XiaoMi-AI文件搜索系统
World File Search System振幅
基于模糊共同的基于EEG的反应时间预测...
摘要 - 驾驶员的嗜睡状态是广泛讨论的话题，因为它在造成交通事故中的重要作用。本研究提出了一种新的方法，该方法结合了模糊的常见空间模式（CSP）优化的相位内聚序列（PC）表示和模糊CSP优化的信号振幅表示。该研究旨在检查机敏状态和嗜睡状态之间脑电图（EEG）同步的变化，通过分析脑电图数据，预测驱动因素的反应时间，并随后确定嗜睡的存在。该研究的发现表明，这种方法成功地区分了警报和昏昏欲睡的精神状态。通过使用基于自动编码器的深度编码器数据融合技术和回归模型，例如支持向量回归（SVR）或最少的绝对收缩和选择运算符（LASSO），该提出的方法使用与回归器模型组合的单个特征集优于单个特征集。通过评估均方根误差（RMSE），平均绝对百分比误差（MAPE）和相关系数（CC）来衡量这种优势。换句话说，基于自动编码器的振幅EEG功率功能和PCS功能的融合在回归中，单独在回归器模型中使用这些功能中的任何一个。具体而言，与仅使用单个振幅EEG功率功能和回归相比，与基线模型相比，提议的数据融合方法的RMSE降低了14.36％，MAPE降低25.12％，CC降低了10.12％。
o r i g i n a l r e s a r c h两个小时的尼古丁戒断可改善男性吸烟者的抑制性控制功能障碍：吸烟的证据
目的：尼古丁戒断是一种多方面的生理和心理过程，可以引起各种情绪障碍。对纯尼古丁戒断如何影响认知控制功能有了更细微的了解，可以为增强戒烟计划提供宝贵的见解。这项研究调查了使用事件相关电位（ERP）技术在2小时退出尼古丁后吸烟者抑制性控制功能的变化。参与者和方法：28名尼古丁依赖（ND）患者和28个健康控制（HCS）完成了一个吸烟型的GO/NO-GO任务，其中包含两种不同类型的图片刺激，吸烟和中性的图片刺激。我们使用混合模型重复测量方差分析（ANOVA）分析了行为和ERP数据。结果：与吸烟刺激的HC相比，ND组在基线（时间1）的NO-GO试验准确率（ACC）较低，与HCS相比，NOTINETINE戒断2小时后的No-Go试验ACC在ND组中的ACC不较低。在面对吸烟刺激的情况下，NO-GO试验在时间2中的ACC高于ND组的时间1。对于ERP组件，具有吸烟刺激的ND组中的No-GO N2振幅低于HCS，而在2小时退出尼古丁后，ND组的NO-GO N2振幅比时间1高，并且与HCS的NO-GO N2振幅不高。NO-GO P3振幅没有显着差异。两个小时的尼古丁戒断可改善ND患者的抑制性控制功能障碍。结论：从ERP数据中证明，ND患者面对吸烟提示具有抑制性控制功能障碍，这主要体现在反应抑制的早期阶段，而不是在晚期阶段。NO-GO N2成分是ND患者抑制性控制功能的重要且敏感的神经电论指标。关键字：尼古丁依赖性，抑制性控制，2小时的尼古丁提取，与事件相关的电位，go/no-go任务
可编程的硅光子芯片（在IMEC的...
第一个提出的网格架构是用于纯病房的网格，其中光在一组输入波导端口和一组脱离波导端口之间向一个方向流动。正确尺寸后，此类网格可以生成输入中光的任何可能的线性组合。如果输入端口处的光波的振幅和相位代表复数的向量，则电路本身将实现矩阵 - 向量乘法（MVM），其结果由光学输出波的振幅和相表示。这种近乎实用的算术是开发程序Mable光子学的主要驱动因素之一，因为MVM操作位于许多神经网络和机器学习算法的核心。相同的网格体系结构也证明对量子信息处理非常有价值，当与单个光子一起使用时，它们的组件充当潜在的量子逻辑门。
367 类通信、电气：声波系统...
