XiaoMi-AI文件搜索系统
World File Search System音频
AI Theta音频
©2022 Ubiquiti Inc. 保留所有权利。Ubiquiti、Ubiquiti U 徽标、UniFi Protect、UniFi 和 Theta 是 Ubiquiti Inc. 在美国和其他国家/地区的商标或注册商标。Android 是 Google LLC 的商标。Arm 和 Cortex 是 Arm Limited（或其子公司）在美国和/或其他地方的注册商标。所有其他商标均为其各自所有者的财产。
AD52058C 2x15W 立体声 D 类音频放大器，带有 ...
AD52058C 具有直流检测电路，可保护扬声器免受由于输入电容缺陷或印刷电路板输入短路而产生的直流电流的影响。检测电路检测第一级音量放大器输出，当两个差分输出电压高于确定电压或低于确定电压超过 340 毫秒时，将发生直流检测错误并报告给 FAULT 引脚。同时，右/左声道的扬声器驱动器将禁用并进入 Hi-Z。此故障无法通过循环 SD 来清除，必须循环 PVCC 电源。触发直流检测功能所需的最小差分输入电压如表 1 所示。输入电压必须保持高于表中列出的电压超过 340 毫秒才能触发直流检测故障。直流检测阈值的等效 D 类输出占空比列于表 2 中。
代顿音频LBB-3V2锂电池充电器
J12可以用作外部指示器，以显示板的电池电量状态，其目的与D17，D18，D19，D20，在J12上方相同。在第4页的引脚之后，可以连接四个LED和瞬时按钮，以便在按钮凹陷时由4个LED显示电池级别。代顿音频LBB-5CL是实现所有外部LED功能的简便方法。按下瞬时按钮将阐明与电池的大致状态相对应的LED数量。1 LED = 25％2 LED = 50％3 LED = 75％4 LED = 100％
代顿音频kab-be锂电池充电器
KAB-BE有三个端口，其中任何端口可用于使用上述方法在充电提示下描述的方法为电池充电。这些端口中的每个端口也可以用作董事会的电压来为您的项目供电。下面的两个图像显示了端口：J9和J11和J10。
Apple H2 BT 5.3 音频 SoC
• 提高音质：根据蓝牙技术联盟的说法，LE Audio 包含一种名为 LC3 的新型低功耗音频编解码器，与传统 SBC 编解码器相比，即使比特率降低 50%，也能提供更好的音质。• 延长电池寿命：借助低功耗 LC3 音频编解码器，未来的无线耳机将拥有更长的音频播放电池寿命。• 多流音频：LE Audio 可在 iPhone 或 Mac 等源设备与未来的无线耳机之间传输多个同步音频流。这将允许单独的左右耳机各自与支持 LE Audio 的设备建立蓝牙音频连接，以提高可靠性。• 一次将多对无线耳机连接到 iPhone
基于脑电音频信号处理的闭眼和睁眼情况下的深度学习模式识别技术
摘要：最近，使用脑电图 (EEG) 进行音频信号处理中的模式识别引起了广泛关注。眼部情况（睁眼或闭眼）的变化反映在 EEG 数据的不同模式中，这些数据是从一系列情况和动作中收集的。因此，从这些信号中提取其他信息的准确性在很大程度上取决于在采集 EEG 信号期间对眼部情况的预测。在本文中，我们使用深度学习矢量量化 (DLVQ) 和前馈人工神经网络 (F-FANN) 技术来识别眼部情况。由于 DLVQ 能够学习代码约束的码本，因此在分类问题上优于传统 VQ。在使用 k 均值 VQ 方法初始化后，DLVQ 在 EEG 音频信息检索任务上测试时表现出非常出色的性能，而 F-FANN 将眼部状态的 EEG 音频信号分类为睁眼或闭眼。与 F-FANN 相比，DLVQ 模型具有更高的分类准确度、更高的 F 分数、精确度和召回率，以及更出色的分类能力。
AD52095 2x50W 立体声/1x100W 单声道 D 类音频...
AD52095 是一款具有可调功率限制功能的高效立体声 D 类音频放大器。扬声器驱动器的工作电源电压为 4.5V~26V，模拟电路的工作电源电压为 5V。它可以在 21V 电源电压下向 4 扬声器提供 50W/CH 输出功率，THD+N 低于 10%。
许多（但并非所有）深度神经网络音频模型都能捕捉大脑反应并表现出层次区域对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学言语与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 预测大脑对刺激的反应的模型提供了对感觉系统的一种理解，并且在科学和工程领域有许多潜在的应用。因此，刺激可计算的感觉模型是神经科学的长期目标。深度神经网络已成为视觉系统的主要预测模型，但在听觉领域的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并表现出模型阶段和大脑区域之间的对应关系，但尚不清楚这些结果是否能推广到其他神经网络模型，以及如何进一步改进该领域的模型。我们评估了公开可用的音频神经网络模型以及在四个不同任务上训练的内部模型的大脑模型对应性。大多数测试模型的预测结果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应性：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。训练任务影响了特定皮层调节特性的预测质量，最佳整体预测来自在多个任务上训练的模型。结果表明任务优化对于解释大脑表征的重要性，并普遍支持深度神经网络作为听觉模型的前景。
一种基于深度学习的方法，使用音频分类诊断轻度创伤性脑损伤
轻度创伤性脑损伤 (mTBI 或脑震荡) 越来越受到关注，因为这种损伤在接触性运动中发病率较高，而且主观诊断方法 (纸笔) 也存在局限性。如果 mTBI 未被诊断出来，而运动员过早恢复比赛，则可能导致严重的短期和/或长期健康并发症。这表明提供更可靠的 mTBI 诊断工具以减少误诊的重要性。因此，需要开发可靠、高效的客观方法和计算稳健的诊断方法。在此初步研究中，我们建议从收集的参加橄榄球联盟的运动员的语音录音中提取梅尔频率倒谱系数 (MFCC) 特征，无论这些运动员是否被诊断患有 mTBI。这些特征是在我们新颖的粒子群优化 (PSO) 双向长短期记忆注意力 (Bi-LSTM-A) 深度学习模型上进行训练的。在训练过程中几乎没有发生过拟合，表明该方法对于当前测试数据集分类结果和未来测试数据具有很强的可靠性。区分 mTBI 患者的敏感性和特异性分别为 94.7% 和 86.2%，AUROC 得分为 0.904。这表明深度学习方法具有强大的潜力，未来分类结果的改进将依赖于更多的参与者数据和 Bi-LSTM-A 模型的进一步创新，以充分确立该方法作为实用的 mTBI 诊断工具的地位。
许多（但并非所有）深度神经网络音频模型都能捕捉大脑反应并表现出层次区域对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学语音与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 深度神经网络通常用作视觉系统的模型，但在听觉方面的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并显示出模型阶段与大脑区域之间的对应关系，但这些结果是否推广到其他神经网络模型尚不清楚。我们评估了公开可用的音频神经网络模型以及在四个不同任务上训练的内部模型的大脑模型对应关系。大多数测试模型的预测效果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应关系：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。训练任务影响了特定皮质调节特性的预测质量，最好的整体预测来自在多个任务上训练的模型。结果表明任务优化在限制大脑表征方面的重要性。