XiaoMi-AI文件搜索系统
World File Search System谱密度
深部脑刺激导线的在线映射
摘要：背景：β频率振荡（13 – 30 Hz）是帕金森病患者的丘脑底标志，人们对其作为术中标记物的效用越来越感兴趣。目的：本研究的目的是评估直接从深部脑刺激导线的大接触测量的β活动是否可以用作（a）指导导线放置的术中电生理学方法和（b）用于生理学刺激传递。方法：沿着手术轨迹每一毫米从每个大接触收集局部场电位数据，并计算和可视化功率谱密度（n = 39 名患者）。这是为在线术中功能映射和事后统计分析而进行的，使用两种方法：生成沿手术轨迹的频谱活动分布和直接描绘（存在与否）β峰。在部分患者中，这种方法得到了微电极记录的证实。此外，最终目标处的β峰之间的匹配率
B-警报系统
B-Alert 无线 EEG 生物特征使用来自三个不同任务的 5 分钟基线数据标准化为个体受试者，睡眠开始类别根据基线 PSD 值预测。然后为每个时期的四个类别中的每一个生成拟合概率，四个类别的概率总和等于 1.0（例如，0.45 高参与度、0.30 低参与度、0.20 分心和 0.05 睡眠开始）。给定秒的认知状态代表概率最大的类别。B-Alert 认知状态指标是使用四类二次判别函数分析 (DFA) 中差异位点 FzPO 和 CzPO 的 1 Hz 功率谱密度 (PSD) 箱为每个一秒时期得出的，该分析适合个人独特的 EEG 模式。该表简要描述了每个基线任务和 B-Alert 分类。
非高斯随机激励的疲劳寿命
能够评估结构在受到尖峰态随机激励的情况下的疲劳寿命的主要好处之一是创建加速测试定义。这个想法是将特定的峰度值与给定的功率谱密度 (PSD) 相关联，以减少暴露时间，同时包含与原始稳态和高斯随机测试相同的疲劳损伤潜力。在实践中，工程师将能够模拟某些商用振动控制系统的峰度控制能力对被测设备所经历的疲劳损伤的影响。此过程将使用基于 FE 的疲劳分析工具实现，其中用户指定激励 PSD、峰度值和 FE 结果文件，该文件表示将激励与测试物品的 FE 模型的每个节点或元素处的应力响应联系起来的频率响应函数。获得应力响应 PSD 和相关响应峰度，并提取统计雨流直方图。然后通过将统计雨流直方图与材料疲劳曲线相关联来得出疲劳寿命估计值。
动态和随机风荷载作用下风结构破裂的疲劳和力学建模
本论文的目的是演示如何对水平轴风结构失效进行疲劳和力学理论分析。实现这一目标所需的计算链特别长，原因有两个：首先，风速随时间随机变化；其次，桅杆的振动幅度由于其固有振动频率而被放大。整整一章致力于对空间和时间上的风速进行建模。同一章演示了如何从功率谱密度（PSD）函数合成随机信号。转子的轴向力是风力结构水平轴上最重要的载荷。该力与风速呈非线性关系。这意味着需要使用谱估计技术从信号中确定轴向力的 PSD。 Thomson Multitaper 方法被证明对于该应用是最令人满意的。桅杆位移的 PSD 是通过将结构系统的承受能力与代表所有载荷的力的 PSD 相关联来确定的。最终可以从其 DSP 合成约束信号。讨论并应用了称为雨流的加载周期计数技术。事实上，压力信号具有可变幅度
使用基于注意力机制的双流卷积神经网络解码视觉意象脑电图的三维表征
摘要 —深度神经网络已成功应用于基于脑电图 (EEG) 的脑机接口。然而，在大多数研究中，EEG 通道之间的相关性和区域间关系并未得到很好的利用，导致空间特征提取不够优化。在本研究中，我们提出了一种基于注意机制的双流 3D 卷积神经网络，该网络可以通过强调基于点积的通道注意机制和 3D 卷积之间的关系来增强空间特征提取。与比较模型相比，所提出的方法在 4 类视觉意象 (VI) EEG 分类中实现了 0.58 的准确率，表现出了更好的性能。通过统计和神经生理学分析，视觉运动意象在视觉皮层上显示出比静态 VI 更高的 α -功率谱密度 (PSD)。此外，群体分散的 VI 在前额叶皮质上显示出比群体聚集的 VI 更高的 β -PSD。关键词 —脑机接口、卷积神经网络、脑电图、视觉意象
Wi-Fi 6E 新技术 - 特性和增强功能
• 信道绑定需要连续的频谱来绑定两个信道。 • 由于通常需要 DFS，5 GHz 在整个频谱中存在一些间隙，因此系统无法使用信道绑定来利用所有信道。 • 信道绑定时噪声加倍，因为噪声从两个相邻信道累积而 AP 以相同功率传输，因此 SNR 降低。 • 每次信道绑定（40 MHz）都会导致 SNR 降低 3 dB。 • 对于 80 MHz 信道，SNR 将降低 6 dB。 • EIRP 规则确定最大传输功率水平，而不管信道宽度如何。 • 6 GHz 有新的阈值代替 EIRP - 它称为功率谱密度 (PSD)。 • PSD：允许低功率室内 (LPI) AP 传输更多功率，同时使用更多信道宽度容量来克服此问题。 • Wi-Fi 6E LPI 的最大功率为 5 dBm/MHz PSD。 • 这意味着每次信道宽度加倍时都会增加 3 dB 的最大功率。
