XiaoMi-AI文件搜索系统
World File Search System实验性能
使用糖尿病患者中的静脉和毛细血管血液样本比较葡萄糖测量技术
通讯作者：Mahmut Dirik（mhmd.dirik@gmail.com）摘要路径计划问题是自动驾驶汽车中研究最多的主题之一。在过去的十年中，基于抽样的路径计划算法引起了研究界的重大关注。快速探索随机树（RRT）是一种基于抽样的计划方法，由于其渐近最佳性，研究人员是一个关注的问题。但是，在路径规划中使用接近障碍物的样品和急转弯的路径并不能使实时路径跟踪应用程序有效。为了克服这些局限性，本文提出了RRT和Dijkstra算法的组合。RRT-Dijkstra释放了一个较短且无碰撞的路径解决方案。它是通过各种因素来衡量的，例如路径长度，执行时间和回合总数。此处的目的是基于指标，即路径长度，执行时间和转折点总数的审查和绩效比较。在用障碍物结构的复杂环境中测试了算法。实验性能表明，RRT-Dijkstra需要在2D环境中更少的转折点和执行时间。这些是提出方法的优势。该建议的方法适用于离线路径计划和路径以下。
P300 脑机接口拼写器的进展
脑机接口（BCI）是一种非肌肉通信技术，为大脑和外部设备提供信息交换通道。几十年来，BCI取得了显著进展并被应用于许多领域。最传统的BCI应用之一是BCI拼写器。本文主要讨论P300 BCI拼写器的研究进展，并回顾了四类P300拼写器：单模态P300拼写器、基于多种脑模式的P300拼写器、具有多感觉刺激的P300拼写器和具有多种智能技术的P300拼写器。对于每一类P300拼写器，我们进一步回顾了几种具有代表性的P300拼写器，包括它们的设计原理、范式、算法、实验性能和相应的优势。我们特别强调了范式设计思想，包括整体布局、单个符号形状和刺激形式。此外，还确定了P300拼写器的几个重要问题和研究指导。希望本综述能帮助研究人员了解这些新型P300拼写工具的新思路，提升其实际应用能力。
使用KNN分类器的种子数据集寻找情绪的方法
文章历史记录：收到：2021年1月10日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年4月28日摘要：情感是我们日常生活中必不可少的组成部分。尽管如此，脑部计算机界面（BCI）系统尚未达到解释情绪的必要水平。基于BCI框架的经编程的感觉确认是最后几十年来非凡询问的点。脑电图（EEG）信号是这些框架的重要资产之一。EEEG可能是通过头皮在脑波框架内从脑工作中记录的生理标志。利用脑电图信号的最大优势是它反映了真实的感觉，并且可以通过计算机框架有效地准备。一个虚拟数据集可以使用并填充脑电图数据，以计算和分类从脑电图信号生成的这些信号。此处使用的数据集是种子，可以通过称为K-Nearest（KNN）算法的机器学习技术来习惯它来系统化数据。实验性能通过种子分类期间的94.06％的分类值实现。这种提出的方法表明，通过脑电图信号，情绪识别如积极，中立和负面是可能的。