XiaoMi-AI文件搜索系统
World File Search System通道选择
基于进化多任务的混合脑机接口系统中通道选择的多目标优化算法
混合模态脑机接口 (BCI) 结合了运动想象 (MI) 生物信号和稳态视觉诱发电位 (SSVEP)，在神经工程研究领域引起了广泛关注。在实际应用中，通道数量应尽可能少。然而，最近关于通道选择的大部分研究仅关注分类任务的性能或设备控制的有效性。很少有研究同时对 MI 和 SSVEP 分类任务进行通道选择。在本文中，提出了一种基于多任务的多目标进化算法 (EMMOA)，以同时为这两个分类任务选择合适的通道。此外，还引入了一个两阶段框架来平衡所提算法中选定通道的数量和分类准确率。实验结果验证了多目标优化方法对于混合 BCI 任务通道选择的可行性。
CL5/CL3/CL1参考手册
注意•要选择一个混合或矩阵通道，请使用银行选择键将所需的通道回忆到中央逻辑部分，然后按所需的通道的[SEL]键。•当前选择的通道的数字和名称显示在位于触摸屏函数访问区域中的频道选择字段中。•如果将通道或立体声通道中的ST分配到单个通道条上，则可以反复按相同的[SEL]键在L和R之间切换。•您还可以通过按“函数访问区域”中的通道选择字段来切换通道。按场的左侧选择前一个通道。按场的右侧选择下一个通道。•在“首选项”选项卡上打开了选项“当旋钮（S）按下时出现弹出窗口”（通过按“设置”按钮访问，然后将用户设置按钮访问），请重复按旋钮将打开或关闭屏幕（1 CH）。
采用自适应小波脑电图的智能运动想象检测系统
摘要：运动想象 (MI) 任务的分类为残障人士与脑机接口环境的连接提供了一种强大的解决方案。精确选择脑电图 (EEG) 信号的可调 Q 小波变换 (TQWT) 的均匀调谐参数是一项艰巨的任务。因此，本文提出了稳健的 TQWT，用于自动选择最佳调谐参数，以准确分解非平稳 EEG 信号。探索了三种进化优化算法来自动调整稳健 TQWT 的参数。使用分解的均方误差的适应度函数。本文还利用拉普拉斯分数进行通道选择以选择主通道。使用最小二乘支持向量机分类器的不同核对从稳健 TQWT 子带中提取的重要特征进行分类。径向基函数核提供了 99.78% 的最高准确率，证明了所提出的方法优于使用相同数据库的其他最先进方法。
研究文章 使用多级粒子群优化进行基于运动想象的 BCI 系统的通道和特征选择
脑机接口 (BCI) 是连接人脑和计算机或其他电子设备的通信和控制系统。然而，无关通道和与任务无关的误导性特征限制了分类性能。为了解决这些问题，我们提出了一种基于粒子群优化 (PSO) 的高效信号处理框架，用于通道和特征选择、通道选择和特征选择。改进的 Stockwell 变换用于特征提取，多级混合 PSO-贝叶斯线性判别分析用于优化和分类。这里使用 BCI 竞赛 III 数据集 I 来确认所提方案的优越性。与未优化方法（89%准确率）相比，基于PSO的方案在使用不到10.5%的原始特征时，最佳分类准确率达到99%，测试时间减少90%以上，Kappa值和F-score分别达到0.98和98.99%，信噪比更好，优于现有算法。结果表明，通道和特征选择方案可以加快收敛到全局最优的速度，减少训练时间。由于该框架可以显著提高分类性能，有效减少特征数量，大大缩短测试时间，可以为相关实时BCI应用系统研究提供参考。
一种新型红外大气探测干涉仪...
