XiaoMi-AI文件搜索系统
World File Search System空间模式
稀疏的组过滤库表示模型
背景：在运动成像（MI）脑电图（EEG）记录以及在脑计算机界面（BCI）应用的MI分类中，常见的空间模式（CSP）已被广泛用于特征外观。BCI通常需要相对较长的脑电图数据来可靠的分类培训。更具体地，在使用一般空间模式进行特征提取之前，使用两个不同类别的训练词典来构造复合词典矩阵，并且在滤波器带中的测试样品的表示形式估计为字典矩阵中列的线性组合。新方法：减轻频率带之间的稀疏小样本（SS）问题。我们为BCI系统中的运动图像提出了一种新型的稀疏组过滤库模型（SGFB）。结果：我们通过基于对非零相关系数的类别表示残差来执行任务。此外，我们还在三个不同的时间窗口中使用约束过滤器频段执行关节稀疏优化，以在多任务学习框架中提取强大的CSP功能。为了验证我们的模型的有效性，我们对BCI竞争的公共EEG数据集进行了实验，以将其与其他竞争方法进行比较。与现有方法的比较：差异
基于脑电图模拟的空间滤波方法的性能：对中风患者的BCI研究
该研究报告了中风后神经疗法的中风患者在操作基于运动构象的脑部计算机界面（MI-BCI）的表现，并比较了三种不同的BCI空间滤波技术。对五名中风患者进行了实验，这些患者总共进行了15次Mi-BCI疗程，以围to的肢体为目标。在每个会话的初始校准阶段收集了脑电图数据，并通过使用源功能共同调节（SPOC），频谱加权的常见空间模式（SPECCSP）和过滤器银行常见的空间模式（FBCSP）BCI方法制作单个BCI模型。FBCSP的准确性显着高于SPOC的准确性（85.1±1.9％vs. 83.0±1.9％； P = 0.002），而FBCSP的准确性略高于SPECCSP的准确性（85.1±1.9％vs. 83.8±2.0％; P = 0.068）。SPOC和SPECCSP之间没有明显差异（p = 0.616）。平均误报比率为16.9％，17.1％，14.3％，而SPECCSP，SPOC，FBCSP的平均假阴影分别为15.5％，16.9％，15.5％。总而言之，我们证明了中风患者能够控制MI-BCI，并且可以用作早期中风阶段中互补神经居住的MI-BCI方法。
基于子带级联 CSP 的深度迁移学习，用于跨受试者下肢运动意象分类
摘要 — 由于人类大脑中左右下肢运动的生理表征过于接近，下肢运动想象 (MI) 分类是脑机接口 (BCI) 中一个具有挑战性的研究课题。此外，MI 信号具有严重的受试者特异性。以前的研究中为特定受试者设计的分类方案无法满足通用 BCI 系统中跨受试者分类的要求。因此，本研究旨在建立跨受试者下肢 MI 分类方案。提出了三种新型子带级联公共空间模式 (SBCCSP) 算法来提取具有低冗余度的代表性特征。已根据从执行 MI 任务的受试者中收集的下肢步进式 MI 信号进行了验证。已验证了采用三种 SBCCSP 算法的所提方案具有比其他公共空间模式 (CSP) 变体更好的准确度和运行时间性能，最佳平均准确度为 98.78%。本研究首次研究了基于实验步进式 MI 信号的跨受试者 MI 分类方案。所提出的方案将对开发用于下肢辅助和康复应用的通用 BCI 系统做出重要贡献。
采取行动：建立更具弹性的世界
He，F。T.，Lundy de la Cruz，N.，Olson，D.，Lim，S.，Levanon Seligson，A.，Hall，G.，Jessup，J。，＆Gwynn，C。（2016年）。飓风桑迪期间和之后利用心理健康服务的时间和空间模式：纽约市急诊室和住院住院治疗。灾难医学和公共卫生准备，10（3），512–517。https://doi.org/10.1017/dmp.2016.89https://doi.org/10.1017/dmp.2016.89
加强城市二氧化碳监测以促进气候行动
准确可靠的二氧化碳测量对该项目至关重要，但城市环境面临着独特的挑战，包括温度和湿度波动等多变的天气条件。慕尼黑工业大学 (TUM) 在设计监测系统时，寻求一种可靠、准确且价格合理的二氧化碳传感器，能够在户外条件下提供稳定的测量结果。此外，该传感器还必须达到 1 ppm 均方根误差 (RMSE) 的二氧化碳测量精度，这对于理解城市环境中的空间模式至关重要。
一种用于从脑电图解码想象语音的新型深度学习架构
摘要 — 深度学习领域的最新进展尚未充分利用来解码想象语音，主要是因为没有足够的训练样本来训练深度网络。在本文中，我们提出了一种新颖的架构，该架构使用深度神经网络 (DNN) 对 ASU 想象语音数据集中相应 EEG 信号中的单词“in”和“cooperate”进行分类。使用公共空间模式 (CSP) 选择最能捕捉底层皮质活动的九个 EEG 通道，并将其视为独立的数据向量。离散小波变换 (DWT) 用于特征提取。据我们所知，到目前为止，DNN 尚未被用作解码想象语音的分类器。将与每个想象词相对应的选定 EEG 通道视为独立的数据向量有助于提供足够数量的样本来训练 DNN。对于每次测试试验，最终的类别标签是通过对试验中考虑的各个通道的分类结果进行多数投票来获得的。我们已经取得了与最先进结果相当的准确度。通过使用更高密度的 EEG 采集系统结合其他深度学习技术（如长短期记忆），可以进一步改善结果。索引术语 — 脑机接口、空间滤波器、深度学习、想象语音、常见空间模式
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。
