时频分析输入到 2D CNN。结果表明，所提出的方法是稳健的，对通道 C4-A1 实现了 99.39% 的非常高的准确率。所有其他通道的准确率均超过 98.5%，这表明任何通道都可用于高精度的睡眠阶段分类。所提出的方法在总体准确率或单通道准确率方面优于文献中的方法。它有望为医生，尤其是神经科医生带来巨大益处；为他们提供一种新的强大工具来支持睡眠相关疾病的临床诊断。