从314个Eumetsat通道重新选择了一组新的红外大气发声干涉仪（IASI）通道。在选择通道时，我们使用通道评分指数（CSI）作为元素来计算单独添加的通道对统一模型（UM）数据同化系统的一维变异分析（1D-VAR）的影响，使用通道评分指数（CSI）作为优点。然后，通过计算每个单独的通道CSI贡献来选择200个通道。与大都会官员的UM的操作使用183个通道相比，新套装共享149个频道，而其他51个通道是新的。还检查了使用相同1D-VAR方法从熵还原方法中的选择。结果表明，可以使用拟议的CSI方法以更客观的方式进行通道选择。这是因为可以在整个IASI观察光谱中选择最重要的通道。在使用UM全球同化系统进行实验试验中，与操作渠道的结果相比，新渠道在改善预测方面具有总体中性影响。然而，在对照频道运行中显示的上流层潮湿偏见在实验试验中与新选择的通道大大减少了。潮湿偏见的降低主要是由于其他水蒸气通道，这些通道对对流层水蒸气敏感。
一种利用深度特征聚类进行情绪识别特征选择的创新多模型神经网络方法
摘要：情绪意识感知是一个正在迅速发展的领域，它可以实现人与机器之间更自然的互动。脑电图 (EEG) 已成为一种测量和跟踪用户情绪状态的便捷方式。EEG 信号的非线性特性会产生高维特征向量，从而导致高计算成本。本文使用深度特征聚类 (DFC) 结合多个神经网络的特征来选择高质量属性，而不是传统的特征选择方法。DFC 方法通过省略不可用的属性来缩短网络的训练时间。首先，将经验模态分解 (EMD) 作为一系列频率应用来分解原始 EEG 信号。在使用解析小波变换 (AWT) 进行特征提取过程之前，将分解后的 EEG 信号的时空分量表示为二维频谱图。使用四个预训练的深度神经网络 (DNN) 来提取深度特征。利用基于差分熵的 EEG 通道选择和 DFC 技术实现降维和特征选择，该技术使用 k 均值聚类计算一系列词汇。然后从一系列视觉词汇项目中确定直方图特征。SEED、DEAP 和 MAHNOB 数据集的分类性能与 DFC 的功能相结合表明，所提出的方法在短处理时间内提高了情绪识别的性能，并且比最新的情绪识别方法更具竞争力。
基于 EEGNet 的精确运动意象大脑——......
摘要 — 本文介绍了一种准确而强大的嵌入式运动想象脑机接口 (MI-BCI)。所提出的新模型基于 EEGNet [1]，可满足 ARM Cortex-M 系列等低功耗微控制器单元 (MCU) 的内存占用和计算资源要求。此外，本文还提出了一组方法，包括时间下采样、通道选择和缩小分类窗口，以进一步缩小模型以放宽内存要求，同时几乎不影响准确度。在 Physionet EEG 运动/图像数据集上的实验结果表明，标准 EEGNet 在全局验证中对 2 类、3 类和 4 类 MI 任务的分类准确率分别为 82.43%、75.07% 和 65.07%，比最先进的 (SoA) 卷积神经网络 (CNN) 分别高出 2.05%、5.25% 和 6.49%。我们的新方法进一步缩小了标准 EEGNet，精度损失为 0.31%，内存占用减少了 7.6 倍，精度损失为 2.51%，减少了 15 倍。缩放后的模型部署在商用 Cortex-M4F MCU 上，运行最小模型需要 101 毫秒，每次推理消耗 4.28 mJ，在 Cortex-M7 上运行中等模型需要 44 毫秒，每次推理消耗 18.1 mJ，从而实现了完全自主、可穿戴、准确的低功耗 BCI。索引术语 — 脑机接口、运动意象、CNN、嵌入式系统、边缘计算
![arxiv：2012.01749v5 [eess.sp] 2021年3月3日](/simg/g:\will\search\icon\source\9\9cf72ba91ea2f79eb69d18a0af3fe0dae4787b41.webp)
