XiaoMi-AI文件搜索系统
World File Search System采样率
从 EEG 中捕捉时间动态和空间不对称......
摘要— 高时间分辨率和不对称空间激活是脑电图 (EEG) 的基本属性，是大脑情绪过程的基础。为了学习 EEG 的时间动态和空间不对称性以实现准确和广义的情绪识别，我们提出了 TSception，这是一种可以从 EEG 中对情绪进行分类的多尺度卷积神经网络。TSception 由动态时间、不对称空间和高级融合层组成，它们同时学习时间和通道维度中的判别表示。动态时间层由多尺度 1D 卷积核组成，其长度与 EEG 的采样率有关，它学习 EEG 的动态时间和频率表示。不对称空间层利用情绪的不对称 EEG 模式，学习判别性全局和半球表示。学习到的空间表示将由高级融合层融合。使用更通用的交叉验证设置，在两个公开可用的数据集 DEAP 和 MAHNOB-HCI 上评估所提出的方法。将所提出的网络的性能与 SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet 和 EEGNet 等先前报告的方法进行了比较。在大多数实验中，TSception 的分类准确率和 F1 分数高于其他方法。代码可在以下位置获得：https://github.com/yi-ding-cs/TSception
Bruno Gavazzi、Pauline Le Maire、Marc Munschy、Aline Dechamp。磁通门矢量磁力仪：用于地面、无人机和机载磁测的多传感器设备。Leading Edge，2016，35 (9)，第 795-797 页。 10.1190/tle35090795.1。hal-01624847
简介 磁法有多种应用，例如采矿勘探、未爆炸弹药 (UXO) 探测和考古学 (Nabighian 等人，2005)。概念始终相同：测量由于地面磁化不均匀性而导致的磁场横向变化。根据勘测目的，测量范围很广，从地面几平方米到高海拔的平方公里。通常，磁数据是使用光泵或质子进动原理的标量磁强计获得的。它们给出场的总磁强度 (TMI) 的伪绝对值。但是，这种技术有一些局限性。基于进动（质子和 Overhauser）的磁强计坚固耐用且非常简单。它们的灵敏度约为 0.1 纳特斯拉 (nT)，但采样率不能超过几赫兹，这对于高速测量或测量更高频率的时间变化可能会有问题。基于光泵浦的磁强计具有高灵敏度，通常低于 0.01 nT。采集率高达几十分之一赫兹，但它们比进动类型更复杂且更脆弱。无论如何，测量的 TMI 包括设备本身的磁效应，这对精确测量来说是一个问题。磁化设备越大，它应该安装在离磁强计越远的地方。因此，紧凑型设备的设计十分困难。我们通过使用磁通门矢量磁力仪克服了这些限制。
海冰压力脊帆高度的高分辨率机载观测
摘要。压力脊影响海冰覆盖的质量、能量和动量预算，并对穿越冰封水域的运输造成障碍。量化脊特征对于了解海冰总量和改善高分辨率模型中海冰动力学的表示非常重要。在每年的北极冰桥行动 (OIB) 航空调查期间收集的多传感器测量数据为评估冬末的海冰提供了新的机会。我们提出了一种从高分辨率 OIB 数字测绘系统 (DMS) 可见光图像中得出脊帆高度的新方法。我们通过绘制西部和中部北极 12 个压力脊沿线的完整帆高分布来评估该方法的有效性。通过与同时发生的机载地形测绘仪 (ATM) 高程异常进行比较，可以证明该方法并评估 DMS 得出的帆高。帆高和高程异常的相关性为 0.81 或以上。平均而言，帆高平均值和最大值与 ATM 海拔高度的吻合度分别在 0.11 米和 0.49 米以内。在绘制的山脊中，帆高平均值范围为 0.99 至 2.16 米，而最大帆高范围为 2.1 至 4.8 米。DMS 沿山脊的采样率也高于同步的 ATM 数据。
海冰压力的高分辨率机载观测...
