XiaoMi-AI文件搜索系统
World File Search System滤波器组
利哈伊保护机构知识库
摘要：近年来，多元同步指数（MSI）算法作为一种新的频率检测方法，在基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）研究中受到越来越多的关注。然而，MSI算法难以充分利用脑电图（EEG）中与SSVEP相关的谐波分量，限制了MSI算法在BCI系统中的应用。在本文中，我们提出了一种新的滤波器组驱动的MSI算法（FBMSI）来克服该限制并进一步提高SSVEP识别的准确性。我们通过开发一个6命令SSVEP-NAO机器人系统并进行大量实验分析来评估FBMSI方法的有效性。首先使用从9名受试者采集的EEG进行离线实验研究，以研究不同参数对模型性能的影响。离线结果表明，所提出的方法取得了稳定的改进效果。我们进一步对六名受试者进行了在线实验，以评估所开发的 FBMSI 算法在实时 BCI 应用中的效果。在线实验结果表明，FBMSI 算法使用仅一秒的数据长度即可获得 83.56% 的平均准确率，比标准 MSI 算法高出 12.26%。这些广泛的实验结果证实了 FBMSI 算法在 SSVEP 识别中的有效性，并展示了其在改进的 BCI 系统开发中的潜在应用。
用于偏差场的深度卷积神经网络...
摘要 偏置场作为一种低频平滑信号，对磁共振（MRI）图像具有一定的破坏作用，是医生诊断和图像处理（如分割、纹理分析、配准等）的主要障碍。在分析受损的MRI图像之前，需要一个预处理步骤来校正图像中的偏置场。与传统基于信号模型和先验假设的偏置场去除算法不同，深度学习方法不需要对信号和偏置场进行精确建模，也不需要调整参数。经过深度神经网络训练大训练集后，输入带有偏置场的MRI图像，输出校正后的MRI图像。本文提出以log-Gabor滤波器组获得的多个频带上的偏置场局部特征图像和原始图像作为输入，通过深度可分离卷积神经网络对脑MRI图像的偏置场进行校正，并使用残差学习和批量归一化来加速训练过程并提高偏置场校正性能。我们的训练模型在 BrainWeb 模拟数据库和 HCP 真实数据集上进行了测试，定性分析的结果表明我们的训练模型取得了比传统最先进的 N4 和 NIMS（非迭代多尺度）方法更好的性能。关键词：磁共振成像；强度不均匀性校正；偏置场；Log-Gabor 滤波器；深度学习
高性能多类运动想象脑电图分类
摘要：在现实生活中的脑机接口应用中，脑电图 (EEG) 中的运动想象 (MI) 的使用需要高性能算法，这些算法既准确又计算量小。基于公共空间模式 (CSP) 和滤波器组公共空间模式 (FBSP) 的特征提取方法已被证明非常有前景。在本文中，我们推进了这一前沿，提出了一种新的有效方法，其变体在准确性（就 kappa 值而言）方面优于具有相同或更小特征集的现有方法。我们已经证明，从准确性和计算复杂度的角度来看，使用一个 mu 波段和三个 beta 子波段都非常理想。我们已经能够使用我们的方法为 BCI 竞赛 IV 的数据集 2a 实现最佳报告 kappa 值 0.67，其中特征向量长度为 64，直接由 FBCSP 变换后的数据样本组成，无需进一步的特征选择。直接由 FBCSP 数据组成的 32 大小的特征向量足以在 kappa 值实现方面胜过现有方法。在本文中，我们还系统地报告了使用不同分类器（包括 kNN、SVM、LDA、Ensemble、ANN 和 ANFIS）和不同长度的特征向量进行的实验。据报道，SVM 是最好的分类器，其次是 LDA。
FBCNet：用于脑机接口的多视图卷积神经网络
摘要 — 缺乏足够的训练样本和嘈杂的高维特征是基于脑电图 (EEG) 的脑机接口 (BCI) 的运动想象 (MI) 解码算法面临的主要挑战。为了应对这些挑战，受 MI 的神经生理特征的启发，本文提出了一种用于 MI 分类的新型滤波器组卷积网络 (FBCNet)。FBCNet 采用多视图数据表示，然后进行空间滤波以提取光谱空间判别特征。这种多阶段方法即使在训练数据有限的情况下也能有效地训练网络。更重要的是，在 FBCNet 中，我们提出了一种新的方差层，可以有效地聚合 EEG 时域信息。通过这种设计，我们在四个 MI 数据集上将 FBCNet 与最先进的 (SOTA) BCI 算法进行了比较：BCI 竞赛 IV 数据集 2a (BCIC-IV-2a)、OpenBMI 数据集和两个来自慢性中风患者的大型数据集。结果表明，通过实现 76.20% 的 4 类分类准确率，FBCNet 为 BCIC-IV-2a 数据集设定了新的 SOTA。在其他三个数据集上，FBCNet 的二分类准确率提高了 8%。此外，我们使用可解释的 AI 技术提供了第一份关于健康受试者和中风患者之间判别性 EEG 特征差异的报告。此外，FBCNet 源代码可在 https://github.com/ravikiran-mane/FBCNet 上找到。
基于快速脑电图的听觉方向聚焦解码...
