XiaoMi-AI文件搜索系统
World File Search System电信号
基于深度多视角特征学习的脑电信号运动想象意图识别
摘要：运动想象意图识别是当前脑机接口研究的热点之一，它可以帮助患有躯体运动障碍的患者传达自己的运动意图。近年来，利用深度学习在运动想象任务识别研究方面取得了突破性进展，但如果忽略与运动想象相关的重要特征，可能导致算法的识别性能下降。该文针对运动想象脑电信号分类任务提出了一种新的深度多视角特征学习方法。为了在脑电信号中获得更具代表性的运动想象特征，根据脑电信号的特点以及不同特征之间的差异，引入一种多视角特征表示，采用不同的特征提取方法分别提取脑电信号的时域、频域、时频域和空域特征，使它们相互配合、相互补充。然后采用基于t分布随机邻域嵌入（t-SNE）改进的深度受限玻尔兹曼机（RBM）网络对脑电信号的多视角特征进行学习，使算法在去除特征冗余的同时兼顾多视角特征序列的全局特性，降低多视角特征的维数，增强特征的可识别性。最后采用支持向量机（SVM）对深度多视角特征进行分类。将所提方法应用于BCI竞赛IV 2a数据集，获得了优异的分类结果。结果表明，深度多视角特征学习方法进一步提高了运动想象任务的分类准确率。
探索非欧几里得方法：基于图的脑电信号分析技术综合综述
1 加德满都大学理学院数学系，杜利凯尔，尼泊尔 2 加德满都大学工程学院计算机科学与工程系，杜利凯尔，尼泊尔 3 洛夫利专业大学计算机科学与工程学院，帕格瓦拉，印度 4 萨坦·本·阿卜杜勒阿齐兹王子大学计算机工程与科学学院计算机科学系，沙特阿拉伯 5 昌迪加尔大学计算机科学与工程系，旁遮普，印度 电子邮件：harish.bhandari@ku.edu.np (HCB)；yagya.pandeya@ku.edu.np (YRP)；jhakn@ku.edu.np (KJ)；sudan.jha@ku.edu.np (SJ)；s.alisher@psau.edu.sa (SA) *通讯作者 摘要 — 脑电图 (EEG) 信号广泛应用于情绪识别、情绪分析、疾病分类、睡眠障碍识别和疲劳检测。最近的研究突出了利用脑电信号分析神经系统疾病的积极探索。各种机器学习和深度学习技术，使用基于特征和欧几里得的方法，已被用于分析这些脑电信号。然而，非欧几里得方法已被证明在脑电信号研究中比欧几里得方法更有效。这种优势可能源于脑电信号的非线性和动态特性、大脑区域之间复杂的相互作用以及对常见脑电信号噪声的适应性。不幸的是，由于数据集不足、源代码不可用和图形表示的复杂性等限制，对脑电信号的图形表示的研究有限。因此，我们旨在对使用非欧几里得方法进行脑电信号分析的各种图形表示技术、图神经网络、现有方法和可用资源进行调查。此外，基于可视性图的方法已应用于单通道脑电信号，而图神经网络已被证明在多通道脑电信号分析中具有良好的结果。因此，调查得出结论，非欧几里得方法使用图形来映射大脑结构，而不是欧几里得结构。此外，在多通道脑电信号和图神经网络中加入可视性图将证明非欧几里得方法在脑电信号分析中的稳健性。关键词——脑电信号、图形表示、图神经网络、智能处理、深度分析
盲视 大脑植入技术帮助盲人恢复视力
录制和播放视频？这个比喻很恰当，因为盲视旨在将摄像机捕捉到的图像并由计算机处理后直接发送到人脑中产生视觉的部分。生物视觉：光线通过眼睛的晶状体聚焦到视网膜上。视网膜中的细胞将光线转换成电信号。这些电信号传输到视神经，视神经将这些电信号传送到大脑的视觉皮层。视觉皮层将这些电信号处理成我们看到的图像。摄像机视频录制：光线通过摄像机镜头进入并聚焦到图像传感器（CCD 或 CMOS）上。传感器将光线转换成电信号。来自图像传感器的电信号由系统微芯片和电路处理。这包括调整曝光、白平衡和其他设置。处理后的图像数据被数字化并存储在摄像机的内存或外部存储设备上。 Neuralink 将使用摄像头和计算机处理器来创建 Blind-sight 直接传输到大脑视觉皮层的电信号。人眼记录图像的方式与相机不同。我们的大脑对周围的世界产生连续的感知，但这种感知不会以数据的形式存储。