摘要。压力脊影响海冰覆盖的质量、能量和动量预算，并对穿越冰封水域的运输造成障碍。量化脊特征对于了解海冰总质量和改善高分辨率模型中海冰动力学的表示非常重要。在北极年度冰桥行动 (OIB) 航空调查期间收集的多传感器测量数据为评估冬末的海冰提供了新的机会。我们提出了一种从高分辨率 OIB 数字测绘系统 (DMS) 可见光图像中得出脊帆高度的新方法。我们通过绘制北极西部和中部 12 个压力脊沿线的完整帆高分布来评估该方法的有效性。通过与同时发生的机载地形测绘仪 (ATM) 高程异常进行比较，可以证明该方法并评估 DMS 得出的帆高。帆高和高程异常的相关系数为 0.81 或以上。平均而言，帆高平均值和最大值与 ATM 海拔高度的吻合度分别在 0.11 米和 0.49 米以内。在绘制的山脊中，帆高平均值范围为 0.99 至 2.16 米，而最大帆高范围为 2.1 至 4.8 米。DMS 沿山脊的采样率也高于同步的 ATM 数据。
TSception：从脑电图中捕捉时间动态和空间不对称以实现情绪识别
摘要 — 高时间分辨率和不对称空间激活是脑电图 (EEG) 的基本属性，是大脑情绪过程的基础。为了学习 EEG 的时间动态和空间不对称性以实现准确和广义的情绪识别，我们提出了 TSception，这是一种可以从 EEG 中对情绪进行分类的多尺度卷积神经网络。TSception 由动态时间、不对称空间和高级融合层组成，它们同时学习时间和通道维度中的判别表示。动态时间层由多尺度 1D 卷积核组成，其长度与 EEG 的采样率有关，它学习 EEG 的动态时间和频率表示。不对称空间层利用情绪的不对称 EEG 模式，学习判别性全局和半球表示。学习到的空间表示将由高级融合层融合。使用更通用的交叉验证设置，在两个公开可用的数据集 DEAP 和 MAHNOB-HCI 上评估所提出的方法。将所提出的网络的性能与 SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet 和 EEGNet 等先前报告的方法进行了比较。在大多数实验中，TSception 的分类准确率和 F1 分数高于其他方法。代码可在以下位置获得：https://github.com/yi-ding-cs/TSception
用于植入式神经接口的精确且硬件高效的双尖峰检测器
摘要 — 尖峰检测在神经数据处理和脑机接口 (BMI) 中起着核心作用。未来一代可植入 BMI 面临的挑战是构建一个既具有低硬件成本又具有高性能的尖峰检测器。在这项工作中，我们提出了一种用于可植入 BMI 的新型硬件高效且高性能的尖峰检测器。所提出的设计基于具有自适应阈值估计的双检测器架构。双检测器包括两个独立的基于 TEO 的检测器，它们根据尖峰在高噪声和低噪声场景中的判别特征来区分尖峰的发生。我们在 Wave Clus 数据集上评估了所提出的尖峰检测算法。它实现了 98.9% 的平均检测准确率，在高噪声场景中超过 95%，确保了我们方法的可靠性。当在采样率为 16kHz 和分辨率为 7 位的硬件中实现时，检测准确率为 97.4%。基于该架构的256通道探测器采用TSMC 65nm工艺设计，面积仅682μm2/通道，功耗0.07μW/通道，与目前最先进的尖峰探测器相比，功耗降低39.7%，面积减少78.8%，同时保持了较高的精度。
数字接收器将 DSP 带入无线电频率 - Pentek
