XiaoMi-AI文件搜索系统
World File Search System模态函数
氮化镓 MEMS 谐振器：残余应力如何影响设计和性能
摘要 — 从硅上外延生长的氮化镓 (GaN) 开始，设计、制造并表征了集成压电换能器的预应力微谐振器。在夹紧梁中，众所周知，拉伸应力可用于增加谐振频率。在这里，我们计算了预应力梁中平面外弯曲模式的模态函数，并推导出一个模型来预测谐振频率和压电驱动因子。我们表明，理论和实验结果之间可以获得良好的一致性，并推导出机电转换的最佳设计。最后，我们的模型预测了由于拉伸应力导致的品质因数增加，这已通过真空下的实验测量得到证实。这项研究展示了如何利用外延工艺产生的材料质量和初始应力。
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版）https://doi.org/10.17559/TV-20210121112228 原创科学论文 运动想象脑电图识别
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版）https://doi.org/10.17559/TV-20210121112228 原创科学论文 使用深度生成对抗网络和 EMD 进行 BCI 应用的运动想象 EEG 识别 Stephan STEPHE、Thangaiyan JAYASANKAR*、Kalimuthu VINOTH KUMAR 摘要：脑电图 (EEG) 中的运动想象 (MI) 运动活动仍然有趣且具有挑战性。BCI（脑机接口）允许大脑信号控制外部设备，还可以帮助患有神经肌肉疾病的残疾人。在任何 BCI 系统中，两个最重要的步骤是特征提取和分类方法。然而，在本文中，通过深度学习 (DL) 概念的性能改进了 MI 分类。该系统从 BCI 竞赛三个数据集 IVA 中获取了右手和右脚的两时刻想象数据，并开发了利用传统神经网络 (CNN) 和生成对抗网络 (GAN) 的分类方法。通过应用经验模态分解 (EMD) 并在特征提取技术中混合它们的固有模态函数 (IMF)，可以减少训练时间并管理非平稳问题。实验结果表明，所提出的 GAN 分类技术的分类准确率为 95.29%，优于 CNN 的 89.38%。所提出的 GAN 方法在 BCI 竞赛三个数据集 IVA 上实现了 62% 的平均阳性率和 3.4% 的平均假阳性率，这三个数据集的 EEG 事实来自运动皮层的相似 C 3、C 4 和 Cz 通道。关键词：卷积神经网络 (CNN)；脑电图 (EEG)；经验模态分解 (EMD)；生成对抗网络 (GAN)；固有模态函数 (IMF)运动想象 (MI) 1 引言 脑机接口 (BCI) 将人类头皮记录的大脑活动转换成计算机控制指令，以调节外部策略，从而帮助丧失行为能力的人恢复运动技能 [1]。人们已经研究了使用脑电图来控制智能轮椅 [2]，以及其他外部设备。在脑机接口 (BCI) 中，脑电信号的特征描述是一个重要组成部分。通常使用的脑电数据包含事件相关的 SSVEP 功能 [3] 和运动想象 (MI) [4]。与其他类型的信号相比，脑电信号具有一些不同的特征。收集到的脑电信号因心理状态的不同而不同 [5]。因此，每个受试者的脑电信号都不同。脑电信号是非平稳和非线性的，这意味着脑电数据特征会随时间而变化 [6]。此外，由于合成的脑电信号通常与噪声混合，因此脑电信号分析具有挑战性。因此，应该使用操作过程来提高 EEG 数据的 SNR。EEG 特性由评估频率和时频或时间信号范围内传递的信号能量的方法来控制。然而，就最好的作者而言，还没有使用 BCI 框架中复杂的线性和非线性 BCI 分类器对这些方法进行全面的比较分析。文献中给出的大多数比较值仅限于少数技术或仅一种分类 [7]。小波变换 (WT) 主要用于特征提取过程 [8]、正常空间模式 (CSP) [9] 和主成分分析 (PCA) [10]、EMD [11, 12] 等。由于 EMD 算法能够最佳地分割信号，因此它已被证明是检查非线性和非稳定 EEG 信号的合适候选者。例如，[13] 使用 EMD 算法来滤波运动想象 EEG 信号。然而，常见的 EMD 算法一般根据研究者的经验选取固有模态函数 (IMF)，导致部分脑电样本混入不必要的信息，或丢失有用数据。此外，