利用卷积神经网络识别脑电信号中的想象词语法类别
在本文中，我们提出了一个使用多通道卷积神经网络 (MC-CNN) 的框架，用于从脑电图 (EEG) 信号中识别隐性口语单词的语法类别（动词或名词）。我们提出的网络通过考虑 EEG 信号的空间、时间和频谱特性来提取特征。此外，从大脑不同区域获取的信号集在所提出的框架内分别处理，然后在分类阶段组合。这种方法使网络能够有效地从处理想象语音的大脑位置学习判别特征。我们的网络经过了具有挑战性的实验测试，包括测试对象未参与系统训练的情况。在我们的主要应用场景中，训练期间未使用任何特定名词或动词的实例，我们的方法实现了 85.7% 的识别率。此外，我们提出的方法在公开可用的 EEG 数据集上进行了评估，并在二元分类中实现了 93.8% 的识别率。这些结果证明了我们方法的潜力。 2021 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可 (http://creativecommons.org/licenses/by/4.0/) 开放获取的文章。
通过跨数据集迁移学习增强脑电信号通路中的病理检测
基于脑电信号和解码大脑活动的病理诊断对于理解神经系统疾病具有重要意义。随着人工智能方法和机器学习技术的进步，准确的数据驱动诊断和有效治疗的潜力显着增长。然而，将机器学习算法应用于现实世界的数据集在多个层面上提出了不同的挑战。标记数据的稀缺性，特别是在低水平场景中，由于招募成本高，真实患者队列的可用性有限，凸显了扩展和迁移学习技术的重要性。在本研究中，我们探索了一个现实世界的病理分类任务，以突出数据和模型扩展以及跨数据集知识转移的有效性。因此，我们观察到通过数据扩展可以获得不同的性能改进，这表明需要仔细评估和标记。此外，我们确定了可能的负转移挑战，并强调了一些关键成分对克服分布偏移和潜在的虚假相关性并实现正转移的重要性。当可用的标记数据量较少时，通过使用源数据集 (TUAB) 中的知识，我们发现目标模型在目标 (NMT) 数据集上的性能有所提高。我们的研究结果表明，小型通用模型（例如 ShallowNet）在单个数据集上表现良好，而大型模型（例如 TCN）在从大型多样化数据集进行迁移和学习方面表现更好。
虚拟现实中的实时情感检测：基于情感和脑电信号三维模型的技术
本文探讨了一种实时检测虚拟现实 (VR) 用户情感状态的技术的开发。该技术通过一项实验的数据进行测试，实验中 18 名参与者在 VR 家庭影院内观看了 16 个包含情感内容的视频，同时记录了他们的脑电图 (EEG) 信号。参与者根据三维情感模型评估了他们对视频的情感反应。分析了该技术的两种变体。两种变体之间的区别在于用于特征选择的方法。在第一个变体中，使用线性混合效应 (LME) 模型选择从 EEG 信号中提取的特征。在第二个变体中，使用递归特征消除和交叉验证 (RFECV) 选择特征。两种变体都使用随机森林来构建分类模型。通过交叉验证获得准确度、精确度、召回率和 F1 分数。进行了方差分析以比较每个变体中构建的模型的准确性。结果表明，特征选择方法对分类模型的准确性没有显著影响。因此，两种变体（LME 和 RFECV）在检测 VR 用户的情感状态方面似乎同样可靠。分类模型的平均准确率在 87% 到 93% 之间。
MuBiNN：用于脑电信号分类的多层二值化循环神经网络