随着数字接收器和高速数字化仪的出现，现代数字信号处理技术的优势已应用于无线电频率。数字接收器芯片对采样的射频信号进行下变频、低通滤波和抽取。由此产生的带宽和采样率降低使得执行实时计算（如 FFT 频谱分析）成为可能。多家制造商提供数字接收器芯片，包括 Graychip、Intersil 和 Analog Devices。Graychip 于 1990 年推出的第一款单芯片数字接收器是 GC1011 窄带接收器。Intersil（当时为 Harris）于 1992 年推出了其第一款芯片 HSP 50016。现在有许多数字接收器设备可供选择，以及用于将此电路整合到门阵列中的 IP 核。在本文中，我们将概述经典的模拟超外差接收器，并将其与数字接收器进行比较。如果您不想组装自己的电路板，您会很高兴知道，电路板制造商现在可以提供实现 COTS 平台数字接收器系统所需的现成电路板和软件。为此，我们将为您提供一个示例，说明如何使用 Pentek 提供的电路板组装数字接收器和信号分析系统的大部分。
风对双子座 8m 主镜的影响
风振对双子座 8m 主镜的影响 Myung K. Cho 1,2 、Larry Stepp 1 和 Seongho Kim 3 （1）双子座 8m 望远镜项目；（2）亚利桑那大学光学科学中心；（3）亚利桑那大学航空航天和机械工程学院 摘要 大型望远镜的关键设计因素之一是控制由风压变化引起的主镜畸变。为了量化望远镜风荷载效应，双子座天文台在实际山顶条件下进行了一系列风试验。在南双子座望远镜的调试期间，同时测量了镜面多个点的压力，以及穹顶内外多个位置的风速和风向。在测试期间，我们改变了穹顶相对于风的位置、望远镜仰角、挡风玻璃在观测狭缝中的位置以及通风门的开口大小。针对 116 种不同的测试条件，以每秒十次的数据采样率记录了五分钟的数据。这些数据集经过处理，可提供每个时刻镜面上的压力图。根据这些压力图，使用有限元分析计算主镜的光学表面畸变。开发了数据缩减程序，以增强测试数据和镜面畸变的可视化。测试结果对
通过基于神经网络u-net
摘要 - 从心电图（ECG）记录中自动提取基本数据的研究一直是一个重要的主题。数字处理过程的主要重点是测量基于其波形特性来确定P，QRS和T波的开始和结束的基准点。在ECG数据收集过程中存在不可避免的噪声以及个体之间固有的生理差异使得准确识别这些参考点的挑战，从而导致次优性能。这是通过几个主要阶段完成的，这些阶段依赖于通过一组步骤对ECG电信信号进行初步处理的想法（准备原始数据并将其转换为已读取的文件，然后通过删除空数据并统一信号的宽度并在250的长度上统一信号的宽度，以便确定噪声，然后确定Quy的过程，然后确定QR的过程，并确定QR和QR的过程，并在QR中进行QR和P-QR的过程，并在QR中进行QR和P-QR和p-峰值并根据它进行切割U-NET预训练的模型用于深度学习。它采用具有可自定义采样率的ECG信号作为输入，并生成P和T波的开始点和结尾点以及QRS复合物作为输出。
TSception：利用脑电图进行情绪检测的深度学习框架
摘要 — 在本文中，我们提出了一种深度学习框架 TSception，用于从脑电图 (EEG) 中检测情绪。TSception 由时间和空间卷积层组成，可同时学习时间和通道域中的判别表示。时间学习器由多尺度 1D 卷积核组成，其长度与 EEG 信号的采样率有关，可学习多个时间和频率表示。空间学习器利用额叶大脑区域情绪反应的不对称特性来学习来自大脑左半球和右半球的判别表示。在我们的研究中，设计了一个系统来研究沉浸式虚拟现实 (VR) 环境中的情绪唤醒。使用该系统从 18 名健康受试者收集了 EEG 数据，以评估所提出的深度学习网络对低情绪唤醒状态和高情绪唤醒状态进行分类的性能。将所提出的方法与 SVM、EEGNet 和 LSTM 进行了比较。 TSception 实现了 86.03% 的高分类准确率，显著优于之前的方法（p <0.05）。索引词 — 深度学习、卷积神经网络、脑电图、情绪唤醒、虚拟现实