基于混合模型的锂离子电池剩余使用寿命预测
摘要：准确预测剩余使用寿命（RUL）是保证锂离子电池安全稳定性的关键功能。为解决不同工况下的容量再生和模型适应性，提出了一种基于带自适应噪声的完全集合经验模态分解（CEEMDAN）和双向门控循环单元（BiGRU）的混合RUL预测模型。利用CEEMDAN将容量划分为固有模态函数（IMF）以降低容量再生的影响。此外，提出一种改进的灰狼优化器（IGOW）来保持BiGRU网络的可靠性。利用混沌帐篷映射提高GWO算法中初始种群的多样性，采用改进的控制因子和动态种群权重来加速算法的收敛速度。最后，进行容量和RUL预测实验，验证不同训练数据和工况下的电池预测性能。结果表明，所提出的方法仅使用 30% 的训练集即可实现小于 4% 的 MAE，并使用 CALCE 和 NASA 电池数据进行了验证。
基于时频域特征提取的脑电信号视障人士压力检测
压力是指身体对任何环境变化做出的生理、情绪和心理反应，需要进行调整，对人类心理产生重大影响。视障人士 (VIP) 的压力尤其难以控制，因为他们在未知情况下很容易感到压力。脑电图 (EEG) 信号可用于检测压力，因为它基本上代表了人类大脑中持续的电信号变化。文献表明，压力检测技术大多基于时域或频域分析。然而，使用时域或频域分析可能不足以提供适当的压力检测结果。因此，本文提出了一种使用经验模态分解 (EMD) 和短期傅里叶变换 (STFT) 从 EEG 信号中提取考虑时空信息的特征的方法。在 EMD 中，信号首先被分解为表示有限数量信号同时保持时域的固有模态函数 (IMF)，然后使用 STFT 将时域转换为时频域。采用支持向量机 (SVM) 对陌生室内环境中 VIP 的压力进行分类。将所提方法的性能与最先进的压力检测技术进行了比较。实验结果证明了所提技术优于现有技术
ECG 信号 PQRS 检测和信号噪声的综合估计 Hemant Amhia 博士研究学者，电气工程 MITS Gwalior MP。
摘要 --- 自动化生物电信号分析在智慧医疗中有着重要的应用。在本文中，我们专注于心电信号，并提出一种心律失常疾病分类的新方法。我们设计了一种新颖的分析框架，从心电信号中提取不同的特征变换。并且我们训练了多特征的 ANN 模型以获得预测。最后，我们在 MIT-BIH 心律失常的公共数据库上测试了我们的方法。数据库上的实验结果表明我们的模型比其他方法具有更好的分类性能。关键词 --- 心电信号、心电去噪、希尔伯特变换、同步检测、固有模态函数、瞬时频率、本振。介绍心电图 (ECG) 作为心脏活动记录提供了有关心脏状态的重要信息 [1]。心电图心律失常检测对于心脏病患者的早期诊断是必要的。一方面，医生很难在有限的时间内分析记录时间较长的心电图 [1]。另一方面，如果没有工具的支持，人们也几乎无法识别心电信号的形态变化，因此需要一个有效的计算机辅助诊断系统来解决这一问题。大多数心电图分类方法主要基于一维心电图数据，这些方法通常需要提取波形特征、相邻波的间隔以及每个波的幅度和周期作为输入，它们之间的主要区别在于分类器的选择[2,3]。
基于人工智能结合气候外生变量预测巴西和美国的新冠肺炎病例
