XiaoMi-AI文件搜索系统
World File Search System放电
基于高阶张量分解的头皮到颅内脑电图投影检测发作间期癫痫样放电
摘要。目的。发作间期癫痫样放电 (IED) 发生在两次癫痫发作之间。IED 主要通过颅内记录捕获，通常在头皮上不可见。本研究提出了一种基于张量分解的模型，将头皮脑电图 (sEEG) 的时频 (TF) 特征映射到颅内脑电图 (iEEG) 的 TF 特征，以便以高灵敏度检测头皮上的 IED。方法。采用连续小波变换提取 TF 特征。将来自 iEEG 记录的 IED 段的时间、频率和通道模式连接成四向张量。采用 Tucker 和 CANDECOMP/PARAFAC 分解技术将张量分解为时间、频谱、空间和节段因子。最后，将来自头皮记录的 IED 和非 IED 段的 TF 特征投影到时间分量上进行分类。主要结果。模型性能通过两种不同的方法获得：受试者内和受试者间分类方法。我们提出的方法与其他四种方法进行了比较，即基于张量的空间分量分析方法、基于 TF 的方法、线性回归映射模型以及非对称对称自动编码器映射模型，然后是卷积神经网络。我们提出的方法在受试者内和受试者间分类方法中均优于所有这些方法，分别实现了 84.2% 和 72.6% 的准确率。意义。研究结果表明，将 sEEG 映射到 iEEG 可提高基于头皮的 IED 检测模型的性能。此外，基于张量的映射模型优于基于自动编码器和回归的映射模型。
使用发作间期癫痫样放电波形和卷积神经网络筛查脑电图中的癫痫发作
人工智能 (AI) 与医疗物联网 (MIoT) 的整合正在迅速推进，通过分析脑电图 (EEG) 中的发作间期癫痫样放电 (IED)，在检测癫痫等疾病方面取得了重大进展。EEG 数据的可用性促进了包括癫痫发作检测在内的创新应用的创建。虽然神经科医生传统上依靠 EEG 数据分析来识别癫痫发作，但手动评估 EEG 脑电波是一个费力而复杂的过程，给专家带来了很大的压力。本文介绍了一种基于 EEG 波形自动检测 IED 的简单卷积神经网络 (CNN) 方法。这种方法通过预测癫痫发作并及时干预，有助于减轻癫痫患者的负担。它还减轻了神经科医生和经验不足的专家的工作量，从而加快了诊断过程。所提出的方法是通过利用一系列描绘每个传感器上 EEG 信号幅度的图像来实现的。研究将参与者分为两组：（A）健康个体和（B）癫痫患者。结果显示，与人类专家诊断相比，准确率高达 96.4%，展示了该方法在脑电图数据中检测癫痫发作的有效性和实用性。
使用可控负载进行快速深度放电作为电动汽车电池回收的预处理：功效、速度和安全性研究
为了应对电动汽车行业目前和未来的增长，发展大规模、可靠和高效的锂离子电池回收行业对于确保嵌入贵重金属的循环性和确保技术的整体可持续性至关重要。正在开发的主要回收程序之一是基于湿法冶金。作为锂离子电池进行此过程之前的预处理步骤，必须将其停用以防止所含电能不受控制地释放。此停用步骤通常通过将电池深度放电至 0.0 V 来完成，而不是通常的 3.0 V 左右的下限。通常，深度放电是通过连接电阻或浸入盐溶液中来完成的。然而，由于放电电流与端电压成比例降低，这个过程可能非常慢，特别是如果要防止相当大的反弹电压。这项工作探讨了在放电速度、有效性和安全性方面更快放电程序的可行性。所提出的程序需要使用可控负载以恒定电流进行深度放电，然后立即施加外部短路。恒定电流放电期间的 C 速率会发生变化以研究其影响。短路施加于 0.0 V 或 1.0 V 的端电压。通过实验评估这两个工艺步骤的安全性。审查的主要安全风险是温度升高和随后的热失控风险，以及由于压力增加和膨胀导致电解质泄漏的风险。在实验工作中，两种类型的大尺寸方形 NMC811 电池从 0% 的 SoC 开始深度放电。实验仅限于单个电池。发现在 0% SoC 的固定电池中，深度放电区域可额外获得 4% 的额外容量。根据温度测量和文献综述，热失控风险评估为低。为了研究压力的上升，测量了所有电池的厚度，并测量了三个样品的原位压力。电解质泄漏风险评估为低。放电程序结束后一周内跟踪回弹电压和电池厚度。短路 30 分钟后，所有电池的回弹电压接近 2.0 V，但需要稍长的短路持续时间才能可靠地达到此阈值。总程序时间比其他放电程序短得多，同时仍然保持安全。
10 kV SiC 功率模块堆叠基板设计，具有图案化中间层，可减少局部放电
