XiaoMi-AI文件搜索系统
World File Search System变换
宽带光子晶体波导中近变换极限量子点线宽
摘要：平面纳米光子结构能够实现嵌入量子点的宽带、近乎统一的辐射耦合，从而实现理想的单光子源。电荷噪声限制了单光子源的效率和相干性，从而导致辐射光谱变宽。我们报告了通过在包含嵌入 ap - i - n 二极管的量子点的砷化镓膜中制造光子晶体波导来抑制噪声的方法。波导附近的局部电接触可最大限度地减少漏电流，并允许快速电控制（≈ 4 MHz 带宽）量子点谐振。耦合到光子晶体波导的 51 个量子点的谐振线宽测量在 6 nm 宽的辐射波长范围内表现出接近变换极限的辐射。重要的是，局部电接触允许在同一芯片上独立调谐多个量子点，这与变换极限辐射一起成为实现基于多发射器的量子信息处理的关键组成部分。关键词：光子晶体波导、量子点、单光子、共振光谱、纳米光子学、半导体异质结构
修正：人工智能的二元性、自适应变换能力及其对动荡时期绩效的影响
更正至：章节“人工智能的双元性、自适应转换能力及其对动荡时期绩效的影响”，载于：S. Papagiannidis 等人（编辑）：数字技术在塑造后疫情世界中的作用，LNCS 13454，https://doi.org/10.1007/978-3-031-15342-6_3
葡萄糖趋势预测模型基于改进的小波变换和门控复发单元
心力衰竭是一种具有复杂临床表现的综合征。可能是由于多种原因而发生的，包括对心脏的结构损害以及其功能变化，以防止其正确地将血液泵入身体，从而使身体没有充分的循环。随着我们人口的年龄增长，心力衰竭患者的数量每年增加，一再住院，生活质量减少和其他问题。这些问题突出了需要及时诊断，治疗和预后的必要性。通过其分类来估计心力衰竭患者的严重程度在有效治疗中具有重要的临床意义。分类心力衰竭被认为是治疗它的最关键步骤。分类心力衰竭的标准是纽约心脏协会
基于快速 Walsh Hadamard 变换和投票分类器的 EEG 信号压力检测
摘要 精神压力目前是一个重大问题，尤其是在年轻人中。压力会对人们的整体工作表现产生不利影响，在某些情况下甚至会导致严重的健康问题。每个人在生活中都会经历压力。本文提出了一种基于脑电图 (EEG) 识别和分类压力水平的独特方法。在这项工作中，快速 Walsh Hadamard 变换用于生成 EEG 信号中存在的所有频率。在后续阶段计算索引值的 alpha、beta、gamma 和 delta 范围。主成分分析 (PCA) 用于特征降维，然后是标准缩放器。使用 Welch 方法计算了健康和不健康 EEG 信号组的 PSD 向量。PSD 向量用作投票分类器的输入，该分类器是 k-NN 和逻辑回归分类器的组合。实验结果发现，与现有方法相比，所提出的方法在准确度 (Acc) 和均方误差 (MSE) 方面提供了更好的结果。所提出的方法最高分类准确率达到 94.22%
联网和自动驾驶汽车中基于人工智能的车道变换模块的设计：一项调查
摘要 变道是一项复杂的驾驶任务，因为它要求车辆了解高度动态的周围环境，做出决策并及时执行。通过利用传感器和车辆间通信，网联和自动驾驶汽车 (CAV) 有可能显著提高变道的安全性和效率。任务的复杂性和实时性要求使得变道成为特别适合人工智能 (AI) 方法的问题。在本文中，我们调查了基于 AI 的 CAV 变道 (LC) 模块的设计。首先，我们确定可能影响 LC 模块设计的关键因素。接下来，我们调查了基于 AI 的变道的最新发展。最后，我们从关键影响因素的维度分析这些方法，并总结尚未解决的挑战和可以指导基于 AI 的 LC 模块未来发展的机遇。
解码大脑的电活动：利用希尔伯特变换技术进行脑电图分析
原始脑电图数据的分析仍然是一个复杂的问题。脑电图是多种信息的庞大而复杂的提供者，同时易受噪声和伪影的影响 [1]。因此，要理解从这种微妙的动态电活动舞蹈中可以推断出什么，需要现代分析技术。脑电图和其他电生理记录可能有助于阐明大脑中的复杂计算 [2]。傅里叶变换是脑电图分析的基础 [3]。用于分析任何波形的传统测量工具会根据其频率内容将其分解为几部分 [4]。这种分解使得与大脑状态相关的峰值频率成为可能。一些例子是与深度睡眠相关的慢波、与放松相关的阿尔法波和与集中注意力相关的贝塔波 [5]。通过了解脑电图频谱中激活了哪些频带，研究人员可以使用它们快速访问潜在的大脑活动。短时傅里叶变换 (STFT) 将分析提升到了一个新的水平 [6]。STFT 假设信号是动态的但不稳定的，因此在时频域中表示它们 [7]。此外，还有另一种技术，称为频谱图，它通过每个频率的强度来表示颜色强度，同时保持随时间的变化一致 [8]。当将其应用于脑电图时，这使我们能够看到部分
