XiaoMi-AI文件搜索系统
World File Search System通道选择
多尺度特征和多通道选择……
摘要：目的：受医疗保健4.0的推动，本研究旨在基于人工提取的特征（包括时域和频域中的统计特征）降低传统脑电特征的维数。方法：使用四阶巴特沃斯滤波器和小波包变换从UNM和Iowa数据集中提取了总共22个多尺度特征。基于单通道验证，从59个公共通道池中选择了R2得分最高的29个通道。在UNM数据集上验证了所提出的通道选择方案，并在Iowa数据集上进行了测试，以将其通用性与未进行通道选择训练的模型进行比较。结果：实验结果表明，所提出的模型实现了100％的最佳分类准确率。此外，通过基于Iowa数据集的样本外测试验证了通道选择方法的泛化能力结论：使用单通道验证，我们提出了一种基于传统统计特征的通道选择方案，最终选择了29个通道。该方案显著降低了帕金森病相关脑电特征向量的维数 50%。值得注意的是，该方法在 UNM 和 Iowa 数据集上都表现出了相当好的分类性能。对于闭眼状态，最高分类准确率为 100%，而对于睁眼状态，最高准确率达到 93.75%。
脑力负荷分类的敏感通道选择
摘要：心理负荷（MW）评估在各类人机交互任务中得到广泛研究。现有的MW分类研究大多使用非侵入式脑电图（EEG）帽采集脑电信号并识别MW水平。但MW任务刺激的大脑激活区域对于每个受试者来说并不相同。使用来自所有电极通道的EEG信号来识别MW可能并不合适。本文首先建立EEG节律能量热图，直观展示四种EEG节律能量随时间、EEG通道和MW水平的变化趋势。从所呈现的热图中可以看出，这种变化趋势因受试者、节律和通道而异。在此基础上，提出了一种双阈值方法来选择MW评估的敏感通道。使用个性化选择通道的EEG信号，分别称为正敏感通道（PSC）和负敏感通道（NSC），并使用支持向量机（SVM）算法进行MW分类。结果表明，个性化敏感通道的选择普遍有助于提高MW分类的性能。
运动想象脑中基于相关性的通道选择......
摘要。目的：基于脑电图 (EEG) 的脑机接口 (BCI) 中的通道选择已进行了二十多年的广泛研究，目的是选择最佳的主体特定通道，以提高 BCI 的整体解码效率。随着基于深度学习 (DL) 的 BCI 模型的出现，需要新的视角和新颖的技术来进行通道选择。在这方面，与主体无关的通道选择很重要，因为使用跨主体数据训练的 DL 模型提供了卓越的性能，并且 EEG 特征的固有主体间变异性对与主体无关的 DL 训练的影响尚不完全清楚。方法：在这里，我们提出了一种在基于 DL 的运动想象 (MI)-BCI 中实现与主体无关的通道选择的新方法，使用逐层相关性传播 (LRP) 和神经网络修剪。实验使用来自韩国大学 (KU) EEG 数据集的 Deep ConvNet 和 62 通道 MI 数据进行。主要结果：使用我们提出的方法，由于 LRP 选择高度相关的通道，我们将通道数量减少了 61%，而与受试者无关的分类准确度没有任何显著下降（p=0.09）。基于 LRP 相关性的通道选择与传统的基于权重的选择相比提供了明显更好的准确度，同时使用了不到 40% 的总通道数，准确度差异范围为 5.96% 至 1.72%。仅使用总通道数 16% 的适应稀疏 LRP 模型的性能与适应基线模型的性能相似（p=0.13）。此外，仅使用总通道数 35% 的适应稀疏 LRP 模型的准确度比适应基线模型高出 0.53%（p=0.81）。对 LRP 选择的通道的分析证实了选择的神经生理学合理性，并强调了运动、顶叶和枕叶通道对 MI-EEG 分类的影响。意义：所提出的方法解决了 EEG-BCI 解码中的一个传统问题，同时与 BCI 领域的最新发展相关且适用。我们相信，我们的工作带来了模型可解释性作为一种解决问题的技术的有趣且重要的应用。
具有间断性的 BCI 的黎曼通道选择......
