XiaoMi-AI文件搜索系统
World File Search System空间滤波
用于可解释且高效的黎曼分类的切空间空间滤波器
摘要 — 目标：基于黎曼几何的方法已被证明是脑机接口 (BCI) 解码的良好模型。然而，这些方法受到维数灾难的影响，无法部署在高密度在线 BCI 系统中。此外，黎曼方法缺乏可解释性，导致人工制品决定分类性能，这在人工制品控制至关重要的领域（例如患者群体中的神经反馈和 BCI）是有问题的。方法：我们严格证明了切线空间上的任何线性函数与相应的派生空间滤波器之间的精确等价性。在此基础上，我们进一步提出了一组无需密集优化步骤的黎曼方法降维解决方案。使用开放式 BCI 分析框架，针对经典的常见空间模式和切线空间分类验证了所提出的流程，该框架总共包含 7 多个数据集和 200 个主题。最后，通过可视化相应的空间模式验证了我们框架的稳健性。主要结果：与经典的切线空间分类相比，所提出的空间滤波方法具有竞争力，有时甚至略好的性能，同时在测试阶段将时间成本降低了 97%。重要的是，无论通道数量多少，所提出的空间滤波方法的性能都只使用四到六个滤波器组件，这也通过可视化的空间模式进行了交叉验证。这些结果揭示了每个记录会话中存在潜在神经元来源的可能性。意义：我们的工作促进了对基于黎曼几何的 BCI 分类的理论理解，并允许更有效的分类以及从基于黎曼方法构建的分类器中去除伪影源。
使用滤波器组任务相关成分分析对上肢运动进行多类分类
摘要 — 肢体运动分类可为非侵入式脑机接口提供控制命令。以往对肢体运动分类的研究主要集中在左/右肢的分类；然而，尽管上肢运动的分类为脑机接口提供了更多主动诱发的控制命令，但上肢运动的不同类型分类却常常被忽视。尽管如此，很少有机器学习方法可以作为肢体运动多类分类的最新方法。本文重点研究上肢运动的多类分类，提出了多类滤波器组任务相关成分分析 (mFBTRCA) 方法，该方法包括三个步骤：空间滤波、相似性测量和滤波器组选择。空间滤波器，即任务相关成分分析，首次用于上肢运动的多类分类。
稳态视觉诱发电位数据分析-...
摘要 —脑电图 (EEG) 因其便携性、高时间分辨率、易于使用和低成本而被广泛应用于脑机接口 (BCI)，使瘫痪者能够直接与外部设备通信和控制外部设备。在各种 EEG 范式中，基于稳态视觉诱发电位 (SSVEP) 的 BCI 系统使用以不同频率闪烁的多个视觉刺激（例如计算机屏幕上的 LED 或盒子）由于其快速的通信速率和高信噪比在过去几十年中得到了广泛的探索。在本文中，我们回顾了基于 SSVEP 的 BCI 的当前研究，重点关注能够连续、准确检测 SSVEP 并因此实现高信息传输速率的数据分析。本文描述了主要的技术挑战，包括信号预处理、频谱分析、信号分解、空间滤波特别是典型相关分析及其变体和分类技术。还讨论了自发性大脑活动、心理疲劳、迁移学习以及混合 BCI 方面的研究挑战和机遇。
基于EEG的眼动追踪技术又迈进了一步
在本文中，我们介绍了两种适应感兴趣区域的方法和算法。我们提出了一种新的深度神经网络 (DNN)，可用于使用 EEG 数据直接确定注视位置。基于 EEG 的眼动追踪是眼动追踪领域的一个新的、困难的研究课题，但它提供了一种基于图像的眼动追踪的替代方案，其输入数据集与传统图像处理相当。所提出的 DNN 利用 EEG 信号的空间依赖性，并使用类似于空间滤波的卷积，用于预处理 EEG 信号。通过这种方式，与最先进的技术相比，我们将从 EEG 信号进行的直接注视判断提高了 3.5 厘米 MAE（平均绝对误差），但不幸的是仍然没有实现直接适用的系统，因为与基于图像的眼动追踪器相比，不准确性仍然明显较高。链接：https://es-cloud.cs.uni-tuebingen.de/d/8e2ab8c3fdd444e1a135/?p=%2FEEGGaze&mode=list
![arXiv:2003.07877v1 [physics.optics] 2020 年 3 月 17 日](/simg/g:\will\search\icon\source\8\8d9c98312a9a7ed1b3c381cb496f2a4721ee9310.webp)
arXiv:2003.07877v1 [physics.optics] 2020 年 3 月 17 日
具有平移不变性（因而对光学错位具有鲁棒性）的薄膜光学元件对于紧凑型和集成型光学设备的快速开发至关重要。在本信中，我们通过实验展示了一种光束整形元件，它通过空间滤波激光束的基本高斯模式来产生环形光束。该元件由使用溅射薄膜制造的一维光子晶体腔组成。该元件的平面结构和面内对称性使我们的光束整形技术具有平移不变性。产生的环形光束对入射激光束的偏振方向和波长敏感。利用环形光束的这种特性，我们展示了不同波长的同心环形光束的同时产生。我们的实验观察结果与使用有限差分时域法执行的模拟结果高度一致。这种光束整形元件可应用于从显微镜和医学到半导体光刻和微电子工业制造等领域。
分布式自适应信号和特征融合问题的统一算法框架 - 第二部分：收敛属性
