XiaoMi-AI文件搜索系统
World File Search System电信号
基于CLRNet网络模型的运动想象脑电信号解码算法
摘要：基于运动想象的脑电解码是脑机接口技术的重要组成部分，是决定脑机接口整体性能的重要指标。由于运动想象脑电特征分析的复杂性，传统的分类模型严重依赖于信号预处理和特征设计阶段。深度学习中的端到端神经网络已经被应用于运动想象脑电的分类任务处理并显示出良好的效果。本研究采用卷积神经网络（CNN）和长短期记忆网络（LSTM）的组合从脑电信号中获取空间信息和时间相关性，跨层连接的使用减少了网络梯度弥散问题，增强了网络模型整体的稳定性。通过融合CNN、BiLSTM和ResNet（本研究中称为CLRNet）对运动想象脑电进行解码，在BCI Competition IV数据集2a上证明了该网络模型的有效性，融合CNN和BiLSTM的网络模型在四类运动想象模式分类中取得了87.0%的准确率。通过加入ResNet进行跨层连接，增强了网络稳定性，进一步提升了2.0%的分类准确率，达到89.0%的分类准确率。实验结果表明CLRNet在运动想象脑电数据集的解码方面具有良好的性能。本研究为脑机接口技术研究中的运动想象脑电解码提供了更好的解决方案。
使用逻辑回归分类算法对两类运动想象脑电信号进行分类的新框架
机器人技术和人工智能在开发针对运动障碍人士的辅助技术方面发挥着重要作用。脑机接口 (BCI) 是一种通信系统，通过检测和量化不同模态产生的控制信号并将其转换为启动外部设备的自愿命令，使人类能够与周围环境进行通信。为此，对研究人员来说，以非常高的准确度对脑信号进行分类并最大限度地减少错误至关重要。因此，在本研究中，提出了一种新颖的框架来对二元类脑电图 (EEG) 数据进行分类。在 BCI 竞赛 IV 数据集 1 和 BCI 竞赛 III 数据集 4a 上测试了所提出的框架。通过预处理从 EEG 数据中去除伪影，然后提取特征以识别记录的脑信号中的判别信息。信号预处理包括对原始 EEG 数据应用独立成分分析 (ICA)，同时使用公共空间模式 (CSP) 和对数方差来提取有用的特征。对六种不同的分类算法进行了比较，即支持向量机、线性判别分析、k 最近邻、朴素贝叶斯、决策树和逻辑回归，以准确分类 EEG 数据。对于这两个数据集，所提出的框架使用逻辑回归分类器实现了最佳分类精度。对于七个不同的受试者，BCI 竞赛 IV 数据集 1 的平均分类准确率为 90.42%，而对于 BCI 竞赛 III 数据集 4a，对五个受试者的平均准确率为 95.42%。这表明该模型可用于实时 BCI 系统，并为 2 类运动想象 (MI) 信号分类应用提供非凡的结果，并且经过一些修改，该框架将来还可以兼容多类分类。
Simplicial同源性全球脑电信号提取的情绪识别
摘要：情绪识别是人类功能的重要组成部分。TextColorredit使个人能够对环境事件做出适当的反应并发展自我意识。大脑计算机接口（BCI）技术中的快节奏开发技术必须使未来的智能机器能够数字化和识别人类的情绪。为了实现这一目标，除其他视觉提示外，人类和机器都依赖面部表情。虽然面部表情有效地识别情绪，但它们可以人工复制，需要持续的监视。近年来，由于深度学习和机器学习技术的进步，脑电图（EEG）信号的使用已成为一种流行的情感识别方法。基于EEG识别情绪的系统涉及测量暴露于情绪刺激（例如图像，声音或视频）的受试者的大脑中的电活动。然后，使用机器学习算法来从与特定情绪状态相对应的电活动数据中提取特征。提取的脑电图信号的质量至关重要，因为它影响了系统的整体复杂性和机器学习算法的准确性。本文提出了一种方法，以提高基于脑电图的情绪识别系统的准确性，同时降低其复杂性。该方法涉及优化脑电图的数量，其放置在人头皮上以及测量信号的目标频带，以最大程度地提高高和低唤醒水平之间的差异。用于此目的的优化方法，称为简单同源性全局优化（SHGO）。实验结果表明，最佳地放置的六电极构造可以比14-电极构造获得更好的准确度，从而导致电极数量的复杂性降低了60％以上。这种方法会赋予有希望的结果，从而提高了基于脑电图的情感识别系统的效率和准确性，这可能会对各种领域产生影响，包括医疗保健，心理学和人类计算机接口。
根据脑电信号（EEG）分析模型区分逻辑决策
1. 引言 近年来，脑信号研究已广泛应用于经济学和管理学等各个领域，而以前它仅用于工程学和医学领域 [1,2]。了解脑电图 (EEG) 分析和分类的方法使研究人员能够开展更多实验，以最佳地利用这些信号 [3,4]。当一个人执行一项活动时，他或她会产生信号，而收集这些信号将有利于增强任何过程。通过收集，我们的意思是研究信号模式，该模式随后可用作评估其他人的参考，例如，机器人手部运动 [5,6] 和情绪识别 [7,8]。决策是每一项生活活动中的重要过程，无论是个人还是机构。在商业中，决策在每个步骤中都至关重要，包括计划、人员配备、组织、协调和后续行动 [9,10]。决策可以分为
