XiaoMi-AI文件搜索系统
World File Search System小波
瑞典可再生能源消费和结构变化的环境影响：基于小波的格兰杰因果关系方法的新视角
本文评估了瑞典二氧化碳排放与金融发展、经济增长、可再生能源使用、结构变化和不可再生能源使用之间的时频分析相互关系。我们使用了 1980 年至 2019 年的季度数据集。为了揭示这些相互关系，我们利用了小波工具（基于小波的格兰杰因果关系和小波相干性）。基于小波的格兰杰因果关系 (WGC) 检验解释了时间序列分析中的多个时间尺度问题。WGC 的另一个独特之处在于它能够抵抗时间序列模型中的分布假设和错误指定。此外，小波相干性估计器可以即时评估模型中相互作用指标之间的相关性和因果关系。小波相干性的结果显示，可再生能源、金融发展、经济增长、结构变化和贸易开放提高了环境质量，而非可再生能源则加剧了二氧化碳的排放。此外，WGC 还显示，所有变量都可以相互预测。基于这些发现，瑞典的政策制定者应该更加注重提高公众对可再生能源和环境保护的认识。我们相信，瑞典转向服务业主导的增长将有助于保护环境。
小波损耗的训练变压器模型可改善单图像超分辨率
基于变压器的模型已在包括图像超级分辨率（SR）在内的低级视觉任务中取得了显着的结果。但是，在获得全球信息时，基于不重叠的窗口中依赖自我注意的早期aperach遇到了挑战。为了激活全球更多输入像素，已经提出了混合注意模型。此外，通过仅将像素的RGB损失（例如L 1）降至最低而无法捕获基本的高频降低，训练不足。本文提出了两种贡献：i）我们引入了卷积非本地稀疏注意（NLSA）块，以扩展混合变压器体系结构，以增强其接受场。ii）我们采用小波损失来训练变压器模型，以提高定量和主观性能。虽然先前已经探索过小波损耗，但在基于训练变压器的SR模型中显示了它们的力量是新颖的。我们的实验结果表明，所提出的模型在各种基准数据集中提供了状态的PSNR结果以及出色的视觉性能。
训练小波域损失的训练生成图像超分辨率模型可以更好地控制伪影
抽象的超分辨率（SR）是一个不当的反问题，其中具有给定低分辨率图像的可行解决方案集的大小非常大。已经提出了许多算法，以在可行的解决方案中找到一种“好”解决方案，这些解决方案在忠诚度和感知质量之间取得了平衡。不幸的是，所有已知方法都会生成伪影和幻觉，同时试图重建高频（HF）图像细节。一个有趣的问题是：模型可以学会将真实图像细节与文物区分开吗？尽管有些重点侧重于细节和影响的分化，但这是一个非常具有挑战性的问题，并且尚待找到满意的解决方案。本文表明，与RGB域或傅立叶空间损耗相比，使用小波域损失功能训练基于GAN的SR模型可以更好地学习真正的HF细节与伪像的表征。尽管以前在文献中已经使用了小波域损失，但在SR任务的背景下没有使用它们。更具体地说，我们仅在HF小波子带上而不是在RGB图像上训练鉴别器，并且发电机受到小波子带的忠诚度损失的训练，以使其对结构的规模和方向敏感。广泛的实验结果表明，我们的模型根据多种措施和视觉评估实现了更好的感知延续权权衡。
一种小波辅助的深度学习方法，用于模拟受低频可变性影响的地下水水平
Sivarama Krishna Reddy Chidepudi，Nicolas Massei，Abderrahim Jardani，Abel Henriot，Delphine Allier等。总环境科学，2023，865，第161035页。10.1016/j.scitotenv.2022.161035。hal-03925440
onEEGwaveLAD：一种全自动在线 EEG 小波...
