XiaoMi-AI文件搜索系统
World File Search System峰值位置
氢化物气相外延生长的 GaN 中铒的能级
掺铒GaN（Er：GaN）由于其优于合成石榴石（如Nd：YAG）的物理特性，是固态高能激光器（HEL）新型增益介质的有希望的候选材料。Er：GaN在1.5μm区域发射，该区域对视网膜是安全的并且在空气中具有高透射率。我们报告了对通过氢化物气相外延（HVPE）技术合成的Er：GaN外延层进行的光致发光（PL）研究。HVPE生长的Er：GaN外延层的室温PL光谱在1.5μm和1.0μm波长区域分别分辨出多达11条和7条发射线，这对应于GaN中Er3+从第一（4I13/2）和第二（4I11/2）激发态到基态（4I15/2）的斯塔克能级之间的4f壳层内跃迁。这些跃迁的观测峰值位置使得我们能够构建 Er:GaN 中的详细能级。结果与基于晶体场分析的计算结果非常吻合。精确确定 4 I 11/2、4 I 13/2 和 4 I 15/5 状态下斯塔克能级的详细能级对于实现基于 Er:GaN 的 HEL 至关重要。© 2020 作者。除非另有说明，否则所有文章内容均根据知识共享署名 (CC BY) 许可证获得许可（http://creativecommons.org/licenses/by/4.0/）。https://doi.org/10.1063/5.0028470
评估神经生理模式的相关性以预测基于运动想象的 BCI 用户的表现
摘要 —基于运动想象的脑机接口 (MI-BCI) 允许用户仅使用大脑活动来控制计算机以执行各种应用，而大脑活动通常由脑电图 (EEG) 记录。尽管 BCI 应用众多，但由于其准确性较差，它们在实验室外的使用仍然很少。一些用户无法使用 BCI，这种现象有时被称为“BCI 文盲”，影响了大约 10% 到 30% 的 BCI 用户，他们无法产生可辨别的 EEG 模式。通过进行神经生理学分析，尤其是通过识别 BCI 性能的神经生理学预测因子，我们可以更好地理解这种现象及其原因。反过来，这也可能帮助我们更好地理解并从而可能改进 BCI 用户培训。因此，本文提出了专用于预测 MI-BCI 用户表现的统计模型，该模型基于从“睁眼放松”条件下的两分钟 EEG 记录中提取的神经生理学用户特征。我们考虑了 56 名受试者在进行 MI-BCI 实验之前在“睁眼放松”条件下记录的数据。我们使用机器学习回归算法和留一交叉验证来构建我们的预测模型。我们还计算了这些特征（神经生理预测因子）与用户的 MI-BCI 表现之间的不同相关性。我们的结果表明，此类模型可以比偶然性（p ≤ 0.01）更好地预测用户表现，但平均绝对误差相对较高，为 12.43%。我们还发现我们的一些特征与性能之间存在显着的相关性，包括之前探索的 µµµ 波段预测因子，以及这里提出的新预测因子：µµµ 峰值位置变异性。因此，这些结果有助于更好地理解和预测 BCI 文盲。但是，它们还需要进一步改进才能获得更可靠的预测。索引词 — 脑机接口 (BCI)、脑电图 (EEG)、神经生理预测指标