机译:动态手写信号功能可预测领域专业知识
Monash University;
University of New South Wales;
DATA61 CSIRO;
Multimodal learning analytics; prediction of domain expertise; machine learning; empirical and statistical sciences; hybrid techniques; dynamic handwriting; pen signal features; total energy expenditure;
机译:使用经验模式分解,离散小波变换,时域和心率变异性信号的非线性动力学特性进行自动睡眠
机译:FIR签名验证系统可表征手写功能的动态
机译:一种使用HRV信号的时域和双频谱特征预测心脏猝死(SCD)的方法
机译:自我管理的关联内存,用于动态获取高级域中的专业知识
机译:TIme域信号模式分类的智能特征选择技术
机译:使用受限的分子动力学预测两组分信号系统中磷酸化受体结构域的构象
机译:EEG信号在EMD域S. S. Shafiul Alam,S中的非线性动力学使用非线性动力学。 M. Shafiul Alam,Aurangozeb和Syed Tarekshahriar摘要 - 基于EMD Chaos的方法,提出了对应于健康人的EEG信号,癫痫发作期间的癫痫患者和Seizureattacks。脑电图(EEG)首先被凭经上分解为内在模式功能(IMF)。这些IMF的非线性动力学在最大范围的指数(LLE)和相关尺寸(CD)方面是量化的。本域中的混沌分析应用于与健康人相对应的大型脑电图(Asepileptic患者)(两者都有癫痫发作)。因此,所获得的LLE和CD表展的价值可以从EMD领域的其他EEG信号中清晰地区分脑电图的表达展示。本拟议的方法可以帮助研究人员以预测癫痫发作的癫痫发作技术。索引术语 - 脑电图(EEG),仿真态分解(EMD),最大的Lyapunov指数(LLE),相关维度(CD),癫痫发作。作者与电气电子和电子工程公司,孟加拉国工程和技术大学,孟加拉国达卡 - 1000(电子邮件:imamul@eee.buet.ac.bd)pdf cite:s. m. shafiul Alam,s。 M. Shafiul Alam,Aurangozeb和Syed Tarek Shahriar,“EEG信号歧视在EMD领域的非线性动态,”计算机电气工程卷国际杂志。 4,不。 3,pp。326-330,2012,上一篇论文对情绪的看法,使用建设性的学习言论下一篇论文物理层障碍意识到OVPN连接选择机制版权所有©2008-2013。国际计算机科学与信息技术协会出版社(IACSIT Press)
机译:基于非线性动力学建模的心电信号鲁棒特征提取。