根据世界卫生组织的数据，新型冠状病毒病（COVID-10）曾是一个公共卫生问题，截至 2020 年 6 月 10 日，全球已有超过 710 万人感染，40 多万人死亡。在当前情况下，巴西和美国每天的新增病例和死亡人数都很高。因此，预测一周时间窗口内的新增病例数非常重要，这可以帮助公共卫生系统制定应对 COVID-19 的战略规划。预测人工智能（AI）模型的应用有可能处理像 COVID-19 这样的时间序列的困难动态行为。在本文中，贝叶斯回归神经网络、立体回归、k 最近邻、分位数随机森林和支持向量回归可单独使用，并结合最近的预处理变分模态分解（VMD）将时间序列分解为几个固有模态函数。所有 AI 技术均在时间序列预测任务中进行评估，预测巴西和美国五个州的累计 COVID-19 病例数提前一、三和六天，截至 2020 年 4 月 28 日，病例数较高。所有预测模型均采用先前累计的 COVID-19 病例数和每日温度和降水等外生变量作为输入。根据性能标准评估模型的有效性。一般而言，VMD 的混合在准确性方面优于单一预测模型，特别是当预测时间范围提前六天时，混合 VMD-单一模型在 70% 的案例中实现了更好的准确性。关于外生变量，作为预测变量的重要性排名从高到低依次为过去病例、温度和降水。因此，由于评估模型能够有效地预测长达六天的累计 COVID-19 病例数，因此
过完备小波框架扩展对脑电信息挖掘的潜力
脑电图 (EEG) 是通过放大和记录人体头皮上由大脑电流产生的电活动而获得的记录 (Zandi 等人，2011；Larson 和 Taulu，2018)。EEG 是脑成像科学中广泛使用的媒介，在脑机接口 (BCI；Gao 等人，2021) 研究中发挥着重要作用。BCI 是一种将脑信号转换为有用命令的在线计算机系统。到目前为止，不同类型的脑信号已被用于开发 BCI 系统。由于其方便和低成本，EEG 信号已成为 BCI 系统中的主要媒介。然而，实践证明，由于 EEG 信号能量较弱，EEG 信号的采集很容易受到各种噪声的干扰。为了从嘈杂的 EEG 信号中提取有用信息 (Shad 等人，2020)，在 EEG 信号分析中研究了各种信号处理方法。在脑信号分析中，提高信噪比是一个重要的预处理步骤。传统上，它是使用快速傅里叶变换（FFT）完成的（Wahab et al., 2021）。在BCI中，FFT也用于从EEG信号中实现显著特征的提取。短时傅里叶变换是FFT的增强，它可以生成EEG的二维频谱表示（Ha and Jeong，2019）。然而，STFT的主要缺点是其频率分辨率不可调。Huang提出了一种将STFT与卷积神经网络相结合用于生物医学信号分类的方法（Huang et al., 2019）。此外，基于傅里叶分析的数字滤波器也是EEG信号去噪的重要工具（Hsia and Kraft，1983）。它们的应用包括噪声伪影去除、特定频带的特征选择。尽管近年来新的脑电滤波技术不断涌现，但滤波技术并不是 BCI 研究的重点，相关研究也报告了数字滤波器的缺点（Alhammadi and Mahmoud，2016）。在过去的几十年中，随着计算能力的提高，许多更先进的信号处理方法被发明并投入实践。Upadhyay 提出了一种结合 S 变换和独立成分分析的新技术，用于脑电信号中的伪影消除和噪声抑制（Upadhyay et al.，2016）。Djemili 利用经验模态分解将脑电信号分解为固有模态函数，实现了正常和癫痫脑电特征的智能分类（Djemili et al.，2016）。Jiang 的研究中，提出了一种基于多词典的稀疏表示方法，用于癫痫脑电尖峰的自动检测（Jiang et al.，2020）。 Dora 应用变分模态分解来校正 EEG 测量中的伪影（Dora 和 Biswal，2020 年）。Chen 提出了一种稀疏傅里叶变换，并将其应用于电力线伪影消除（Chen et al.，2021b）。