摘要— 目标：会话间非平稳性是当前脑机接口 (BCI) 面临的主要挑战，会影响系统性能。在本文中，我们研究了使用通道选择来减少黎曼 BCI 分类器的会话间非平稳性。我们使用协方差矩阵的黎曼几何框架，因为它具有鲁棒性和良好的性能。当前的黎曼通道选择方法不考虑会话间非平稳性，通常在单个会话中进行测试。在这里，我们提出了一种新的通道选择方法，该方法专门考虑非平稳性影响，并在多会话 BCI 数据集上进行评估。方法：我们使用顺序浮动后向选择搜索策略删除最不重要的通道。我们的贡献包括：1) 在黎曼框架中通过不同标准量化多类问题中非平稳性对大脑活动的影响；2) 一种预测 BCI 性能是否可以通过通道选择提高的方法。结果：我们在三个基于多会话和多类心理任务 (MT) 的 BCI 数据集上评估了所提出的方法。与使用所有通道相比，它们可以显著提高受会话间非平稳性影响的数据集的性能，并且在所有数据集上都明显优于最先进的黎曼通道选择方法，尤其是在选择小通道集大小时。结论：通过通道选择降低非平稳性可以显著提高黎曼 BCI 分类准确性。意义：我们提出的通道选择方法有助于使黎曼 BCI 分类器对会话间非平稳性更具鲁棒性。索引词——脑机接口、EEG、黎曼流形、通道选择、非平稳性。
地球静止轨道卫星的通道选择与分析...
摘要：基于干涉技术的地静止亚毫米大气音响器是微波遥感的最新领域。配备了地形轨道气象卫星平台上的亚毫米大气遥感仪器，将同时增加观察频率，并提高云检测能力。当前的极性气象卫星观察系统可确保只有六个小时的观察期，次越小时和其他快速变化的天气系统进行实时观察。地静止的亚毫米声音[1-3]具有全天候工作，历史，大覆盖范围和实时的特征。可以观察到天气中动态变化的整个过程，为数值天气预测和短期预测提供了高的时间分辨率观察数据。在论文中，内容将主要包括通道的选择和分析地静止的干涉次要测量值。关键字：大气参数，地理次毫米声音，干涉技术，渠道选择
形波变换多通道脑电图通道选择
本文提出了一种基于EEG形波变换的EEG通道选择方法，旨在减少受试者的设置时间和不便，并提高脑机接口（BCI）的应用性能。具体而言，该方法通过同时解决关于EEG形波学习、超平面学习和EEG通道权重学习的嵌入逻辑损失最小化问题来选择前k个EEG通道。特别地，为了学习有区别的EEG形波来加权每个EEG通道对逻辑损失的贡献，在此过程中还最小化EEG形波相似性。此外，本文采用梯度下降策略来解决非凸优化问题，最终得到称为StEEGCS的算法。结果，与所有EEG通道相比，使用StEEGCS选择的EEG通道的分类准确率有所提高，并且分类时间消耗也减少了。此外，在几个真实世界 EEG 数据集上与几种最先进的 EEG 通道选择方法的比较也证明了 StEEGCS 的有效性和优越性。
基于双光谱的基于摩托图像的基于脑部计算机接口的通道选择
摘要 - 基于运动图像（MI）的大脑接口（BCI）的性能很容易受到多渠道电脑图（EEG）中存在的噪声和冗余信息的影响。为了解决此问题，已经提出了许多基于时间和空间特征的通道选择。然而，时间和空间效果并未准确反映振荡性脑电图的功率变化。因此，与MI相关的EEG信号的光谱特征可能对通道选择有用。双光谱分析是一种用于从非线性和非高斯信号中提取非线性和非高斯信息开发的技术。从双光谱分析中提取的功能可以提供有关脑电图的频域信息。因此，在这项研究中，我们为基于MI的BCI提出了一种基于双光谱的通道选择（BCS）方法。所提出的方法使用对数扩增的总和（SLA）和第一阶光谱矩（FOSM）特征从Bispectrum Analysis提取的特征来选择没有冗余信息的EEG通道。使用三个公共BCI竞争数据集（BCI竞争IV数据集1，BCI竞赛III数据集IVA和BCI竞赛III Dataset IIIA）来验证我们提出的方法的有效性。结果表明，我们的BCS方法超过所有通道的使用（83.8％和69.4％，86.3％，分别为82.9％和77.8％，分别为68.2％）。此外，与其他最先进的方法相比，我们的BCS方法
