XiaoMi-AI文件搜索系统
World File Search System谱密度
生物医学信号处理与控制
注意力缺陷多动障碍 (ADHD) 是一种神经发育障碍，其特征是不同程度的冲动、多动和注意力不集中。治疗这种疾病并尽量减少其对学习、工作、建立关系和生活质量的负面影响在很大程度上取决于早期识别。脑电图 (EEG) 是一种有用的神经成像技术，可用于了解 ADHD。本研究通过使用固有时间尺度分解 (ITD) 分析 EEG 信号来检查 ADHD 儿童的大脑活动。由 ITD 产生的模式的不同组合（称为固有旋转分量 (PRC)）用于提取各种基于连接的特征（幅度平方相干性、交叉功率谱密度、相关系数、协方差、相熵系数、相关系数）。在闭眼休息时记录了 15 名 ADHD 儿童和 18 名年龄匹配的健康儿童的 EEG 信号。使用从纵向和横向平面中选择的不同通道对来计算上述特征。通过各种机器学习方法和 10 倍交叉验证法，对所提出的方法进行评估，以区分 ADHD 患者和健康对照者。纵向和横向平面的分类准确率分别在 92.90% 至 99.90% 和 91.70% 至 100.00% 之间。我们的结果支持了所提出方法的出色性能，并且在识别和分类 ADHD 方面比类似研究取得了重大进展。
基于听觉的神经生理反应，用于利用单声道节拍进行大脑调节
摘要 — 脑调节是通过外部刺激改变大脑活动的过程。然而，哪种情况可以诱导激活仍不清楚。因此，我们旨在使用 40 Hz 单耳节拍 (MB) 来识别大脑激活条件。在这种刺激下，由频率和功率范围决定的听觉状态是需要考虑的条件。因此，我们设计了五个会话进行比较：无刺激、可听 (AB)、频率听不见、功率听不见以及频率和功率都听不见。十名健康参与者接受了每次十分钟的刺激，并记录了脑电图 (EEG)。为了进行分析，我们计算了每个会话的 EEG 功率谱密度 (PSD)，并在频率、时间和五个大脑区域进行比较。结果，我们仅在 AB 中观察到 40 Hz 处的显著功率峰值。诱导的 EEG 幅度增加从一分钟开始，并一直增加到会话结束。与其他刺激相比，AB 的这些结果在额叶、中央、颞叶、顶叶和枕叶区域存在显着差异。从统计分析中可以看出，右侧颞区PSD明显高于左侧颞区，说明听觉在引导大脑激活中起着重要作用，这些发现有助于理解听觉刺激的神经生理原理和效应。关键词——脑调制，单耳节拍，感觉，脑电图
脉冲功率驱动的高能量密度物理实验中的集体光学汤姆逊散射（特邀）
光学集体汤姆逊散射用于诊断伦敦帝国理工学院 Magpie 脉冲功率发生器的磁化高能密度物理实验。该系统使用来自 Nd:YAG 激光的 2 次谐波的放大脉冲（3 J、8 ns、532 nm）来探测各种高温等离子体物体；密度在 10 17 -10 19 cm -3 范围内，温度在 10 eV 到几 keV 之间。散射光从等离子体内 100 µ m 级体积中收集，然后成像到光纤阵列上。多个收集系统从不同方向观察这些体积，同时使用不同的散射 K 矢量（和不同的相关 α 参数，通常在 0.5 – 3 范围内）进行探测，从而可以独立测量大量等离子体流的不同速度分量。光纤阵列与带有门控 ICCD 的成像光谱仪耦合。该光谱仪配置为观察集体汤姆逊散射光谱的离子声波 (IAW)。用理论谱密度函数 S ( K , ω ) 拟合光谱可测量局部等离子体的温度和速度。拟合受到激光干涉仪对电子密度的独立测量以及不同散射矢量的相应光谱的限制。这种 TS 诊断已成功应用于广泛的实验，揭示了磁化冲击、旋转等离子体射流和内爆线阵列内的温度和流速转变，以及提供磁重联电流片内漂移速度的直接测量。I. 简介
一种从单通道脑电信号中检测癫痫发作的多视图 SVM 方法
摘要 癫痫发作是发生在中枢神经系统中的癫痫的一部分，会导致大脑活动异常。脑电图 (EEG) 信号记录主要用于癫痫发作检测过程。癫痫发作的检测是患者进一步治疗的关键部分。本文提出了一种使用单通道 EEG 信号进行癫痫发作检测的多视图 SVM 模型。在本实验中，提取了 EEG 数据的两个视图，(1) 使用独立成分分析 (ICA) 的时域特征和 (2) 在频域中获得功率谱密度。提取的特征已输入到多视图 SVM 分类模型。在本研究中，单通道 EEG 数据集用于癫痫发作检测。已经估计了性能估计参数，即准确度、灵敏度、特异性、F1 分数和 AUC 值，以评估所提出的模型。该模型使用 k 倍交叉验证对 A vs E 和 B vs E 集上的癫痫和非癫痫进行了分类，准确率超过 99%。使用相同特征，多视图 SVM 获得的分类准确率比单视图 SVM 高 1-4%。此外，还将所提出的模型与现有的单视图 SVM 模型进行了比较。观察到，与单视图 SVM 模型相比，多视图 SVM 模型在相同特征上的表现明显更好。
