北京, 2023年8月30日 — WiMi全息云股份有限公司(NASDAQ: WIMI)(“WiMi”或“公司”),一家领先的全球全息增强现实(“AR”)技术提供商,今天宣布一种新的深度学习方法应用于BMI领域的数据增强,以解决当前BMI技术中的一些困难。
首先,BMI领域的主要困难之一是数据不足。由于人类EEG数据获取的困难以及数据量有限,很难训练出准确的分类器。而传统的数据增强方法也存在局限性。因此,WiMi提出了一种新的方法,它结合了深度学习和数据增强。该方法结合了经验模态分解和小波神经网络,可以使用少量EEG数据生成大量人工EEG数据,从而提高分类器的准确性和泛化能力。
WiMi开发的一种新的深度学习方法结合了数据增强和经验模态分解技术来分类运动意象信号。该方法对EEG帧应用经验模态分解,混合它们的固有模态函数以创建新的人工EEG帧,并将所有EEG数据转换为张量作为神经网络的输入。同时,提出了两种结合CNN和小波神经网络的神经网络来训练权重并分类两种运动意象信号。小波神经网络是一种新型的神经网络,它利用小波代替卷积层。
这种新颖的深度学习方法结合了CNN和小波神经网络。卷积神经网络是一种常见的神经网络结构,通常应用于图像识别等领域,具有良好的特征提取能力。小波神经网络是一种利用小波代替卷积层的新型神经网络,可以更好地提取时间-频率信息。两者的结合可以更好地解决BMI领域的数据分类问题。
这是通过对EEG帧进行经验模态分解,并混合它们的固有模态函数以创建新的人工EEG帧,然后将所有EEG数据转换为张量,作为复Morlet小波输入神经网络。使用CNN和小波神经网络来训练权重并分类两种运动意象信号。
经验模态分解:将每个EEG帧分解成若干个固有模态函数(IMF)和余弦项通过经验模态分解技术。然后,将各个IMF混合在一起形成一个新的人工EEG帧,用于训练神经网络。
数据增强:利用旋转、平移和缩放等数据增强方法生成一些新的EEG帧,用于训练神经网络。这扩展了数据集,提高了分类器的鲁棒性和准确性。
数据处理:所有EEG数据转换为张量作为神经网络的输入。在此基础上,使用复Morlet小波进行特征提取。
神经网络训练:一个结合CNN和小波神经网络的两神经网络模型,用于训练权重和分类两种运动意象信号。其中,小波神经网络是一种利用小波代替卷积层的新型神经网络。
此外,BMI领域的另一个困难是EEG信号的噪声干扰和个体变异性。该方法可以更好地利用EEG信号的时间-频率特征,并结合CNN和小波神经网络的优势,提高了分类器对噪声的鲁棒性,减少了个体变异性的影响,从而提高了分类器的准确性。
关于WIMI全息云
WIMI全息云股份有限公司(NASDAQ:WIMI)是一家专注于专业领域的全息AR汽车HUD软件、3D全息脉冲LiDAR、头戴式光场全息设备、全息半导体、全息云软件、全息汽车导航等全息云综合技术解决方案提供商。其服务和全息AR技术包括全息AR汽车应用、3D全息脉冲LiDAR技术、全息视觉半导体技术、全息软件开发、全息AR广告技术、全息AR娱乐技术、全息ARSDK支付、互动全息通信等全息AR技术。
安全港声明
本新闻稿包含1995年《私人证券诉讼改革法案》所定义的“前瞻性陈述”。这些前瞻性陈述可以通过术语“将”、“预期”、“预计”、“未来”、“打算”、“计划”、“相信”、“估计”等词识别。本新闻稿中的陈述及管理层引用中包含的业务前景及管理层对未来的战略和运营计划均属前瞻性陈述。公司还可能在提交给美国证券交易委员会(“SEC”)的表格20-F和6-K、年度报告、新闻稿和其他书面材料以及管理层对第三方的口头陈述中作出前瞻性陈述。前瞻性陈述存在固有的不确定性。若干因素可能导致实际结果与任何前瞻性陈述存在重大差异,这些因素包括但不限于:
公司的目标和战略; 公司未来的业务发展、财务状况和经营结果; AR全息行业预计增长; 以及公司对其产品和服务的市场需求和接受程度的预期。
有关这些以及其他风险的更多信息,请参见公司向SEC提交的表格20-F年报和当前报告表格6-K以及其他文件。本新闻稿中提供的所有信息均截至本新闻稿发布之日。除非适用法律要求,公司不承担任何义务,也不会更新任何前瞻性陈述。
