XiaoMi-AI文件搜索系统
World File Search System小波
使用小波和多解决卷积设计序列模型
Gu等。 （2021）。 用结构化状态空间有效地对长序列进行建模。 li等。 （2022）。 是什么使卷积模型在长序列建模上很棒？Gu等。（2021）。用结构化状态空间有效地对长序列进行建模。li等。（2022）。是什么使卷积模型在长序列建模上很棒？
利用 Daubechies 小波对快速时变磁场进行量子传感
摘要 结合使用量子传感技术和正交函数（如 Walsh 和 Haar 小波函数）作为量子位的控制序列，可以重建时变磁场的波形。然而，Walsh 和 Haar 小波函数的分段常数性质会在重建波形中引起脉冲形伪影。在本文中，我们提出了一种强大的量子传感协议，通过使用基于高平滑度 Daubechies 小波的控制序列来驱动量子位。时变磁场波形重建时伪影可忽略不计，精度更高。基于 Bloch 球面上表示的直观模型，推导出量子位读数、量子态的累积相位和小波系数之间的基本数学关系。通过使用由 Daubechies 小波函数调制的连续微波控制序列控制每个量子位，可以将产生的量子位读数与指定的小波系数相关联。然后利用这些系数通过逆小波变换重构出更平滑、更准确的时变磁场波形。在不同的 Daubechies 小波参数设计下，对单音、三音和含噪波形进行了仿真，以验证所提方法的有效性和准确性。基于 Daubechies 小波的波形重构方法也可应用于磁共振波谱以及重力、电场和温度的测量。
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
用于嗜睡的离散小波变换系数...
摘要 — 本文提出了一种使用离散小波变换 (DWT) 系数作为特征从脑电信号中检测困倦的有效方法。大多数困倦检测系统使用 FFT 计算功率谱密度或使用 DWT 计算脑电子带的熵来提取特征。虽然这些技术擅长在频域中捕捉有价值的特征，但它们忽略了分析脑电信号所必需的时间细节。这些细节被整合到表示小波函数和不同时间的脑电信号之间相关性的系数中。在我们的工作中，我们使用 DWT 系数对脑电信号进行时频分析以保留这种时间背景。此外，该研究探讨了时间段大小对系统性能的影响。随后，我们确定了最合适的技术来最小化输入特征冗余。我们的方法只使用两个脑电电极 C3 和 C4，与检测清醒和困倦的常见设置相似。评估了四个分类器：决策树、随机森林、多层感知器和支持向量机。研究结果表明，DWT 系数提高了困倦检测的性能，超越了以前的方法。
研究论文：基于小波卷积神经网络和支持向量机的混合脑电情绪识别方法
方法：本文提出了一种基于从小波 CNN（WCNN）加权层提取的深度特征和多类支持向量机（MSVM）的混合方法来提高从脑电图（EEG）信号中识别情绪状态的能力。首先，使用连续小波变换（CWT）方法对 EEG 信号进行预处理并将其转换为时频（TF）颜色表示或尺度图。然后，将尺度图输入到四个流行的预训练 CNN，AlexNet、ResNet-18、VGG-19 和 Inception-v3 中进行微调。然后，将每个 CNN 中的最佳特征层用作 MSVM 方法的输入，以对效价-唤醒模型的四个季度进行分类。最后，使用与受试者无关的留一受试者排除标准在 DEAP 和 MAHNOB-HCI 数据库上评估所提出的方法。
使用小波变换和长期术语记忆网络
摘要：通常使用试验期产生的所需的血液动力学响应函数（DHRF）来识别功能近红外光谱的活化通道。但是，在未知的试验期内无法使用这种方法。在本文中，提出了一种不使用DHRF的创新方法，该方法使用最大重叠离散小波变换在静止状态下提取闪烁的信号，确定与生理噪声相对应的低频小波，并使用长期术语内存网络训练它们，并预测它们在训练它们，并预测他们在任务过程中进行训练。预测的动机是在任务开始时保持生理噪声的相位信息，这是可能的，因为信号从静止状态延伸到任务会话。该技术将静息状态数据分解为九个小波，并使用第五到第九波进行学习和预测。在第八波小波中，从15-S预测窗口中使用和没有DHRF之间的预测误差差似乎是最大的。考虑到激活周期在生理噪声附近时消除生理噪声的困难，当不适用常规方法时，提出的方法可以是一种替代解决方案。在被动脑计算机界面中，估计大脑信号启动时间是必要的。
基于小波的电机的混合学习框架...
