XiaoMi-AI文件搜索系统
World File Search System通道选择
FETCH：EEG 可穿戴系统中快速有效的通道选择技术
可穿戴生物医学系统的快速发展如今使得实时监测脑电图 (EEG) 信号成为可能。这些信号的采集依赖于电极。这些系统必须应对设计挑战，即选择一组在性能和可用性约束之间取得平衡的最佳电极。从更大的电极集合中搜索最佳电极子集是一个具有组合复杂性的问题。虽然现有研究主要集中于仅探索有限组合的搜索策略，但我们的方法提出了一种计算效率高的方法来探索所有组合。为了避免为每种组合训练模型所带来的计算负担，我们利用了一种受小样本学习启发的创新方法。值得注意的是，该策略涵盖了所有可穿戴电极组合，同时与在每种可能的组合上重新训练网络相比，显著减少了训练时间。在癫痫发作检测任务中，所提出的方法在使用八个电极的配置下实现了 0.917 的 AUC 值。这一性能与之前的研究结果相当，但实现所需的时间却少得多，将原本需要数月才能完成的过程在单个 GPU 设备上缩短为数小时。我们的工作可以全面探索可穿戴生物医学设备设计中的电极配置，从而获得可提高性能和实际可行性的见解。
DGAFF：EEG 的深度遗传算法适应度形成......
脑机接口系统旨在通过直接将脑信号翻译成计算机信号来促进人机交互。最近，使用多个电极使这些系统的性能更好。然而，增加记录电极的数量会导致额外的时间、硬件和计算成本，以及记录过程不必要的复杂性。通道选择已被用于降低数据维度并消除不相关的通道，同时降低噪声影响。此外，该技术降低了实时应用中的时间和计算成本。我们提出了一种通道选择方法，它将顺序搜索方法与一种称为深度 GA 适应度形成 (DGAFF) 的遗传算法相结合。所提出的方法加速了遗传算法的收敛并提高了系统的性能。系统评估基于一个轻量级深度神经网络，该网络可自动化整个模型训练过程。所提出的方法在对所利用的数据集上的运动意象进行分类方面优于其他通道选择方法。
脑电图通道选择的空间选择优化
摘要 脑电图（EEG）是一种由多个通道组成，用于记录一定时间段内的脑电波活动的工具。脑电图可用于诊断癫痫。可以通过对EEG信号进行通道选择优化来分析EEG癫痫通道，即使用空间选择（SS）和粒子群优化（PSO）方法。在这个最终项目中，我们创建了一个系统来选择癫痫脑电图通道并优化这些通道。在进行渠道选择与优化之前，首先利用K最近邻（K-NN）对输入到渠道选择与优化系统的数据进行分类，得到最佳的K值。本次癫痫脑电信号通道选择采用空间选择方法，优化过程采用粒子群优化方法。从空间选择的结果中获得通道，然后可以使用 PSO 对其进行优化，以获得最优的活动通道并提高这些通道的准确性。测试结果表明,使用5个数据集,通道选择后脑电通道优化准确率最高可达100%。每个数据集包含 6 个训练数据（3 个婴儿和 3 个青少年）和 4 个测试数据（2 个婴儿和 2 个青少年）。获取的通道数也由原来的23个通道减少为最优的7个活跃通道。关键词：EEG、癫痫、K-NN、空间选择、PSO。摘要 脑电图（EEG）是一种由多个通道组成的、用于记录一定时间段内脑电波活动的工具。脑电图可用于诊断癫痫。可以通过使用空间选择 (SS) 和粒子群优化 (PSO) 方法优化 EEG 信号上的通道选择来分析癫痫 EEG 通道。在这个最终项目中，我们创建了一个系统来选择癫痫脑电图通道并优化这些通道。在选择和优化渠道之前，使用K最近邻（K-NN）进行分类，从作为渠道选择和优化系统输入的数据中获取最佳K值。癫痫脑电通道选择采用空间选择方法，优化过程采用粒子群优化方法。从空间选择的结果中，我们得到了通道，然后可以使用 PSO 进行优化，以获得最优的活动通道并提高这些通道的准确性。测试结果表明,使用5个数据集,通道选择后脑电通道优化准确率最高可达100%。每个数据集包含 6 个训练数据（3 个婴儿和 3 个青少年）和 4 个测试数据（2 个婴儿和 2 个青少年）。获得的通道数也由原来的23个通道减少为最优的7个活跃通道。关键词：EEG、癫痫、K-NN、空间选择、PSO。 1. 简介