脑电信号是通过使用放置在头皮上的电极放大和记录大脑的自发生物电位来获得的。虽然事实证明这种信号有助于以高时间分辨率发现大脑活动的变化，但它受到非平稳和频繁伪影的污染。人们开发了大量降噪技术，并取得了显著的效果。然而，它们通常需要多通道信息和额外的参考信号，不是完全自动化的，需要人工干预，而且大多是离线的。随着脑机接口的普及和脑电图在日常活动和其他生态环境中的应用，人们越来越需要一种强大的、在线的、近乎实时的去噪技术，这种技术不需要额外的参考信号，是完全自动化的，不需要人工监督或多通道信息。这项研究通过引入 onEEGwaveLAD 来丰富知识体系，这是一种新颖的、全自动的、在线的、基于 EEG 小波的学习自适应去噪器管道，用于识别和减少伪影。它是一个特定的框架，可以实例化各种类型的伪影，为实时去噪铺平了道路。作为同类中的第一个，它针对眨眼检测和减少的特定问题进行了描述和实例化，并通过对 30 名参与者的信噪比进行一般和特定分析进行了评估。
使用小波纹理分析和机器学习对骨质疏松X射线图像进行分类
摘要：骨质疏松症是一种由骨矿物质含量降低和骨微体系结构的变化所定义的疾病，对使用X射线图像进行准确分类构成了挑战。本文旨在从跟骨放射线照片中提取纹理特征，并选择最佳的纹理特征，这些特征可用于训练机器学习分类器模型以检测骨质疏松症。这项工作基于多分辨率分析和微结构分析，以表征来自跟骨X光片的小梁骨微体系结构。将图像转换为使用两级小波分解提取特征细节。结构纹理方法，例如局部二进制图案，分形维度和Gabor滤波器被应用于小波分解的图像。使用独立的样本t检验和特征选择方法选择了最具区别的纹理特征。机器学习模型是通过使用最佳纹理功能训练分类器来构建的，以从骨质疏松图像中对健康图像进行分类。使用包含跟骨放射线图像的公共挑战数据集评估了所提出方法的E ff。值得注意的是，最佳分类是通过使用正向特征选择选择的功能训练的K-Nearest邻居获得的，精度为78.24％。结果表明该方法作为低成本筛查骨质疏松症的可能替代工具的潜力。
EEG基于过度完整的理性扩张小波转换和自动回归的运动图像分类
基于运动图像（MI）的大脑计算机界面（BCI）应用旨在分析大脑如何与脑电图（EEG）信号与外部环境相互作用。尽管当前的模型取得了令人鼓舞的结果，但从EEG信号中开发了MI的准确分类仍然是一个重大挑战。在本文中，我们设计了一个名为（ORDWT_AR）的MI分类模型，该模型利用过度完整的理性扩张小波变换（ORDWT）以及自动回归（AR）模型。首先，使用滑动窗口方法将脑电图分割为间隔。然后，每个脑电图通过ORDWT传递以分析EEG信号。因此，从每个段获得了一系列停止频段。然后，将AR与ORDWT集成，以从每个EEG间隔中提取代表性特征。选定的功能被发送到多种分类模型中，包括加权K-Nearest邻居（WKNN），决策树（DTREE）和Boosted树（BST）。使用四个基准EEG数据库评估所提出的模型，其中三个是从脑部计算机界面（BCI）竞争III中收集的，一个是从CHB-MIT中收集的。结果表明，提出的模型ORDWT_AR与WKNN分类器相结合的三个BCI竞赛III数据集的平均分类精度为99.8％，CHB-MIT数据集的平均分类精度为99.7％。获得的结果表明，所提出的方案是对脑电图信号进行分类并具有出色结果的有前途的工具。提议的模型可以支持专家帮助残疾人与环境互动并提高生活质量。
基于小波的特征提取及SVM分类
Pradesh) 摘要 本文探讨了使用小波变换技术在运动想象 (MI) 任务中对 EEG 信号进行特征提取和分类，重点关注事件相关去同步 (ERD) 和事件相关同步 (ERS) 现象。该研究强调了离散小波变换 (DWT) 相对于连续小波变换 (CWT) 的有效性，因为它在处理时间上更高效，并且能够紧凑地表示信号。根据能量压缩特性和捕获与 MI 相关的信号特征的能力对各种小波函数进行了评估，包括 Daubechies 和双正交小波。选择在近似带中表现出最高能量集中的小波进行进一步分析。使用这些选定的小波从 EEG 信号中提取特征，并使用统计和 (HoS) 度量（例如均值、方差、偏度和峰度）进行表征。然后使用这些特征来训练具有不同核函数的支持向量机 (SVM) 分类器。分类结果显示，小波 J db10 和 J bior6.8 的准确率最高，表明它们最适合 MI 任务中的 EEG 信号分析。研究结果表明，优化的小波特征提取与先进的机器学习技术相结合，具有提高脑机接口 (BCI) 系统分类性能的潜力。
图形小波包用于焦虑和抑郁的脑数据分类
摘要 —最近的研究一直专注于图形信号处理 (GSP)，以结合不同的神经成像模式，从而实现结构和功能性大脑数据的整合。为了描述信号如何与大脑网络相互作用，通过在结构图拉普拉斯特征值上设计光谱滤波器，将傅里叶变换和小波变换扩展到图形设置。在这里，我们基于波士顿青少年抑郁和焦虑神经成像 (BANDA) 数据集，介绍了使用扩散 MRI 和 fMRI 数据在神经成像中利用图形小波包的好处。我们考虑特征向量之间的距离来提取与结构图的光谱域相关的特征。与传统的 GSP 方法相比，我们提出的框架在分类方案中表现出更高的准确性。索引词 —焦虑、抑郁、功能性 MRI、图形信号处理、结构连接、图形小波包
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。