摘要 — 电源模块中的直接键合铜 (DBC) 等基板需要承受足够高的绝缘电压，以提供半导体芯片和冷却系统之间的隔离。当电场超过绝缘材料的临界介电强度时，就会发生局部放电 (PD)，并且它通常是电源模块中的关键退化指标。确保在中高压电源模块封装中没有基板 PD 更具挑战性。与简单地增加单个基板绝缘层的厚度相比，堆叠多个基板似乎是实现高绝缘电压的一种有前途的解决方案。本文研究了堆叠基板的 PD 性能，并提出了在堆叠基板中采用图案化中间层以进一步提高绝缘电压。优化了堆叠基板的金属化之间的偏移量，以实现电场和热阻之间的权衡。基于中间层图案化堆叠基板设计开发了10 kV SiC 功率模块，并通过高达 12.8 kVrms 的 PD 测试验证，与传统堆叠基板相比，最大电场降低了 33%。
使用生成的对抗网络将头皮映射到颅内脑电图中，以自动检测中间的癫痫样放电
摘要 - 头皮和颅内脑电图（EEG）对于诊断脑部疾病至关重要。但是，头皮脑电图（seeg）被头骨衰减并被伪像污染。同时，颅内脑电图（IEEG）几乎没有文物，并且可以捕获所有大脑活动，而无需任何衰减，因为靠近大脑。在这项研究中，目的是通过将SEEG映射到IEEG来提高SEEG的性能。为此，我们在这里使用生成的对抗网络开发了一个深神经网络，以估算IEEG的SEEG。所提出的方法适用于Seeg和IEEG，并从癫痫发作中同时记录以检测间隔癫痫样放电（IEDS）。所提出的方法检测IEDS的精度为76％的IED，并以最先进的方法为止。此外，它至少比比较方法少十二倍。
机器学习辅助陶瓷电力电子电路载体局部放电特性分析
导电介质，用于传输电荷。因此，总而言之，电场强度必须超过绝缘材料的击穿极限才能发生放电。缩小后，这意味着只要超过最大局部固有场强并且有起始电子，绝缘体的部分区域也可能会发生放电。因此，在整个绝缘体的一部分中发生的放电称为局部放电。尽管局部受限，但这些以及完全击穿都可能通过热量发射、振动、光子或化学方式损坏绝缘体。
人工智能在电动汽车充放电调度和动态定价中的应用：综述
摘要：如果电动汽车 (EV) 的充电和放电不能得到充分协调，其高普及率将给现有的电力输送基础设施带来负担。动态定价是一种特殊的需求响应形式，可以鼓励电动汽车车主参与调度计划。因此，电动汽车充电和放电调度及其动态定价模型是重要的研究领域。许多研究人员专注于基于人工智能的电动汽车充电需求预测和调度模型，并认为人工智能技术比传统的优化方法（如线性、指数和多项逻辑模型）表现更好。然而，只有少数研究关注电动汽车放电调度（即车辆到电网，V2G），因为电动汽车将电力放电回电网的概念相对较新且不断发展。因此，需要回顾现有的电动汽车充电和放电相关研究，以了解研究差距并在未来的研究中做出一些改进。本文回顾了电动汽车充电和放电相关研究，并将其分为预测、调度和定价机制。本文确定了预测、调度和定价机制之间的联系，并指出了电动汽车放电调度和动态定价模型的研究空白。
使用 ESD 枪 NSG 435 进行 IEC 61000-4-2 静电放电抗扰度测试的 3D 模拟。
ESD 测试的首选方法是接触放电。如果不能应用接触放电，则应改用空气放电。每种测试方法的电压列于提供的表格中。每种方法的电压不同是由于测试方法不同。重要的是要注意，不同的电压并不意味着测试方法之间的测试严苛程度相同。
利用硫-（TiO2/SiO2）蛋黄壳纳米结构提高锂硫电池性能
锂硫 (Li-S) 电池被视为近期下一代锂电池的有希望的候选材料之一。然而，这些电池也存在某些缺点，例如由于多硫化物的溶解导致充电和放电过程中容量衰减迅速。本文成功合成了硫/金属氧化物 (TiO 2 和 SiO 2 ) 蛋黄壳结构，并利用该结构来克服这一问题并提高硫阴极材料的电化学性能。使用扫描电子显微镜 (SEM)、透射电子显微镜 (TEM) 和 X 射线衍射 (XRD) 技术对制备的材料进行了表征。结果表明，使用硫-SiO 2 和硫-TiO 2 蛋黄壳结构后电池性能显著提高。所得硫-TiO 2 电极具有较高的初始放电容量（>2000 mA h g −1 ），8 次充电/放电循环后的放电容量为 250 mA h g −1 ，库仑效率为 60% ，而硫-SiO 2 电极的初始放电容量低于硫-TiO 2 （>1000 mA h g −1 ）。硫-SiO 2 电极在 8 次充电/放电循环后的放电容量为 200 mA h g −1 ，库仑效率约为 70%。所得恒电流结果表明硫-TiO 2 电极具有更强的防止硫及其中间反应产物溶解到电解质中的能力。