利用脑电图通道注意力检测听觉注意力
摘要 — 听觉注意检测 (AAD) 试图从多人说话场景（例如鸡尾酒会）中的 EEG 信号中检测出被关注的语音。由于 EEG 通道反映了不同大脑区域的活动，因此面向任务的通道选择技术可以提高脑机接口应用的性能。在本研究中，我们提出了一种软通道注意机制，而不是硬通道选择，通过优化听觉注意检测任务来导出 EEG 通道掩模。神经 AAD 系统由神经通道注意机制和卷积神经网络 (CNN) 分类器组成。我们在公开数据库上评估了所提出的框架。对于 64 通道 EEG，我们在 2 秒和 0.1 秒决策窗口下分别实现了 88.3% 和 77.2%；对于 32 通道和 16 通道 EEG，我们在 2 秒决策窗口下分别实现了 86.1% 和 83.9%。所提出的框架在所有测试用例中都远远优于其他竞争模型。
如何引用本文：Murat Arican，Kemal Polat（2020）。基于二进制粒子群优化（BPSO）的EEG信号通道选择及其
近年来，国家支持的项目试图提高残疾人的社会参与度。然而，即使是患有运动神经元疾病 (MND)、全滑行状态 (TSD) 等神经肌肉疾病的人，其沟通能力也会受到干扰。脑机接口 (BBA) 已有几十年的历史，研究数量呈指数级增长，目前正在开发中，以使患有此类疾病的人能够与周围环境进行交流。拼写系统是 BBA 系统，它可以检测人们在屏幕上的字母和数字矩阵上关注的字母，并通过应用程序将其转换为文本。在这种情况下，通过屏幕上字母的随机闪烁，它旨在检测由于刺激而导致大脑中发生的电变化。研究表明，个体遇到的刺激会导致 EEG 信号中出现一个振幅，称为 P300，介于 250 到 500 毫秒之间。脑机接口通过 EEG 信号为因中风或神经退行性疾病而行动受限的个体提供环境互动。 EEG 信号的多通道结构既增加了系统成本，又降低了处理速度。因此，通过在过程中检测更多活动电极来降低系统成本，可以提高人们的可访问性。在此背景下，在电极选择中使用优化技术，通过随机选择方法确定最有效的通道。在研究中，使用基于群体的优化技术之一的粒子群优化算法与两个分类器（SVM 和 Boosted Tree）一起使用，并确定了八个最常选择的通道，以提高系统在速度和准确性方面的性能。
研究论文基于皮尔逊相关的混合 EEG-fNIRS BCI 的计算高效方法
这里考虑的混合脑机接口 (BCI) 系统是脑电图 (EEG) 和功能性近红外光谱 (fNIRS) 的组合。同时记录 EEG-fNIRS 信号以实现高运动想象任务分类。这种集成有助于实现更好的系统性能，但代价是增加系统复杂性和计算时间。在混合 BCI 研究中，通道选择被认为是直接影响系统性能的关键因素。在本文中，我们提出了一种使用 Pearson 积矩相关系数的新型通道选择方法，其中仅从每个半球选择高度相关的通道。然后，提取四个不同的统计特征，并使用它们的不同组合通过 KNN 和树分类器进行分类。据我们所知，目前还没有关于皮尔逊积矩相关系数用于混合EEG-fNIRS BCI通道选择的报道。结果表明，我们的混合系统显著减少了计算负担，同时实现了与现有文献相当的具有高可靠性的分类精度。
基于深度学习的脑电图自我诱导情绪识别
从脑电图 (EEG) 信号中识别情绪需要准确高效的信号处理和特征提取。深度学习技术已经能够自动提取原始 EEG 信号特征，从而更准确地对情绪进行分类。尽管取得了这些进展，但尚未研究从 EEG 信号（尤其是在回忆特定记忆或想象情绪情境时记录的 EEG 信号）中进行情绪分类。此外，使用深度神经网络进行高密度 EEG 信号分类面临着计算复杂度高、通道冗余和准确度低等挑战。为了解决这些问题，我们评估了使用简单的通道选择方法对基于深度学习的自诱情绪进行分类的效果。实验表明，基于信号统计数据选择关键通道可以在不降低分类准确度的情况下将计算复杂度降低 89%。准确率最高的通道选择方法是基于峰度的方法，其对效价和唤醒量表的准确率分别达到 79.03% 和 79.36%。实验结果表明，尽管所提出的框架使用的通道较少，但其性能优于传统方法。我们提出的方法有利于在实际应用中有效利用 EEG 信号。