传感器
摘要：本文旨在记录和分析想象运动过程中大脑运动区诱发的伽马波段活动 (GBA) (30–60 Hz)，并使用简化脑电图 (EEG) 将其与实际运动过程中相同区域记录的活动进行定量比较。使用 EEG (Cz 通道) 从 12 名健康志愿者受试者获得大脑活动 (基础活动、想象运动任务和实际运动任务)。使用平均功率谱密度 (PSD) 值分析 GBA。事件相关同步 (ERS) 是根据基础 GBA (GBAb)、想象运动的 GBA (GBAim) 和实际运动的 GBA (GBAac) 的 PSD 值计算的。右手和左手的平均 GBAim 和 GBAac 值明显高于 GBAb 值 (p = 0.007)。在想象运动和实际运动期间，平均 GBA 值之间没有显著差异（p = 0.242）。想象运动（ERSimM (%) = 23.52）和实际运动（ERSacM = 27.47）的平均 ERS 值没有显著差异（p = 0.117）。我们证明了 ERS 可以提供一种有用的方法来间接检查由随意运动（想象运动和实际运动）激活的神经运动回路的功能。这些结果作为概念证明，可以应用于生理学研究、脑机接口以及认知或运动病理的诊断。
基于脑电图识别与情况相关的驾驶员状态...
王丽波 新加坡南洋理工大学电气与电子工程学院 ELPWang@ntu.edu.sg 摘要——从代表不同情境意识 (SA) 状态的脑电图 (EEG) 中提取受试者内和受试者间参数是客观情境意识识别的关键挑战。现有的大部分工作都集中在应用功率谱密度 (PSD) 特征的受试者相关分类上。在本文中，我们提出了一种用于跨受试者疲劳相关 SA 识别的新型频谱空间 (SS) 模型。SS 模型不仅考虑不同大脑区域的生物拓扑来捕捉不同 EEG 通道之间的局部和全局关系，而且还提取每个 EEG 通道的频谱特征。具体而言，我们首先通过基于 EEG 通道之间的欧几里得距离构建的邻接矩阵对 EEG 通道的拓扑结构进行建模。然后，采用图卷积运算执行邻域聚合以提取空间特征。我们在驾驶员执行任务期间收集的公共数据集上测试我们的模型。探索了模型的受试者独立性能。结果表明：（1）与最先进的脑电信号 SA 识别模型相比，我们的模型具有更优异的性能。具体而言，我们的 SS 模型实现了 70.6% 的准确率，比传统机器学习方法高 2.7%-6.8%，比深度学习方法高 10.3%-11.6%；（2）枕部脑电信号可以更好地反映 SA 的变化。
使用修改的浮雕和简化基于CNN的深度学习的跨主题渠道选择基于EEG的情绪识别
基于脑电图的抽象情绪识别已在许多研究中实施。在其中大多数中，都有两种观察结果：首先，广泛的实现与执行的验证负相关。跨主体验证比受试者依赖性验证更加困难，因为域移位引起的脑电图记录之间的差异很高。第二，大量通道需要广泛的计算。减少通道的努力会因频道数量减少而阻碍。因此，需要一种有效的减少渠道的方法来维持性能。在本文中，我们提出了基于功率频谱密度比与浮雕方法结合的功率频谱密度比，以尺度图，CNN和通道选择的形式进行对2D EEG输入的合作。功率比来自功率频段的功率谱密度。基于各种条件的试验选择，提出的比例图和PR浮雕（功率比率）的协作产生了稳定的分类率。进行分析，已经采用了生理信号情绪分析的数据库（DEAP）。实验结果表明，该提出的方法使用10个通道的价为2.71％和唤醒的1.96％提高了跨受试者情绪识别的准确性。使用10个通道来依赖受试者验证，价和唤醒类别的功效分别增加了2.41％和1.2％。因此，通过在输入解释和稳定的渠道选择方法之间进行协作，提出的协作方法取得了更好的结果。
使用原位宽频带宽声压检测线材和电弧增材制造中的缺陷