基于多目标优化的癫痫发作分类脑电图通道选择方法
我们提出了一种基于非支配排序遗传算法 (NSGA) 的癫痫发作分类脑电图 (EEG) 通道选择的多目标优化方法。我们在来自 CHB-MIT 公共数据集的 24 名患者的 EEG 数据上测试了该方法。该过程首先使用经验模态分解 (EMD) 或离散小波变换 (DWT) 将来自每个通道的 EEG 数据分解为不同的频带，然后为每个子带提取四个特征；两个能量值和两个分形维数值。然后通过 NSGA-II 或 NSGA-III 迭代测试获得的特征向量以解决两个无约束目标；最大限度地提高分类准确率并减少癫痫发作分类所需的 EEG 通道数量。我们的结果表明，仅使用一个 EEG 通道就能实现高达 1.00 的准确率。有趣的是，当使用所有可用的 EEG 通道时，与使用 NSGA-II 或 NSGA-III 选择 EEG 通道的情况相比，获得的准确度较低；即，在患者 19 中，我们使用所有通道获得的准确度为 0.95，而使用 NSGA-III 仅选择的两个通道获得的准确度为 0.975。获得的结果令人鼓舞，并且已经表明可以使用少量电极对癫痫发作进行分类，这为未来开发便携式 EEG 发作检测设备提供了证据。
大脑 - 计算机界面通道选择优化了使用元式和进化算法
许多大脑 - 计算机界面（BCI）研究由于其固有的复杂性而忽略了通道优化。但是，仔细的渠道选择会提高性能和用户的舒适性，同时降低系统成本。进化的元映射证明了它们在解决复杂问题方面的有用性，但尚未完全利用。该研究的目的是两个方面：（1）提出一种新型算法，以找到每个用户设置的最佳通道，并将其与其他现有的元次素化学进行比较； （2）建立将这些优化策略调整到该框架的准则。共有3个单目标（GA，BDE，BPSO）和4个多目标（NSGA-II，BMOPSO，SPEA2，PEAIL）现有算法已通过3个公共数据库进行了调整和测试：“ BCI竞争III-DATASET II”，“中心拼写“中心拼写者”和“ RSVP拼写”。双前分排序算法（DFGA），这是一种新型的多目标离散方法，特别针对BCI框架设计。的结果表明，所有元数据术的表现都超过了基于P300的BCIS的完整集和常见的8通道集。dfga使用8个通道表现出3.9％的准确性3.9％。并使用4.66个通道获得了类似的精度。地形分析还强大了为每个用户自定义频道集的需求。因此，提出的方法计算具有不同数量的通道的最佳解决方案集，从而使用户可以为下一个BCI会话选择最合适的分布。©2021作者。由Elsevier B.V.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
使用 Gumbel-softmax 实现深度神经网络的端到端可学习 EEG 通道选择
摘要 — 目的。为深度神经网络开发一种高效的嵌入式脑电图 (EEG) 通道选择方法，使我们能够将通道选择与目标模型相匹配，同时避免与神经网络结合使用包装器方法所带来的巨大计算负担。方法。我们采用一个具体的选择器层来联合优化 EEG 通道选择和网络参数。该层使用 Gumbel-softmax 技巧来构建选择过程中涉及的离散参数的连续松弛，从而允许以传统反向传播的方式端到端地学习它们。由于经常观察到选择层在某个选择中包含两次相同的通道，我们提出了一个正则化函数来缓解这种行为。我们在两个不同的 EEG 任务上验证了这种方法：运动执行和听觉注意解码。对于每个任务，我们将 Gumbel-softmax 方法的性能与针对此特定任务量身定制的基线 EEG 通道选择方法进行比较：分别使用效用度量的互信息和贪婪前向选择。主要结果。我们的实验表明，所提出的框架具有普遍适用性，同时其性能至少与这些最先进的、针对特定任务的方法一样好（通常更好）。意义。所提出的方法提供了一种有效的、独立于任务和模型的方法来联合学习最佳 EEG 通道以及神经网络权重。