相关性的频道选择大脑计算机接口
摘要。基于脑电图（EEG）基于脑部计算机界面（BCI）的通道选择已被广泛研究了二十年，其目标是选择可以提高BCI的总体解码功效的最佳特定主题通道。随着基于深度学习（DL）模型的出现，出现了需要新的视角和新技术来进行渠道选择。在这方面，与受试者无关的通道选择相关，因为使用交叉主体数据训练的DL模型提供了出色的性能，并且尚未完全了解脑电图特征固有的主体间变异性在受试者独立的DL训练中的影响。在这里，我们提出了一种新的方法，用于使用层相关性传播（LRP）和神经网络修剪在基于DL的运动图像（MI）-BCI中实现主题独立通道选择。使用韩国大学（KU）EEG数据集的Deep Convnet和62通道MI数据进行了实验。使用我们提出的方法，由于LRP选择了高度相关的通道，因此我们在受试者独立的分类精度中降低了61％的通道数量（p = 0.09）。LRP相关的渠道选择提供了明显更好的精度，同时使用频道总数的40％，精度的差异范围为5.96％至1.72％。仅使用通道总数的16％的适应性稀疏LRP模型的性能与适应的基线模型相似（p = 0.13）。此外，适应的稀疏LRP模型的准确性仅使用频道总数的35％超过了改编的基线模型的准确性（p = 0.81）。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MI-EEG分类中运动，顶叶和枕通道的影响。
基于脑电图信号的人类情绪分类使用...
在人际交往中，情绪非常重要。词语、语音语调、面部表情和动作等属性都可用于描绘一个人的感受。然而，脑机接口 (BCI) 设备尚未达到情绪解读所需的水平。随着机器学习算法、干电极技术以及脑机接口在现实世界中对正常人的不同应用的快速发展，从脑电图数据中进行情绪分类最近引起了广泛关注。脑电图 (EEG) 信号是这些系统的关键资源。使用脑电图信号的主要好处是它们反映了真实的情绪，并且很容易被计算机系统解析。在这项工作中，使用通道选择预处理识别了与好情绪、中性和负面情绪相关的脑电图信号。然而，到目前为止，研究人员对各种情绪状态之间联系的具体了解有限。为了识别脑电图信号，我们使用了离散小波变换和机器学习技术，如循环神经网络 (RNN) 和 k-最近邻 (kNN) 算法。最初，使用分类器方法进行通道选择。结果，通过整合来自这些通道的 EEG 片段的特征来创建最终特征向量。使用 RNN 和 kNN 算法，对具有连接的积极、中性和消极情绪的最终特征向量进行独立分类。计算并比较了两种技术的分类性能。使用 RNN 和 kNN，平均总体准确率分别为 94.844 % 和 93.438 %。
AN67 - 线性技术杂志电路集，第 III 卷
如时序图 (图 2) 所示，MUX 通道选择和 A/D 转换采用流水线方式，以最大程度地提高转换器的吞吐量。转换过程从选择所需的多路复用器通道对开始。将逻辑高电平应用于 LTC1390 的 CS 输入，通道对数据在 5MHz 时钟信号的上升沿上被时钟输入到每个数据 1 输入中。然后将芯片选择 MUX 拉低，锁存通道对选择数据。然后将选定 MUX 输入上的信号应用于 LTC1410 的差分输入。在 LTC1410 的转换启动输入 CONVST 被拉低之前 700ns，芯片选择 MUX 被拉低。这对应于 LTC1390 的 MUX 开关完全打开所需的最大时间。这可确保在 LTC1410 的 S/H 捕获其样本之前，输入信号已完全稳定。