心脏杂音和异常PCG检测通过小波散射变换和1D-CNN
摘要 - 这项工作是从Phonocartiogram（PCG）录音中自动且准确的心脏模拟检测。Two public PCG datasets (CirCor Digiscope 2022 dataset and PCG 2016 dataset) from Physionet online database are utilized to train and test three custom neural networks (NN): a 1D convolutional neural network (CNN), a long short-term memory (LSTM) recurrent neural network (RNN), and a convolutional RNN (C- RNN).我们首先进行预处理，其中包括以下关键步骤：使用小波散射变换对PCG段的DeNoising，分割，仅噪声段重新标记，数据归一化以及PCG段的时间频率分析。然后，我们使用PCG 2022数据集进行了四个实验，前三个（E1-E3），使用PCG 2016数据集进行了第四个实验。事实证明，我们的自定义1D-CNN优于其他两个NN（LSTMRNN和C-RNN）。此外，对于实验E3，我们的1D-CNN模型就准确性，加权准确性，F1得分和AUROC而优于相关工作（使用清洁和重新标记的PCG 2022数据集）。对于实验E1（使用原始PCG 2022数据集），我们的模型在加权准确性和F1分数方面非常接近相关工作。
使用基于块的 Haar 小波变换和 COVIDOA 压缩用于 IoMT 系统的生物信号
摘要：背景：生物信号是智能医疗系统诊断和治疗常见疾病所需的基本数据。然而，医疗系统需要处理和分析的信号量非常大。处理如此大量的数据会带来很多困难，例如需要很高的存储和传输能力。此外，在应用压缩时，保留输入信号中最有用的临床信息至关重要。方法：本文提出了一种用于 IoMT 应用的生物信号高效压缩算法。该算法使用基于块的 HWT 提取输入信号的特征，然后使用新颖的 COVIDOA 选择最重要的特征进行重建。结果：我们使用两个不同的公共数据集进行评估：MIT-BIH 心律失常和 EEG 运动/意象，分别用于 ECG 和 EEG 信号。所提算法的 CR、PRD、NCC 和 QS 平均值分别为 ECG 信号的 18.06、0.2470、0.9467 和 85.366，EEG 信号的 12.6668、0.4014、0.9187 和 32.4809。此外，所提算法在处理时间方面比其他现有技术更高效。结论：实验表明，与现有技术相比，所提方法成功实现了高 CR，同时保持了出色的信号重建水平，并且处理时间更短。
批判性审查傅立叶变换红外光谱（FTIR）在药物化合物的分析和表征中的能力
本研究旨在对傅立叶变换红外光谱（FTIR）在药物化合物的分析和表征中的能力进行批判性审查。ftir已成为药物研究和药物工业中非常重要的光谱技术，可提供对分子结构，化合物鉴定和测量药物质量的深入见解。本文献综述包括通过光谱指纹鉴定药物化合物，分子结构的表征，测量药物的质量和纯度以及需要克服的边界和挑战。我们还探讨了FTIR方法论的最新发展及其与其他分析技术的集成。结果表明，从药物开发研究到控制生产质量，FTIR已成功应用于各种药物。通过了解优势，限制和当前的突破，本综述提供了FTIR在药物化合物分析中的关键作用的全面看法。关键字：FTIR，药物化合物，红外光谱，识别，表征，
使用可调 Q 小波变换和旋转森林集成分类器的基于脑电图的情绪识别
人工智能 (AI) 的情绪识别是一项具有挑战性的任务。已经进行了各种各样的研究，证明了音频、图像和脑电图 (EEG) 数据在自动情绪识别中的实用性。本文提出了一种新的自动情绪识别框架，该框架利用脑电图 (EEG) 信号。所提出的方法是轻量级的，它由四个主要阶段组成，包括：再处理阶段、特征提取阶段、特征降维阶段和分类阶段。在预处理阶段使用基于离散小波变换 (DWT) 的降噪方法，在此称为多尺度主成分分析 (MSPCA)，其中使用 Symlets-4 滤波器进行降噪。可调 Q 小波变换 (TQWT) 用作特征提取器。使用六种不同的统计方法进行降维。在分类步骤中，旋转森林集成 (RFE) 分类器与不同的分类算法一起使用，例如 k-最近邻 (k-NN)、支持向量机 (SVM)、人工神经网络 (ANN)、随机森林 (RF) 和四种不同类型的决策树 (DT) 算法。所提出的框架使用 RFE + SVM 实现了超过 93% 的分类准确率。结果清楚地表明，所提出的基于 TQWT 和 RFE 的情感识别框架是使用 EEG 信号进行情感识别的有效方法。