XiaoMi-AI文件搜索系统
World File Search System无伪影
卷积神经网络的实现，用于从脑电信号中去除眨眼伪影
技术和生理伪影会干扰脑电图 (EEG) 信号。最常见的伪影之一是受试者眼球运动和眨眼产生的自然活动。眨眼伪影 (EB) 遍布整个头部表面，使 EEG 信号分析变得困难。消除眼电图 (EOG) 伪影的方法已知，例如独立成分分析 (ICA) 和回归。本文旨在实现卷积神经网络 (CNN) 以消除眨眼伪影。为了训练 CNN，提出了一种增强 EEG 信号的方法。将从 CNN 获得的结果与 ICA 和回归方法的结果进行比较，以比较生成的和真实的 EEG 信号。所得结果表明，CNN 在消除眨眼伪影的任务中表现更好，尤其是对于位于头部中央部分的电极。
基于块设计的脑电图实验中眼部伪影消除方法的比较
摘要：人们已经对眼球运动及其作为眼部伪影 (OA) 对脑电图 (EEG) 记录的贡献进行了深入研究。然而，它们的存在通常被认为会妨碍分析。一种被广泛接受的绕行方法是避免伪影。OA 处理通常简化为拒绝受污染的数据。为了克服数据丢失和行为限制，研究小组提出了各种校正方法。最先进的方法是数据驱动的，通常要求 OA 与大脑活动不相关。这对于视觉运动任务并不一定成立。为了防止相关信号，我们研究了一种双块方法。在第一个块中，受试者根据视觉引导范式进行扫视和眨眼。然后，我们为这些数据拟合了 5 种伪影去除算法。为了测试它们在伪影衰减和大脑活动保存方面的平稳性，我们在一小时后记录了第二个块。我们发现，扫视和眨眼仍可减弱到偶然水平，而休息试验期间的大脑活动仍可保留。
FastEMD–CCA 算法用于无监督快速去除脑电图中的眨眼伪影
a 马来西亚霹雳州国油工艺大学健康与分析研究所 b 马来西亚霹雳州国油工艺大学自治系统研究所 c 马来西亚霹雳州国油工艺大学电气与电子工程系 d 马来西亚吉兰丹马来西亚理科大学神经科学系 e 法国勃艮第大学 ERL VIBOT CNRS 6000 电子、信息与图像实验室 (Le2i)
基于伪...
计算机网络的进步将数字图像在多媒体网络上的额外效率检索引向。加密用于确保在网络上传输的敏感信息。广泛的混乱行为很难预测，这些行为显然是随机且无法预测的。混乱理论定义了混乱复杂系统中存在的随机性行为，可以通过使用数学模型来规定它。混沌模型被广泛用于保护数据，因为其所需的属性，包括千古，不可预测性和对初始条件的敏感依赖性，错误的初始条件将导致非差异行为。这些特性，尤其是在科学和工程学科中，引起了广泛的关注，设计了新的加密算法和密码分析。混沌系统的动力学表现出引人入胜的非线性效应，从而导致数据加密的完整安全性和关键空间。混乱在设计强大的加密系统中起着至关重要的作用，例如S-boxes的构建，图像加密算法，随机数发生器等[1-7]。基于量子混乱的加密图像将在未来的量子计算机时代中作为特定和关键的量子信息类型发挥重要作用。为各种目的开发了几种用于量子图像的表示方案或模型。随着时间的到来，人们担心如果经典混沌系统进行量化。受试者已成为量子混乱。这项研究基于经典混沌系统的量子版本。基于混乱的量子系统基于地图，可以深入了解量子混乱的性质[8]。经典混沌图的量化版本具有更好的属性。基于规范变换的量子等效物，可以认为经典映射的量化版本（量子图）。但是，有
基于模型的脑电图阿尔法波滤波，以提高动态条件下的准确性和伪影检测
摘要 — 脑电图 (EEG) 是大脑电生理活动的记录，通常通过放置在头皮上的电极进行。EEG 信号包含有关大脑状态的有用信息，特定状态与特定频率的振荡（所谓的脑电波）相关；因此，EEG 信号通常根据其频率内容进行分析。一个值得注意的例子是 alpha 波 (8-14 Hz) 的幅度估计。本文提出了一种基于模型的估计方法，该方法基于已知的 alpha 波物理特性，可在快速幅度动态的情况下增强稳健性，并自动识别 alpha 波中可能存在的伪影或不连续性。本文通过应用于临床 EEG 信号说明了所提出的方法，但它特别适用于可穿戴 EEG 应用，例如脑机接口 (BCI)，其中没有专家的人工监督。索引词 — 脑电图、生物医学测量、信号处理、时域分析、频域分析、数字滤波器、脑机接口