arxiv：2012.01749v5 [eess.sp] 2021年3月3日
摘要。目标。许多基于脑电图（EEG）的大脑计算机接口（BCI）系统使用大量通道来进行更高的性能，这很耗时，可以为实用应用设置和不便。在不损害绩效的情况下找到最佳的渠道子集是一项必要且具有挑战性的任务。方法。在本文中，我们提出了一个基于互相关的判别标准（XCDC），该标准评估了渠道歧视不同运动成像（MI）任务的心理状态的重要性。通道进行排名和选择。在两个运动图像脑电图数据集上评估XCDC的效率。主要结果。在两个数据集中，与全渠道设置相比，XCDC显着减少了通道的数量，而无需损害分类精度。在相同的准确性约束下，所提出的方法比基于Pearson的相关系数和常见空间模式的现有通道选择方法所需的通道少。XCDC的可视化与神经生理学原理显示出一致的结果。明显的能力。这项工作提出了一个定量标准，用于评估和对MI任务中EEG渠道的重要性进行评估，并提供了一种实用方法，可以在MI BCI系统的校准阶段选择排名的渠道，从而减轻计算复杂性，从而在后续步骤中实现实时和更便捷的BCI，从而使计算复杂性和结合构成的步骤在随后的步骤中。
平行时空自我发注意CNN基于CNN的运动图像分类
运动图像（MI）脑电图（EEG）分类是脑机构界面（BCI）的重要组成部分，使具有流动性问题的人可以通过辅助设备与外界进行通信。但是，由于其复杂性，动态性质和低信噪比，EEG解码是一项艰巨的任务。设计一个充分提取EEG信号的高级特征的端到端框架仍然是一个挑战。在这项研究中，我们提出了一个平行的空间 - 暂时性自我注意力，用于四级MI EEG信号分类。这项研究是定义原始脑电图信号的新时空表示的第一个研究，该信号使用自我注意力的机制提取可区分的时空特征。特别是，我们使用空间自我注意模块来捕获MI EEG信号通道之间的空间依赖性。此模块通过通过加权求和在所有通道上汇总特征来更新每个通道，从而提高了分类准确性并消除由手动通道选择引起的伪像。此外，时间自我发项模块将全局时间信息编码为每个采样时间步骤的特征，因此可以在时域中提取MI EEG信号的高级时间特征。定量分析表明，我们的方法优于主体内和受试者间分类的最先进方法，证明其稳健性和有效性。最后，采用提出的方法根据脑电图信号实现对无人机的控制，从而验证其在实时应用中的可行性。在定性分析方面，我们对从学到的架构估算的新时空表示形式进行视觉检查。
平行时空的自我注意力集CNN的电动机...
运动图像（MI）脑电图（EEG）分类是脑机构界面（BCI）的重要组成部分，使具有流动性问题的人可以通过辅助设备与外界进行通信。但是，由于其复杂性，动态性质和低信噪比，EEG解码是一项艰巨的任务。设计一个充分提取EEG信号的高级特征的端到端框架仍然是一个挑战。在这项研究中，我们提出了一个平行的空间 - 暂时性自我注意力，用于四级MI EEG信号分类。这项研究是定义原始脑电图信号的新时空表示的第一个研究，该信号使用自我注意力的机制提取可区分的时空特征。特别是，我们使用空间自我注意模块来捕获MI EEG信号通道之间的空间依赖性。此模块通过通过加权求和在所有通道上汇总特征来更新每个通道，从而提高了分类准确性并消除由手动通道选择引起的伪像。此外，时间自我发项模块将全局时间信息编码为每个采样时间步骤的特征，因此可以在时域中提取MI EEG信号的高级时间特征。定量分析表明，我们的方法优于主体内和受试者间分类的最先进方法，证明其稳健性和有效性。最后，采用提出的方法根据脑电图信号实现对无人机的控制，从而验证其在实时应用中的可行性。在定性分析方面，我们对从学到的架构估算的新时空表示形式进行视觉检查。