367 电气通信：声波系统与装置 1 声纳对抗措施 2 应答器 3 .声纳浮标和声纳浮标系统 4 ..带有部件启动或部署装置 5 ..带有多个声纳浮标 6 .带有多个应答器 7 声像转换 8 .声全息术 9 ..地震显示 10 ..液体或可变形表面全息术 11 .带有记忆装置 12 光束稳定或补偿 13 测试、监测或校准 14 地震勘探 15 .海上勘探 16 ..传感器位置控制 17 .液压机械 18 .流体变化 19 ..传感器电缆位置确定 20 ..多水听器电缆系统 21 ..信号处理 22 ..传感器输出加权 23 ..受控源信号 24 ..混响消除 25 .测井 26 ..阈值设置系统 27 ..时间间隔测量 28 ..振幅测量 29 ..峰值振幅 30 ..振幅比较 31 ..非压缩声波能量 32 ..频率相关确定 33 ..深度记录或控制 34 ..接收信号周期鉴别 35 ..井眼或套管状况 36 .陆地折射类型 37 .陆地反射类型 38 ..信号分析和/或校正 39 ..随机信号相关 40 ..接收相关 41 ..传输相关 42 ..标准相关 43 ..滤波器
D.5 量子误差校正
量子相干性很难长时间保持。18 即使与环境的微弱相互作用也会影响量子态，我们已经看到量子态的振幅对量子算法至关重要。在经典计算机上，比特由大量粒子表示（但这种情况正在改变）。在量子计算机上，量子比特由原子级状态或对象（光子、核自旋、电子、捕获离子等）表示。它们很可能与计算机及其环境中与计算无关的状态纠缠在一起，而这些状态是我们无法控制的。量子纠错类似于经典纠错，因为它引入了额外的比特，从而产生了可用于纠正错误的冗余。它与经典纠错的不同之处在于：（a）我们希望恢复整个量子态（即连续振幅），而不仅仅是 0 和 1。此外，错误是连续的，可以累积。（b）它必须遵守不可克隆定理。 （c）测量会破坏量子信息。
特刊-MDPI
摘要：非本地平均值（NLM）可以显着提高信噪比（SNR），但不可避免地会降低分布式光学纤维传感器（DFOS）的空间分辨率，这阻碍了其实际应用和DFOS绩效的改善。在本文中，分析了相关光学时域回流仪（ϕ-OTDR）和NLM参数的信号扩展之间的定量关系，以识别空间分辨率降解的原因和程度。模拟周期性和ϕ -OTDR振动信号的降解结果表明，信号扩展主要是由于NLM的相似性窗口大小，并且信号振幅降低是由高斯平滑参数引起的。与参考信号相比，降解后模拟信号的信号扩展和ϕ -OTDR信号分别为2.56％和2.74％，远小于先前的结果。信号振幅分别降低了9.25％和13.62％。这项工作促进了NLM的应用并提高了DFO的性能。
VERO干涉测量AFM-精确的进步
，作为铁电记忆应用的有前途的材料。图2显示了计算出的压电耦合系数的图像，该图像通过取下PFM振幅响应并除以所施加的电气偏置来评估。这两个图像以同一悬臂和扫描设置在同一样本位置下以单频PFM模式拍摄。测量值之间的唯一区别是检测器类型。使用基于OBD的AFM获取图2a中的数据。hafnia是一种低响应材料，PFM振幅响应信号完全在OBD噪声下方，因此根本看不到。此图像本质上是对OBD检测器的噪声层的量度。相比之下，图2B中的数据是用基于QPDI的VERO AFM获取的，并且信号对比度清晰可见，因为相比之下，噪声底部现在远远超过了较小的数量级。
思维流浪影响复杂的多模式环境中的脑电图
思维徘徊的现象（MW）是与内部定向认知有关的经验家族，严重影响了警惕性的演变。尤其是，在远程运营中的人类在需要手动控制之前，在必要的情况下进行部分自动化的频率监测，可能会看到由于内部来源引起的注意力漂移；因此，它可能在越野（OOTL）情况和相关性能问题的出现中发挥重要作用。要遵循，量化和减轻这种现象，脑电图（EEG）系统已经显示出强大的结果。由于MW创造了注意力脱钩，因此ERP和脑振荡都受到影响。但是，在复杂环境中影响这些标记的因素仍然尚未完全理解。在本文中，我们指定地解决了注意力脱钩的逐渐出现的可能性以及用于传达目标的感觉方式所产生的差异。有18名参与者被要求（1）监督执行障碍物避免任务（视觉任务）的自动无人机，以及（2）尽可能快地响应不常见的哔哔声（听觉任务）。我们通过脑电图测量了与事件相关的电位和α波。我们还添加了40 Hz振幅调制的棕色噪声，以引起稳态听觉响应（ASSR）。报告说，MW发作是在与任务相关和与任务无关的情节之间分类的。我们发现，在任务无关的MW期间，蜂鸣率引起的N1 ERP组件的振幅较低，而与其他注意力状态相比，在任务相关的MW中，P3组件在与任务相关的MW期间的振幅较高。我们讨论解释原因的可能原因。专注于甲状腺枕骨区域，与其他人相比，任务无关的MW期间α波活动更高。这些结果支持与任务无关的MW但不与任务相关的MW的解耦假设，从而强调了取决于MW发作的“深度”的可能变化。最后，我们发现注意状态对ASSR振幅没有影响。结果强调了脑电图在模仿生态环境的实验室任务中跟踪和研究MW的能力，以及感知脱钩对操作员行为，尤其是脑电图测量的复杂影响。
复杂类别学习过程中的策略发展和反馈处理
在本研究中，38 名年轻人在观察和反馈条件下参与了概率 A/B 原型类别学习任务。该研究比较了不同训练条件下的学习成功率（测试准确性）和策略使用情况（多线索 vs. 单一特征 vs. 随机模式）。测量了反馈相关负性 (FRN) 和 P3a 事件相关电位，以探索概率范式下反馈处理和策略使用之间的关系。研究发现，在基于反馈的训练之后，使用最佳多线索策略的参与者数量多于观察训练，这进一步表明反馈可以影响学习方法。训练阶段和策略对 FRN 振幅有显著的相互作用。具体而言，使用类别成员资格由单一特征决定的策略（单一特征策略）的参与者从早期训练到后期训练的 FRN 振幅显著下降，这可能是由于反馈利用率降低或预测误差减少。效价、训练阶段或策略对 P3a 振幅没有显著的主效应或相互作用。研究结果与先前的研究一致，表明学习者在学习方法上各不相同，并且培训方法会影响学习。研究结果还表明，概率类别学习过程中反馈处理的测量可能反映反馈利用的变化，并可能进一步阐明个体学习者之间的差异。