I.在[1]中引入的分布式自适应信号融合（DASF）算法可用于以分离的方式解决广泛的空间滤波和信号融合问题，例如，无线传感器网络（WSN）。此类问题的示例包括基于广义特征值分解[3]，规范相关性分析[4]，[5]，最小方差波束[6]等的最小平方英尺误差估计，判别分析[3]等。DASF算法旨在应对WSN的典型带宽或能量限制。WSN中的典型空间过滤或信号融合问题涉及根据网络中每个节点收集的传感器数据优化成本函数。与需要在融合中心汇总的每个节点的传感器数据相反，DASF算法要求节点在彼此之间仅共享压缩数据。然后将此数据用于在每次迭代时在节点中局部构建全局优化问题的压缩版本。结果，全球（集中）的任何求解器
S-JEPA：通过动态空间注意力实现无缝跨数据集传输
摘要：受脑电图信号处理中跨数据集无缝传输的挑战的启发，本文对联合嵌入预测架构 (JEPA) 的使用进行了探索性研究。近年来，自监督学习已经成为一种在各个领域进行迁移学习的有前途的方法。然而，它在脑电图信号中的应用仍未得到充分探索。在本文中，我们介绍了用于表示脑电图记录的 Signal-JEPA，其中包括一种新颖的领域特定空间块掩蔽策略和三种用于下游分类的新型架构。该研究针对 54 个受试者的数据集进行，并在三种不同的 BCI 范式上评估模型的下游性能：运动意象、ERP 和 SSVEP。我们的研究为 JEPA 在脑电图信号编码中的潜力提供了初步证据。值得注意的是，我们的结果强调了空间滤波对于准确下游分类的重要性，并揭示了预训练示例的长度对下游性能的影响，而不是掩码大小的影响。
44. EAS - 会议“极端原子系统” 11
自发参量下转换 (SPDC) 在生成纯净且不可区分的单光子方面显示出巨大的潜力。块体晶体中产生的光子对在横向空间和频率方面高度相关。这些相关性限制了光子的不可区分性并导致光子源效率低下。人们已经探索了具有高斯非线性响应的域工程晶体以最大限度地降低光谱相关性。在这里，我们研究了这种域工程对产生的光子的空间相关性的影响。我们表明，具有高斯非线性响应的晶体会降低光子之间的空间相关性。然而，高斯非线性响应不足以完全消除空间相关性。因此，开发一种全面的方法来最大限度地降低这些相关性仍然是一个悬而未决的挑战。我们对这个问题的解决方案涉及同时设计泵浦光束和晶体。我们在没有任何空间滤波的情况下实现了高达 99% 的单光子态纯度。我们的发现为结构化 SPDC 晶体中产生的空间波形提供了宝贵的见解，对玻色子采样等应用具有重要意义。
![arXiv:2104.06918v3 [quant-ph] 2021 年 4 月 22 日](/simg/g:\will\search\icon\source\f\f58593b4b640f06bc37aeca5c5bb7e9db79f54a8.webp)
arXiv:2104.06918v3 [quant-ph] 2021 年 4 月 22 日
量子机器学习是噪声中型量子 (NISQ) 时代量子计算最有前途的应用之一。在此，我们提出了一种受卷积神经网络 (CNN) 启发的量子卷积神经网络 (QCNN)，与经典神经网络相比，它大大降低了计算复杂度，具有 O (( log 2 M ) 6 ) 个基本门和 O ( m 2 + e ) 个变分参数，其中 M 是输入数据大小，m 是滤波器掩码大小，e 是哈密顿量中的参数数量。我们的模型对于图像识别任务具有一定的噪声鲁棒性，并且参数与输入大小无关，这使其对近期的量子设备很友好。我们用两个明确的例子演示了 QCNN。首先，将 QCNN 应用于图像处理并对三种类型的空间滤波、图像平滑、锐化和边缘检测进行了数值模拟。其次，我们展示了 QCNN 在图像识别中的表现，即手写数字的识别。与前人的研究相比，该机器学习模型能够提供与特定经典卷积核精确对应的可实现量子电路，为将 CNN 直接转化为 QCNN 提供了有效途径，为大数据时代利用量子能力处理信息开辟了前景。
利用耳内脑电图进行注意力状态分类
摘要 — 完全在耳内的脑电图 (入耳式 EEG) 为不引人注目的连续生理和认知状态监测开辟了令人兴奋的途径。这项工作提出了基于在警觉任务实验中使用的舒适的双耳入耳式 EEG 仪器记录的数据对注意力状态进行精确分类的技术。我们记录了来自多个受试者的头皮和耳内 EEG 信号，并表明入耳式 EEG 提供了相当的分类准确度。我们的工作是共模空间滤波技术首次应用于从不受束缚的受试者的稀疏电极获取的信号。我们在对注意力和静息状态进行分类时展示了 90-95% 的准确率（带有 30 个电极的头皮 EEG）和 70-75%（耳道和耳甲内有 5 个电极的入耳式 EEG）。我们还展示了我们的方法对于低功耗片上分类来说是轻量级的，具有少量学习的能力。可穿戴、连续健康传感器的必要性在于适应资源受限的应用，并适应受试者之间的差异和不同的环境条件。这项研究表明，未来系统级芯片 (SoC) 集成对于能够进行闭环认知状态监测和神经反馈的用户通用和便携式设备具有可行性。索引术语 —BCI、入耳式脑电图、认知状态监测、警觉任务