摘要 — 目标：当存在多个声源时，当前助听器中的降噪算法缺乏有关用户关注的声源的信息。为了解决这个问题，它们可以与听觉注意解码 (AAD) 算法相辅相成，该算法使用脑电图 (EEG) 传感器解码注意力。最先进的 AAD 算法采用刺激重建方法，其中关注源的包络从 EEG 重建并与各个源的包络相关。然而，这种方法在短信号段上表现不佳，而较长的片段在用户切换注意力时会产生不切实际的长检测延迟。方法：我们提出使用滤波器组公共空间模式滤波器 (FB-CSP) 解码注意力的方向焦点作为替代 AAD 范式，它不需要访问干净的源包络。结果：提出的 FB-CSP 方法在短信号段上的表现优于刺激重建方法，在相同任务上的表现也优于卷积神经网络方法。我们实现了高精度（1 秒窗口为 80%，准瞬时决策为 70%），足以实现低于 4 秒的最小预期切换持续时间。我们还证明解码器可以适应来自未见对象的未标记数据，并且仅使用位于耳朵周围的部分 EEG 通道来模拟可穿戴 EEG 设置。结论：提出的 FB-CSP 方法可以快速准确地解码听觉注意力的方向焦点。意义：在非常短的数据段上实现高精度是朝着实用的神经引导听力设备迈出的重要一步。
使用常见空间模式对听觉注意的方向焦点进行快速基于脑电图解码
摘要 — 目标：当存在多个声源时，当前听力假体中的降噪算法缺乏有关用户关注的声源的信息。为了解决这个问题，可以将它们与听觉注意力解码 (AAD) 算法相结合，该算法使用脑电图 (EEG) 传感器直接从大脑解码注意力。最先进的 AAD 算法采用刺激重建方法，其中关注源的包络从 EEG 重建并与各个源的包络相关联。然而，这种方法在短信号段上表现不佳，而较长的片段在用户切换注意力时会产生不切实际的长检测延迟。方法：我们提出使用滤波器组通用空间模式滤波器 (FB-CSP) 解码注意力的方向焦点作为替代 AAD 范式，它不需要访问干净的源包络。结果：提出的 FB-CSP 方法在同一任务上优于传统刺激重建方法以及卷积神经网络方法。我们实现了高精度（1 秒窗口为 80%，准瞬时决策为 70%），足以实现低于 4 秒的最小预期切换持续时间。我们还证明该方法可用于未见受试者的未标记数据，并且仅使用位于耳朵周围的部分 EEG 通道来模拟可穿戴 EEG 设置。结论：提出的 FB-CSP 方法可以快速准确地解码听觉注意力的方向焦点。意义：在非常短的数据段上实现高精度是朝着实用神经引导听力假体迈出的重要一步。
现代机器学习算法根据脑电信号对认知和情感状态进行分类
从脑信号中估计认知或情感状态是创建被动脑机接口 (BCI) 应用程序的关键但具有挑战性的一步。到目前为止，从 EEG 信号中估计心理工作量或情绪仅在中等分类准确度下可行，因此导致不可靠的神经自适应应用。然而，最近的机器学习算法，特别是基于黎曼几何的分类器 (RGC) 和卷积神经网络 (CNN)，已显示出对其他 BCI 系统（例如运动想象-BCI）的前景。然而，它们尚未在认知或情感状态分类方面进行正式研究和比较。因此，本文探讨了此类机器学习算法，提出了它们的新变体，并与经典方法对它们进行了基准测试，以从 EEG 信号中估计心理工作量和情感状态（效价/唤醒）。我们研究了这些方法，同时进行了受试者特定和受试者独立的校准，以走向无校准系统。我们的结果表明，在心理负荷研究的两种条件下，CNN 的平均准确率最高，尽管差异并不显著，其次是 RGC。然而，对于情绪数据集（一个训练数据较少的数据集），同一个 CNN 在两种条件下的表现都不佳。相反，事实证明，使用我们在本文中介绍的滤波器组切线空间分类器 (FBTSC)，RGC 具有最高的平均准确率。因此，我们的结果有助于提高从 EEG 进行认知和情感状态分类的可靠性。它们还提供了有关何时使用哪种机器学习算法的指导。
跟踪与 3D 中高度机动目标相关的 Frenet-Serret 框架
在雷达应用中，轨道维护是该过程的一个重要组成部分。从数学上讲，它可以归结为一个滤波问题，即必须从嘈杂的位置测量中滤除飞机的当前位置、速度以及可能的高阶导数。我们将此问题简称为“目标跟踪”。当飞机机动时，由于运动的不可预测性，该问题很难解决。在过去的四十年中，这一领域一直是广泛研究的对象，参见 [1]。跟踪的主要自由度是 1- 描述目标运动的动力学模型，以及 2- 使用的（统计）滤波器。对于动力学模型，有很多可能性，但线性模型通常用于工业应用，最著名的是 Singer 模型 [2]。对于滤波器，一种简单的稳健解决方案是 Castella 的噪声过程自适应卡尔曼滤波器 [3]。更现代的方法包括粒子滤波器 [4] 和用于跟踪的参考滤波器，即交互多模型 (IMM) 滤波器，参见 [1]。后者滤波器基于各种模型并行运行 (扩展) 卡尔曼滤波器组，并通过评估测量输出的可能性来评估每个模型的权重。这可以适应单个雷达可能面临的各种类型的目标和机动性程度。学术界现在主要转向多目标跟踪的挑战，并在视频中进行联合应用，参见 [5]。如今，雷达防空行业面临着新的挑战，目标的机动性越来越强。一些目标的速度可以达到 7 马赫，加速度为 15 g。通过运动模型注入一些结构的方法