2伊拉克摩苏尔大学工程学院，伊拉克摩苏尔大学工程学院3生物医学工程系，工程学院，艾尔·纳兰大学，10072，伊拉克巴格达，伊拉克通讯 *Ali al-al-Saegh计算机工程系在许多现实情况下的应用，研究人员仍在提供许多方法，以更好地分析运动成像（MI）脑电图（EEG）信号。 通常，由于其非平稳性和高维度，EEG信号很复杂。 因此，需要在特征提取和分类中进行高度考虑。 在本文中，建立了几种混合分类模型，并比较了它们的性能。 三个著名的小波母函数用于从原始信号中生成缩放图。 尺度图用于传输众所周知的VGG-16深网络。 然后，使用六个分类器之一来确定输入信号的类别。 在两个MI EEG数据集上比较母亲功能和分类器不同组合的性能。 几个评估指标表明，使用Amor Mother小波函数的神经网络分类器的VGG-16特征提取器模型的表现优于最新研究的结果。 关键字：大脑计算机界面，深度学习，运动图像，转移学习，小波转换。2伊拉克摩苏尔大学工程学院，伊拉克摩苏尔大学工程学院3生物医学工程系，工程学院，艾尔·纳兰大学，10072，伊拉克巴格达，伊拉克通讯 *Ali al-al-Saegh计算机工程系在许多现实情况下的应用，研究人员仍在提供许多方法，以更好地分析运动成像（MI）脑电图（EEG）信号。通常，由于其非平稳性和高维度，EEG信号很复杂。因此，需要在特征提取和分类中进行高度考虑。在本文中，建立了几种混合分类模型，并比较了它们的性能。三个著名的小波母函数用于从原始信号中生成缩放图。尺度图用于传输众所周知的VGG-16深网络。然后，使用六个分类器之一来确定输入信号的类别。在两个MI EEG数据集上比较母亲功能和分类器不同组合的性能。几个评估指标表明，使用Amor Mother小波函数的神经网络分类器的VGG-16特征提取器模型的表现优于最新研究的结果。关键字：大脑计算机界面，深度学习，运动图像，转移学习，小波转换。
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。
基于自监督小波的注意力网络用于 MRI 脑肿瘤语义分割
摘要：为了确定适合患者的治疗方案，放射科医生必须可靠地检测脑肿瘤。尽管手动分割需要大量的知识和能力，但有时可能不准确。通过评估肿瘤的大小、位置、结构和等级，MRI 图像中的自动肿瘤分割有助于更彻底地分析病理状况。由于 MRI 图像的强度差异，神经胶质瘤可能会扩散、对比度低，因此难以检测。因此，分割脑肿瘤是一个具有挑战性的过程。过去，人们创建了几种在 MRI 扫描中分割脑肿瘤的方法。然而，由于它们易受噪声和失真的影响，这些方法的实用性有限。我们建议使用自监督基于小波的注意力网络 (SSW-AN)，这是一种具有可调自监督激活函数和动态权重的新注意力模块，作为收集全局上下文信息的一种方式。具体来说，该网络的输入和标签由二维 (2D) 小波变换产生的四个参数组成，通过将数据整齐地分割成低频和高频通道，使训练过程更简单。更准确地说，我们利用了自监督注意模块 (SSAB) 的通道注意和空间注意模块。因此，这种方法可以更容易地集中于关键的底层通道和空间模式。建议的 SSW-AN 已被证明在医学图像分割任务中优于目前最先进的算法，具有更高的准确性、更有希望的可靠性和更少的不必要的冗余。
基于相对小波包熵脑网络和改进的套索
运动成像（MI）脑电图（EEG）信号具有较低的信噪比，这在特征提取和具有高分类精度的特征选择方面带来了挑战。在这项研究中，我们提出了一种方法，该方法将改进的套索与缓解f结合起来，以提取小波数据包熵特征和大脑功能网络的拓扑特征。用于信号降解和通道过滤，根据r 2映射对原始MI EEG进行过滤，然后使用小波软阈值和一对一的多级多级得分公共空间模式算法。随后，提取了大脑网络的相对小波数据包熵和相应的拓扑特征。在特征融合后，杂种类和浮雕法被应用用于特征选择，然后分别是三个分类器和一个集合分类器。实验是在两个公共脑电图数据集（BCI竞争III数据集IIIA和BCI竞争IIA IIA）上进行的，以验证此提出的方法。结果表明，大脑网络拓扑特征和特征选择方法可以更有效地保留脑电图的信息并降低计算复杂性，并且两个公共数据集的平均分类精度均高于90％。因此，该算法适用于MI-BCI，并且在康复和其他领域具有潜在的应用。