一种用于运动想象脑电信号分类的精简深度学习方法
摘要 — 近年来，深度学习 (DL) 方法在基于脑电图 (EEG) 的运动想象 (MI) 脑机接口 (BCI) 系统的开发中越来越受欢迎，旨在提高现有中风康复策略的性能。复杂的深度神经网络结构具有大量神经元和数千个参数需要优化，并且通常需要大量数据来训练网络，并且训练过程可能需要非常长的时间。高训练成本和高模型复杂度不仅对 BCI 系统的性能产生负面影响，而且影响其满足支持患者康复锻炼的实时要求的适用性。为了应对这一挑战，本文提出了一种基于贡献的神经元选择方法。实现了基于卷积神经网络 (CNN) 的运动想象分类框架，并开发和应用了神经元修剪方法。利用 CNN 层捕捉脑电信号的时空特征，然后采用快速递归算法（FRA）对全连接层中的冗余参数进行修剪，从而在不影响 CNN 模型性能的情况下降低其计算成本。实验结果表明，该方法可以实现高达 50% 的模型尺寸缩小和 67.09% 的计算节省。
基于多域特征和随机子空间集成的脑电信号分类
摘要 摘要 摘要：摘要：针对BCI系统中预处理特征提取和分类识别问题，提出一种基于多域特征随机子空间集成学习的运动想象脑电信号分类方法。在分析运动想象（MI）信号的ERD/ERS特征的基础上，提取效果最佳的时间和频段的多域特征作为特征向量，并自适应地选择带有交叉验证的随机子空间集成尺度，利用线性判别分析（LDA）分类器集成实现脑电信号分类。测试结果表明，多域特征和随机子空间集成的准确率可达90.71%，Kappa系数为0.63，优于比赛中第一名的算法，证明了该算法的有效性和先进性。
使用机器学习和神经网络对脑电信号进行情感分析
摘要 — 情绪对人的思维方式和与他人的互动方式有重大影响。它是人的感觉与行为之间的纽带，或者可以说它有时会影响一个人的生活决定。由于情绪及其反映的模式因人而异，因此必须基于对广泛人群区域有效的方法进行探究。为了提取特征并提高准确性，使用脑电波或脑电图信号进行情绪识别需要实施有效的信号处理技术。人机交互技术的各种方法已经存在了很长时间，近年来，研究人员在使用脑信号自动理解情绪方面取得了巨大成功。在我们的研究中，使用 SVM（支持向量机）、KNN（K 最近邻）和高级神经网络模型 RNN（循环神经网络）对从著名的公开数据集 DEAP 数据集收集的脑电图信号进行了几种情绪状态的分类和测试，并使用 LSTM（长短期记忆）进行训练。本研究的主要目的是改进使用脑信号提高情绪识别性能的方法。另一方面，情绪会随着时间而变化。因此，我们的研究也考察了情绪随时间的变化。索引词 — 情绪识别、EEG 信号、DEAP 数据集、fft、机器学习、SVM、KNN、DEAP、RNN、LSTM
原创研究基于多脑区脑电信号分析的抑郁症检测
背景：脑电图作为检测脑部神经电活动的客观方法，已被成功应用于重度抑郁症（MDD）的检测，但脑电通道和脑区的选择直接影响检测算法的性能。方法：针对上述问题，提取非线性特征Lempel-Ziv复杂度（LZC）和频域特征功率谱密度（PSD）对EEG信号进行分析，并在闭眼和睁眼静息状态下研究不同脑区及脑区组合对MDD检测的影响。结果：MDD患者的平均LZC高于对照组，MDD患者的平均PSD普遍低于对照组。颞区是MDD检测的最佳脑区，检测准确率为87.4%；最佳多脑区组合的检测准确率为92.4%，由额叶、颞叶和中枢脑区组成。结论：本文验证了多脑区检测MDD的有效性，为探索MDD的病理机制、创新诊疗方法提供了新思路。
使用分解的脑电信号进行压力检测的混合深度学习方法
1 西里古里理工学院计算机科学工程系-AI 与 ML，西里古里 734009，印度；bishwamail@gmail.com 2 韦洛尔理工学院博帕尔大学计算机科学与工程学院，博帕尔 466114，印度；lokesh.malviya2020@vitbhopal.ac.in（LM）；sandip.mal@vitbhopal.ac.in（SM） 3 国家理工学院计算机科学与工程系，巴特那 800001，印度；radhikesh12@gmail.com 4 鲁尔基理工学院土木工程系，鲁尔基 247667，印度；amrendraroy2k8@gmail.com 5 潘迪特·德恩达亚尔能源大学计算机科学与工程系，甘地讷格尔 382426，印度； tanmaybhowmik@gmail.com 6 仁川国立大学土木与环境工程系，韩国仁川 22022 7 仁川国立大学仁川防灾研究中心，韩国仁川 22022 * 通讯地址：jongp24@inu.ac.kr
