XiaoMi-AI文件搜索系统
World File Search System空间模式
滑动窗口通用空间模式用于增强 EEG-BCI 中的运动想象分类
摘要 — 脑电图 (EEG) 信号的准确二元分类是开发运动想象 (MI) 脑机接口 (BCI) 系统的一项艰巨任务。本研究提出了两种滑动窗口技术来增强运动想象 (MI) 的二元分类。第一种方法计算所有滑动窗口预测序列的最长连续重复 (LCR)，称为 SW-LCR。第二种方法计算所有滑动窗口预测序列的模式，称为 SW-Mode。公共空间模式 (CSP) 用于提取特征，线性判别分析 (LDA) 用于对每个时间窗口进行分类。SW-LCR 和 SW-Mode 都应用于公开可用的 BCI 竞赛 IV-2a 健康个体数据集和中风患者数据集。与现有的最先进技术相比，SW-LCR 在健康个体的情况下表现更好，SW-Mode 在左手与右手 MI 的中风患者数据集上表现更好，标准差更低。对于这两个数据集，分类准确率 (CA) 约为 80%，kappa (κ) 为 0.6。结果表明，使用 SW-LCR 和 SW-Mode 的基于滑动窗口的 MI 预测对于试验内激活时间的试验间和会话间不一致具有很强的鲁棒性，因此可以在神经康复 BCI 环境中实现可靠的性能。
使用常见的空间模式
摘要 - 目的：当前听力设备中的降噪算法缺乏有关使用多个源时用户参与的声源的信息。为了解决此问题，可以将它们与听觉注意解码（AAD）算法相辅相成，该算法使用电解形成术（EEG）传感器解释了注意力。最新的AAD算法采用了刺激重建方法，其中，从EEG重建了所在源的信封，并与单个来源的信封相关。这种方法在短信号段上的性能很差，而较长的段则在用户切换注意力时会产生不切实际的检测延迟。方法：我们建议使用纤维库公共空间模式滤波器（FB-CSP）作为替代AAD范式来解码注意力的方向焦点，该范式不需要访问干净的源信封。结果：所提出的FB-CSP方法在短信号段上的刺激重建方法以及在同一任务上的卷积神经网络方法都优于刺激重建方法。我们达到了很高的精度（1秒钟的窗口为80％，准瞬时决策为70％），这是足以达到低于4 s的最小预期开关持续时间的能力。我们还证明，解码器可以适应来自看不见的主题的未标记数据，并且仅与位于耳朵周围的EEG通道的一部分一起工作，以模仿可穿戴的EEG设置。结论：提出的FB-CSP方法提供了对听觉注意力的方向焦点的快速准确解码。明显的能力：非常短的数据段上的高精度是迈向实用神经传导的听力设备的重要一步。
具有高维光学空间模式的可编程相干线性量子操作
光子学为探索非经典计算资源提供了一个出色的平台[1]，因为纠缠可以通过光学非线性效应方便地产生[2-4]，而线性操控协议可在多个自由度上实现[5-7]。人们做出了巨大的努力来产生和操控高维纠缠态，既用于量子力学的检验[8]，也用于量子技术的应用[9]。人们致力于增加单个光子上编码的信息量[10]，并实现高维通用线性运算，以扩展量子处理的能力，增强量子计算和模拟的多功能性[11]。高维量子编码已在光路域[12]、频域[4]、时间模域[13,14]和横向空间模域[15–17]中得到演示。对于第一个域，Reck等人[5]展示了如何使用由相位调制器和耦合器组成的级联基本块实现任意幺正算子。利用Reck等人的方案，在路径域中报道了维数从6到26的可编程矩阵算子和投影仪[9,12,18,19]。然而，仅实现了6×6的任意变换矩阵，而由于移相器和定向耦合器的排列复杂性不断增加，其他演示都是固定的或部分可调的。在频域，量子
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。
脑机接口中常见空间模式方法及其变体的研究
本研究的主要内容是对 CSP 算法和分类技术 LDA 进行回顾。此外，还开发了一种基于这两种技术的算法，该算法改进了使用简单 CSP 获得的结果。所开发的算法能够对两个类别进行分类，但已进行了扩展，使其能够区分四种假想运动。这些扩展基于一个简单的投票系统。为了比较和检查这些算法的良好行为，它们已在一组公共数据上进行了测试。这组数据来自 IV BCI 竞赛。这些数据已在多篇文章中广泛使用，使我们能够将该算法与其他算法进行比较，例如 RSTFC 算法，该算法也已在本研究中进行了尝试。