从传感神经刺激器记录的局部场电位中去除心电图伪影
传感神经刺激器是一种用于长期观察大脑活动的先进技术，在闭环神经调节和植入式脑机接口方面表现出巨大潜力。然而，由于记录条件复杂且共模抑制比 (CMRR) 有限，传感神经刺激器记录的局部场电位 (LFP) 可能会受到心电图 (ECG) 信号的污染。在本研究中，我们提出了一种解决方案，用于从传感神经刺激器记录的局部场电位 (LFP) 中去除此类 ECG 伪影。添加同步单极通道作为 ECG 参考，然后应用两种预先存在的方法，即模板减法和自适应滤波。成功去除了 ECG 伪影，并且该方法的性能对残留刺激伪影不敏感。这种去除 ECG 伪影的方法拓宽了传感神经刺激器的应用范围。
AI 与ChatGPT 对教育的影响与因应之道
在众多AI 的创新应用中，聊天生成预训练转换器（ Chat Generative Pre-trained Transformer, ChatGPT ）的出现引起了广泛的关注，许多人使用后都感到惊讶；它建构在自然语言处理科技与大型语言模型的深度学习，具备语言理解和生成的应用能力（ Brants, Popat, Xu, Och, & Dean2007 ），此系统不仅含括大多数中小学范围内的教材，甚至可以举一反三，运用不同观点与面向来回答一个问题；对于关心学生学习成效的老师来说，不免担心未来的课后作业，学生可能会运用ChatGPT 完美且快速地完成，但却对所应学习的专业知识一无所知（ Atlas, 2023;
伪内扩散模型
摘要 - 基于分数的扩散模型具有显着的生成深度学习，用于图像处理。调查条件模型也已应用于CT重建等反问题。但是，常规方法（最终以白噪声）需要大量的反向过程更新步骤和分数功能评估。为了解决这一局限性，我们提出了一个基于分数扩散模型的替代前进过程，该过程与低剂量CT重建的噪声特性一致，而不是收敛到白噪声。这种方法大大减少了所需的得分功能评估的数量，提高效率并维持放射科医生熟悉的噪声纹理，我们的方法不仅可以加速生成过程，而且还保留了CT噪声相关性，这是临床医生经常批评的深度学习重建的关键方面。在这项工作中，我们严格地为此目的定义了基质控制的随机过程，并通过计算实验对其进行验证。使用来自癌症基因组肝肝肝癌（TCGA-LIHC）的数据集，我们模拟了低剂量CT测量结果并训练我们的模型，将其与基线标量扩散过程和条件扩散模型进行了比较。我们的结果证明了我们的伪内扩散模型的优越性，并在质地上产生高质量重建的能力，这些重建在质地上熟悉的医学专业人员的得分函数评估较少。这一进步为医学成像中更有效和临床上的扩散模型铺平了道路，在需要快速重建或较低辐射暴露的情况下尤其有益。
植入式传感器的神经刺激伪影去除可提高信号清晰度和运动意志解码
随着对具有可靠和多功能控制的假肢的需求不断增长，肌电模式识别和植入传感器方面的最新进展已被证明具有相当大的优势。此外，可以通过刺激残留神经实现假肢的感觉反馈，从而实现对假肢的闭环控制。然而，这种刺激会导致肌电图 (EMG) 信号中出现干扰伪影，从而降低假肢的可靠性和功能。在这里，我们实现了两种实时刺激伪影去除算法，即模板减法 (TS) 和 ε - 正则化最小均方 (ε -NLMS)，并研究了它们在植入神经袖和 EMG 电极的两名肱骨截肢者中离线和实时肌电模式识别的性能。我们表明，这两种算法都能够显著提高伪影破坏的 EMG 信号的信噪比 (SNR) 和离线模式识别准确性。此外，这两种算法都改善了主动神经刺激期间运动意图的实时解码。尽管这些结果取决于用户特定的传感器位置和神经刺激设置，但它们仍然代表了朝着能够进行多功能控制和同时感觉反馈的双向神经肌肉骨骼假肢迈出的进步。