录用稿件，非最终出版稿 - 工程科学学报
因此，跨个体、跨场景的脑电分析方法逐渐成为研究热点。越来越多的研究人员将广泛应用脑 电信号分析的特征于跨个体、跨场景的脑电信号分析研究中。 Touryan 等人采用经典的独立成分分 析的特征分析方法描述特征空间，计算功率谱密度（ Power Spectral Density ， PSD ），并采用顺序 前向浮动选择方法识别频谱特征中的独立成分集，结果表明该方法可以识别出跨场景脑电信号中的 共同成分 [88] 。 Kakkos 等人采用了特征融合的方法，将 PSD 与功能连接特征相结合，提高了跨场景 分类的性能，并证明了脑特征融合在跨场景中的应用更为有效 [89] 。 Xing 等人将模糊熵特征用于跨 场景脑电信号分析，发现模糊熵特征相对于其他特征更能适合跨场景 [90] 。卷积神经网络 （ Convolutional Neural Networks ， CNN ）和递归神经网络（ Recurrent Neural Networks ， RNN ）等基 于深度学习的新型跨任务模型在跨场景脑电分析中展现了巨大潜力。这些模型能够自动提取特征和 学习复杂的脑电特征，从而有效地缩小不同任务和场景之间的差距，提高模型的泛化能力 [91][92][93] 。 近年来，一些跨学科的方法被创新性地应用于跨场景研究， Zhao 等人提出了一种跨学科的对齐多 源域自适应方法，用于跨个体的 EEG 疲劳状态评估，显著提高了模型的泛化能力 [94] ， Zhou 等人在 此基础上进行改进，提出了一种跨任务域自适应方法，有效提升了跨场景认知诊断的性能 [95] 。
期刊预校样 - 埃塞克斯研究资料库
从原始脑电信号中学习可区分的特征对于准确分类运动想象 (MI) 任务至关重要。为了结合脑电源之间的空间关系，我们开发了一个基于脑电图的特征集。在此图中，脑电通道表示节点，功率谱密度 (PSD) 特征定义其属性，边缘保留空间信息。我们设计了一个基于脑电图的图形自注意网络 (EGSAN) 来学习脑电图的低维嵌入向量，可将其用作运动想象任务分类的可区分特征。我们在两个公开可用的 MI 脑电数据集上评估了我们的 EGSAN 模型，每个数据集包含不同类型的运动想象任务。我们的实验表明，我们提出的模型有效地从脑电图中提取了可区分的特征，与现有的最先进方法相比，分类准确率明显更高。关键词：运动想象 (MI)、脑电图 (EEG)、特征学习、图形表示、自注意
![arXiv:2205.02867v1 [quant-ph] 2022 年 5 月 5 日](/simg/g:\will\search\icon\source\1\19c2b53419812bdbddf4a6164eca548ad25e737b.webp)
arXiv:2205.02867v1 [quant-ph] 2022 年 5 月 5 日
摘要。多体系统的量子混沌已迅速发展成为一个充满活力的研究领域，涉及从统计物理学到凝聚态物理、量子信息和宇宙学等各个学科。在具有经典极限的量子系统中，先进的半经典方法提供了经典混沌动力学与量子层面上相应的普遍特征之间的关键联系。最近，处理通常的半经典极限 ℏ → 0 中的遍历波干涉的单粒子技术已经开始转变为类似半经典极限 ℏ eeff = 1 /N → 0 中的 N 粒子系统的场论领域，从而解释了真正的多体量子干涉。这种半经典多体理论为理解单粒子和多体量子混沌系统的随机矩阵相关性提供了一个统一的框架。某些经典轨道和平均场模式的编织束分别控制干涉，并为普遍性的基础提供了关键。所提出的案例研究包括 Gutzwiller 谱密度迹公式和不按时间顺序的相关器的多体版本，以及关于可能取得进一步进展的简要评论。
通过脑电图信号测量人类决策信心...
摘要 — 在本文中，我们研究了使用脑电图 (EEG) 信号进行物体检测任务中图像解释过程中人类的决策信心。我们开发了一个从 14 名受试者获取的 EEG 数据集。采用五种流行的 EEG 特征，即差分熵 (DE)、功率谱密度 (PSD)、差分不对称 (DASM)、有理不对称 (RASM) 和不对称 (ASM)，以及两个分类器，即支持向量机 (SVM) 和带快捷连接的深度神经网络 (DNNS)，来测量物体检测任务中的决策信心。分类结果表明，对于五个决策信心水平，带有 DNNS 模型的 DE 特征实现了 47.36% 的最佳准确率和 43.5% 的 F1 分数。对于极端信心水平，识别准确率达到 83.98%，平均 F1 分数为 80.93%。我们还发现，delta 波段的表现优于其他四个波段，并且前额叶区域和顶叶区域可能是代表物体检测任务中的决策信心的敏感大脑区域。