监测人脑活动对于了解大脑功能、预防精神疾病和改善生活质量具有巨大潜力。为此，EEG 系统必须从当今临床实践中经常使用的有线、固定和笨重的系统转变为提供高信号质量的智能可穿戴、无线和舒适的生活方式解决方案。可穿戴设备上的连续监测要求自动 EEG 分类算法既准确又轻量。这是我们在本文中的主要关注点。请注意，可穿戴设备的处理器很小且有限，与台式机和服务器处理器相比要慢得多。许多以前的算法都是基于经典信号处理技术 [1][2]。由于 EEG 信号特征在不同情况下和不同人之间存在显著差异，因此此类算法中使用的固定特征不足以准确区分所有人的不同类型的疾病。为了自动提取特征并提高脑信号分类准确性，最近提出了基于深度学习的算法，包括深度卷积神经网络 (CNN) 和循环神经网络 (RNN) [3][4]。用于序列学习的最流行和最有效的 RNN 模型之一是长短期记忆 (LSTM) [5]。LSTM 旨在对长程依赖关系进行建模，而 RNN 的记忆备份起着重要作用，因此它们比传统的 RNN 更准确、更有效。本文重点介绍基于 LSTM 循环神经网络的 EEG 分类算法。所提出的方法采用 RNN，因为 EEG 波形自然适合用这种类型的神经网络进行处理。与其他类型的神经网络相比，RNN 可以更有效地捕获序列数据中的时间依赖关系。然而，高分类准确率的代价是
使用深度学习算法对脑电信号进行自闭症谱系障碍分类
自闭症谱系障碍 (ASD) 是一种影响社交互动和沟通技巧的神经发育障碍。自闭症的诊断是研究人员面临的难题之一。这项研究工作旨在利用深度学习算法通过脑电图 (EEG) 揭示自闭症儿童和正常儿童之间的不同模式。脑信号数据库使用模式识别，其中提取的特征将经过多层感知器网络进行分类过程。执行分类的有前途的方法是通过深度学习算法，这是目前模式识别领域中一种众所周知且优越的方法。分类的性能衡量标准是准确性。百分比越高，意味着自闭症诊断的有效性越高。这可以看作是应用新算法进一步发展自闭症诊断的基础工作，以了解未来治疗的效果如何。
双谱无创脑电信号分析可区分复杂和自然的抓握类型
摘要 — 双谱是频域分析中一种革命性的工具，它通过捕获频率分量之间的关键相位信息，超越了通常的功率谱。在我们的创新研究中，我们利用双谱分析和解码复杂的抓握动作，收集了来自五名人类受试者的脑电图数据。我们用三个分类器对这些数据进行了测试，重点关注幅度和相位相关特征。结果突出了双谱深入研究神经活动和区分各种抓握动作的惊人能力，其中支持向量机 (SVM) 分类器表现出色。在二元分类中，它在识别强力抓握方面实现了惊人的 97% 的准确率，而在更复杂的多类任务中，它保持了令人印象深刻的 94.93% 的准确率。这一发现不仅强调了双谱的分析能力，还展示了 SVM 在分类方面的卓越能力，为我们理解运动和神经动力学打开了新的大门。索引术语 —EEG（脑电图）、双谱、交叉双谱、握力解码和机器学习。
基于180nm CMOS工艺的可配置4通道脑电信号采集模拟前端设计
摘要 – 本文提出了一种用于 EEG 信号记录的 4 通道模拟前端 (AFE) 电路。对于 EEG 记录系统，AFE 可以处理各种传感器输入，具有高输入阻抗、可调增益、低噪声和宽带宽。缓冲器或电流-电压转换器块 (BCV) 可设置为缓冲器或电流-电压转换器电路，位于 AFE 的电极和主放大器级之间，以实现高输入阻抗并与传感器信号类型配合使用。斩波电容耦合仪表放大器 (CCIA) 位于 BCV 之后，作为 AFE 的主放大器级，以降低输入参考噪声并平衡整个 AFE 系统的阻抗。可编程增益放大器 (PGA) 是 AFE 的第三级，允许调整 AFE 的总增益。建议的 AFE 工作频率范围为 0.5 Hz 至 2 kHz，输入阻抗大于 2 T Ω，采用 180nm CMOS 工艺构建和仿真。AFE 具有最低 100 dB CMRR 和 1.8 µVrms 的低输入参考噪声，可实现低噪声效率。该设计采用了 BCV 等新功能来增强输入多样性，与之前的研究相比，IRN 和 CMRR 系数表现出显着增强。可以使用该 AFE 系统获取 EEG 信号，这对于检测癫痫和癫痫发作非常有用。