IAES 模板指南
近期无线移动应用最主要的需求是更高的带宽 (BW) 效率、更高的能源效率和更高的服务质量 (QOS)。4G 系统中的主要技术是 OFDM，但它存在一些限制，例如峰均功率比 (PAPR) 大、带外 (OOB) 功率辐射更高以及由于循环前缀 (CP) 扩展而浪费带宽效率。本文将与滤波器组多载波 (FBMC) 相比，以较低的计算复杂度减少这些 OFDM 限制。所提出的方案基于 OFDM 系统的符号时间压缩 (STC)。所提出的 STC 形系统是通过发射机侧的交织器-扩频器和符号整形器以及接收机侧的均衡和组合过程实现的。将介绍在加性高斯白噪声 (AWGN) 和 COST 207 典型多径衰落信道的情况下，所提出的系统与传统 OFDM 的比较研究。数值结果表明，所提出的 STC 形方案显著减少了 OOB。尽管没有 CP，但所提出的方案改善了多径瑞利衰落中的 BER。因此，与传统 OFDM 系统相比，所提出的系统对符号间干扰 (ISI) 更具鲁棒性。此外，数值结果表明，所提出的系统的 PAPR 显著降低，并且也是从理论上推导出来的。此外，所提出的方案克服了 CP 扩展，从而提高了带宽 (BW) 效率。最后，推导出所提出方案的计算复杂度，与 FBMC 相比，其复杂度非常低。
基于脑启发前向的图神经网络...
工业中的过程控制（Huang et al., 2023; Liu et al., 2023; Zhang R. et al., 2023）。受益于信号处理和深度学习（DL）的进步，BCI 的一个突出子集是脑电图 (EEG)（Gao and Mao, 2021; Zhao et al., 2022; Li H. et al., 2023）。EEG 技术主要用于识别和分类运动想象 (MI) 信号，这对中风患者等行动障碍者来说是一种重要的辅助手段。EEG 的高精度、实时响应和成本效益使其有别于其他神经成像技术，如脑磁图和功能性磁共振成像（Huang et al., 2021; Mirchi et al., 2022; Tong et al., 2023）。传统的 MI-EEG 分类算法采用空间解码技术，利用从头皮记录的多通道 EEG 数据来识别运动意图 (Xu et al., 2021)。为了对来自多通道 MI-EEG 的信号进行分类，已经提出了各种方法，有效地捕捉它们的时间、频谱和空间特征 (Tang et al., 2019; Wang and Cerf, 2022; Hamada et al., 2023; Li Y. et al., 2023)。鉴于 EEG 信号的节律性和非线性特性，已经提出了几种利用小波调制和模糊熵的特征提取技术。 Grosse（Grosse-Wentrup and Buss，2008）介绍了一种结合公共空间模式 (CSP) 进行空间滤波和降低维数的方法，并辅以滤波器组技术将空间细化信号划分为多个频率子带。同样，Malan 和 Sharma（2022）开发了一个基于双树复小波变换的滤波器组，将 EEG 信号分离为子带。将 EEG 信号分割成这些子带后，通过 CSP 从每个子带得出空间特征，随后采用监督学习框架进行细化。Fei 和 Chu（2022）提出了一种利用相空间和小波变换的多层孪生支持向量机。尽管这些方法具有潜力，但它们忽略了电极之间的拓扑关系，因此需要进一步优化以提高 MI 分类准确性。认识到神经科学对脑网络动力学和神经信号传播机制的日益重视，图卷积网络 (GCN) 已被引入用于解码 EEG 信号（Wang 等人，2021；Du G. 等人，2022；Gao 等人，2022）。然后 Kipf 和 Welling（2016）将图论和深度学习结合起来以捕捉节点之间的关系。巧合的是，Hinton（2022）提出的神经传递领域的一个突破性概念前向-前向 (FF) 机制正在引起人们的关注。该机制提供了一种有效的方法来处理神经网络中的序列数据，而无需存储神经活动或暂停以进行错误传播。我们的研究旨在将 FF 机制与 GCN 相结合，用于基于 EEG 的 BCI，从而在运动意象分类方面取得重大进展。在研究中，我们提出了一种创新的 F-FGCN 框架用于 MI 分类。我们研究的突出贡献如下：