摘要 线材和电弧增材制造 (WAAM) 是一种增材制造 (AM) 工艺，可以生产大型金属部件，材料浪费少，生产率高。然而，WAAM 的高沉积率需要高热量输入，这可能导致孔隙、裂纹、未熔合或变形等潜在缺陷。为了在工业环境中实际实施 WAAM 工艺，必须确保无缺陷生产。然而，使用传统 NDT 技术（例如超声波、涡流、X 射线）进行 NDT 检测是一项非常艰巨的任务，尤其是在零件生产过程中。因此，需要可靠的在线 NDT 检测和监测技术来推广 WAAM 的工业应用。这项工作的目的是使用频率带宽为 10 至 1MHz 的现场采集声学数据来检测 WAAM 生产零件上的缺陷形成。WAAM 零件经过故意引入污染物的处理，同时获取其声学信号以将不同的信号特征与缺陷关联起来。为了识别缺陷形成，使用了两种不同类型的麦克风从同一沉积过程中获取数据。信号处理包括应用时域和频域技术，即功率谱密度和短时傅立叶变换。获得的声学特征可以区分有缺陷和无缺陷的信号，并确定污染物的空间位置。获取的声学信号还表明，传统麦克风获取的数据不足以完全表征 WAAM 工艺发出的声谱。这项工作展示了声学数据和信号处理在 WAAM 生产部件的在线检查中的潜力。关键词：WAAM、声学、傅里叶变换、光学麦克风、STFT
脉冲定时对皮层和丘脑底核深部脑刺激诱发电位的影响
脉冲时间的影响是我们了解如何有效调节基底神经节丘脑皮质 (BGTC) 回路的重要因素。通过电刺激丘脑底核 (STN) 产生的单脉冲低频 DBS 诱发电位可以洞察回路激活，但长延迟成分如何随脉冲时间的变化而变化尚不清楚。我们研究了在 STN 区域传递的刺激脉冲之间的时间如何影响 STN 和皮质中的神经活动。在五名帕金森病患者的 STN 中植入的 DBS 导线被暂时外化，从而可以传递脉冲间隔 (IPI) 为 0.2 至 10 毫秒的成对脉冲。通过 DBS 导线和头皮 EEG 的局部场电位 (LFP) 记录来测量神经激活。 DBS 诱发电位是使用通过联合配准的术后成像确定的背外侧 STN 中的接触器计算的。我们使用小波变换和功率谱密度曲线量化了不同 IPI 对跨频率和时间的诱发反应幅度的影响程度。STN 和头皮 EEG 中的 DBS 诱发反应的 β 频率内容随着脉冲间隔时间的增加而增加。间隔 < 1.0 ms 的脉冲与诱发反应的微小变化相关。1.5 到 3.0 ms 的 IPI 使诱发反应显著增加，而 > 4 ms 的 IPI 产生适度但不显著的增长。当 IPI 在 1.5 到 4.0 ms 之间时，头皮 EEG 和 STN LFP 反应中的 β 频率活动最大。这些结果表明，DBS 诱发反应的长延迟成分主要在 β 频率范围内，并且脉冲间隔时间会影响 BGTC 电路激活的水平。
基于脑电图识别上肢运动热点的人工神经网络方法：概念验证研究
摘要背景：为了将经颅电刺激 (tES) 应用于运动皮层，通常使用经颅磁刺激 (TMS) 的运动诱发电位来识别运动热点。本研究的目的是验证一种基于脑电图 (EEG) 的新型运动热点识别方法的可行性，该方法使用机器学习技术作为 TMS 的潜在替代方案。方法：在 30 名受试者执行简单的手指敲击任务时，使用 63 个通道测量 EEG 数据。从六个频带（delta、theta、alpha、beta、gamma 和 full）提取 EEG 数据的功率谱密度，并独立用于训练和测试用于运动热点识别的人工神经网络。将 TMS 识别的各个运动热点的 3D 坐标信息与我们基于 EEG 的运动热点识别方法估计的坐标信息进行定量比较，以评估其可行性。结果：TMS 识别的运动热点位置与我们提出的运动热点识别方法之间的最小平均误差距离为 0.22 ± 0.03 厘米，证明了我们提出的基于 EEG 的方法的概念验证。当仅使用连接到运动皮层中部的 9 个通道时，测量的平均误差距离为 1.32 ± 0.15 厘米，表明实际使用基于相对较少的 EEG 通道的所提出的运动热点识别方法的可能性。结论：我们证明了我们新颖的基于 EEG 的运动热点识别方法的可行性。预计我们的方法可以作为 TMS 的运动热点识别的替代方案。特别是，当使用最近开发的与 EEG 设备集成的便携式 tES 设备时，它的可用性将显著提高。关键词：运动热点、脑电图、经颅电刺激、机器学习、人工神经网络