BluGlass 在 Photonics West 上展示了量子应用的新产品功能，并申请了三项美国专利
论文还展示了近期的突破性成果，展示了窄带高功率 DFB 源，以及半导体光放大器 (SOA) 增益芯片的初步结果。此外，论文还强调，BluGlass 已成功展示了集成 GaN 主振荡器功率放大器 (MOPA)，该放大器在单一空间模式下实现了 750 mW 的功率。集成设备用与半导体光放大器对齐的快轴和慢轴透镜取代单模激光器，在减小尺寸和复杂性的同时提高了功率。BluGlass 首席执行官 Jim Haden 表示：“我们在可见光 GaN 激光器、单模、近单频、MOPA 和光子集成解决方案方面的领先进展是革命性行业的关键第一步，包括航空航天、国防、量子计算和生物医学应用。” BluGlass 正在扩展可见激光能力的范围，从紫色到蓝绿色的 DFB 波长的增加、世界一流的噪声抑制以及单模激光器与功率放大器的集成，在单一空间模式下可实现 750 mW 的蓝光，这些都证明了我们世界领先的团队所开创的惊人创新。“我们不断增长的战略能力使 BluGlass 能够利用量子传感、通信和计算等令人兴奋的增长市场。这些进步将使我们的客户能够通过创建局部量子解决方案来解决复杂问题，例如大气激光雷达检测晴空湍流、水下通信和激光雷达以及 GPS 欺骗和干扰。
脑振荡的光谱图
功能活性与大脑结构接线之间关系之间关系的数学建模很大程度上是使用具有区域性参数的非线性和生物物理详细的数学模型进行的。这种方法为我们提供了丰富的多稳态动力学曲目，但大脑可以显示，但在计算上是要求的。此外，尽管微观水平上的神经元动力学是非线性和混乱的，但尚不清楚是否需要此类详细的非线性模型来捕获新兴的中介体（区域人口合奏）和宏观（整个大脑）行为，这在很大程度上是确定性的，并且在很大程度上是确定性的和可重复的。的确，基于光谱图理论的最新建模工作表明，没有区域变化参数的分析模型可以捕获经验磁性频率光谱以及Alpha和Beta频段的空间模式。在这项工作中，我们展示了基于基于静止健康受试者的磁脑摄影记录获得的频谱的改进，基于频谱理论的模型。我们根据经典的神经质量模型重新重新制定了光谱图理论模型，因此提供了更具生物解释的参数，尤其是在局部规模上。我们证明，在比较模型频谱的光谱相关性并从磁脑摄影记录中获得的光谱相关性时，该模型的性能优于原始模型。该模型在预测经验α和β频带的空间模式方面也表现出色。
基于双向特征金字塔注意的时间卷积网络模型用于运动想象脑电图分类
脑机接口 (BCI) 是一种新兴的交互式通信方法，通过解码大脑活动产生的信号，实现对假肢和外部设备的神经控制，以及中风后运动康复。这种最先进的技术有可能彻底改变生活的各个方面，并显着提高整体生活质量。BCI 具有广泛的应用范围，从医疗援助到人类增强（Ahmed 等人，2022 年；Altaheri 等人，2023 年）。通常，脑电图 (EEG) 信号反映大脑的电活动，并通过在头皮上放置电极阵列来非侵入式地记录。获得真实值（时间和通道）二维 EEG 信号矩阵使人与外部设备之间的直接通信成为可能（Graimann 等人，2010 年）。运动想象 (MI) 是一种思考如何移动身体的某个部位而不移动身体的活动。基于 EEG 的 MI 活动已广泛应用于车辆控制、无人机控制、环境控制、智能家居、安全和其他非医疗领域（Altaheri 等人，2023 年）。然而，解码 MI-EEG 信号仍然是一项具有挑战性的任务。在此任务中，其他生理信号（例如面部肌肉活动、眨眼和环境中的电磁干扰）会污染记录的 MI-EEG 信号并导致信噪比低（Lotte 等人，2018 年）。MI-EEG 模式的个体差异受到参与者大脑结构和功能差异的影响。此外，EEG 系统在信号通道之间表现出一定程度的相关性，这进一步使信号处理过程复杂化（Altaheri 等人，2022 年）。在对 EEG 信号进行分类和识别的传统方法中，通常依赖于领域特定知识。这导致人们更加关注开发有效的特征提取和分类技术，这主要是由于 EEG 信号固有的低信噪比（ Huang et al., 2019 ）。人们通常使用各种特征提取方法，包括独立成分分析（ Barbati et al., 2004 ； Delorme and Makeig, 2004 ； Porcaro et al., 2015 ； Ruan et al., 2018 ）、小波变换（ Xu et al., 2018 ）、共同空间模式（ Gaur et al., 2021 ）和经验模态分解（ Tang et al., 2020 ）。在对 EEG 信号进行预处理后，从处理后的信号中提取基本特征并输入分类器以确定输入实例的类别（ Vaid et al., 2015 ）。传统的特征提取方法通常涉及手工设计的特征提取器，例如滤波器组共享空间模式 (FBCSP) (Ang et al., 2008) 或黎曼协方差 (Hersche et al., 2018) 特征。Ang et al.（2012）使用滤波器组公共空间模式（FBCSP）算法来优化MI-EEG上公共空间模式（CSP）的受试者特定频带，然后采用基于互信息的最佳个体特征（MIBIF）算法和基于互信息的粗糙集约简（MIRSR）算法从信号中提取判别性的CSP特征。最后，我们使用CSP算法进行分类并获得了良好的性能。值得注意的是，所有这些步骤都非常耗时。虽然传统方法通过预处理方法提高了EEG信号的信噪比，但从不同时间戳和受试者采集的EEG信号通常