BEIJING, 30. August 2023 – WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” oder das “Unternehmen”), ein führender globaler Anbieter von Hologramm-Augmented-Reality-(“AR”)-Technologie, gab heute bekannt, dass eine neue Deep-Learning-Methode, die im Bereich BMI mit Datenverbesserung angewendet wird, entwickelt wurde, um einige Schwierigkeiten in der derzeitigen BMI-Technologie zu lösen.
Zunächst einmal ist eine der Hauptschwierigkeiten im Bereich BMI die unzureichende Datenmenge. Aufgrund der Schwierigkeiten bei der Erfassung menschlicher EEG-Daten und der begrenzten Datenmenge ist es schwierig, genaue Klassifikatoren zu trainieren. Auch die traditionellen Datenverbesserungsmethoden haben Grenzen. Daher schlug WiMi eine neue Methode vor, die Deep Learning und Datenaugmentation kombiniert. Die Methode kombiniert empirische Modalzerlegung und Wavelet-Neuronale-Netze, die eine große Menge künstlicher EEG-Daten mit einer geringen Menge EEG-Daten generieren können, wodurch die Genauigkeit und Generalisierungsfähigkeit des Klassifikators verbessert wird.
Eine von WiMi entwickelte neue Deep-Learning-Methode kombiniert Datenaugmentation und empirische Modalzerlegungstechniken zum Klassifizieren von motorischen Vorstellungsbildsignalen. Die Methode wendet die empirische Modalzerlegung auf EEG-Frames an, mischt ihre intrinsischen Modalfunktionen, um neue künstliche EEG-Frames zu erstellen, und wandelt alle EEG-Daten in Tensoren um, die als Eingaben für ein neuronales Netz dienen. Außerdem werden zwei neuronale Netze vorgeschlagen, die CNN und Wavelet-Neuronale-Netze kombinieren, um die Gewichte zu trainieren und die zwei Arten von Bewegungsbildsignalen zu klassifizieren. Wavelet Neural Network ist eine neue Art von neuronalem Netz, das Wavelets anstelle von Faltungslayern verwendet.
Diese neuartige Deep-Learning-Methode kombiniert CNN und Wavelet-Neuronale-Netze. Das Convolutional Neural Network ist eine gängige Struktur neuronaler Netze, die häufig in Bereichen wie Bilderkennung eingesetzt wird und gute Fähigkeiten zur Merkmalsextraktion aufweist. Wavelet Neural Network ist eine neue Art von neuronalem Netz, das Wavelets anstelle von Faltungslayern verwendet, was Zeit-Frequenz-Informationen besser extrahieren kann. Die Kombination der beiden kann das Datenklassifizierungsproblem im Bereich BMI besser lösen.
Dies wird implementiert, indem die empirische Modalzerlegung auf die EEG-Frames angewendet und ihre intrinsischen Modalfunktionen gemischt werden, um neue künstliche EEG-Frames zu erstellen, und dann alle EEG-Daten in einen Tensor umgewandelt werden, der als komplexe Morlet-Wavelet als Eingabe für das neuronale Netz dient. CNN und Wavelet-Neuronale-Netze werden verwendet, um die Gewichte zu trainieren und die zwei Arten von Bewegungsbildsignalen zu klassifizieren.
Empirische Modalzerlegung: Jedes EEG-Frame wird durch die empirische Modalzerlegungstechnik in eine Reihe intrinsischer Modalfunktionen (IMFs) und einen Cosinus-Term zerlegt. Dann werden die einzelnen IMFs zusammengemischt, um ein neues künstliches EEG-Frame zum Trainieren des neuronalen Netzes zu bilden.
Datenverbesserung: Datenverbesserungsmethoden wie Rotation, Translation und Skalierung werden verwendet, um einige neue EEG-Frames zum Trainieren des neuronalen Netzes zu generieren. Dies erweitert den Datensatz und verbessert die Robustheit und Genauigkeit des Klassifikators.
Datenverarbeitung: Alle EEG-Daten werden in einen Tensor umgewandelt, der als Eingabe für das neuronale Netz dient. Darauf aufbauend werden komplexe Morlet-Wavelets zur Merkmalsextraktion verwendet.
Neuronales Netztraining: Ein Zwei-Netzwerk-Modell, das CNN und Wavelet-Neuronale-Netze kombiniert, um Gewichte zu trainieren und zwei Arten von Bewegungsbildsignalen zu klassifizieren. Dabei ist das Wavelet Neural Network eine neue Art von neuronalem Netz, das Wavelets anstelle von Faltungslayern verwendet.
Darüber hinaus ist eine weitere Schwierigkeit im Bereich BMI die Rauschstörung und individuelle Variabilität von EEG-Signalen. Diese Methode kann die Zeit-Frequenz-Eigenschaften von EEG-Signalen besser nutzen und die Vorteile von CNN und Wavelet Neural Network kombinieren, was die Robustheit des Klassifikators gegenüber Rauschen verbessert und den Einfluss individueller Variabilität reduziert, wodurch die Genauigkeit des Klassifikators verbessert wird.
Über WIMI Hologram Cloud
WIMI Hologram Cloud, Inc. (NASDAQ: WIMI) ist ein Anbieter von Komplettlösungen für holographische Cloud-Technik, der sich auf professionelle Bereiche konzentriert, darunter holographische AR-Automobil-HUD-Software, 3D-holographischer Puls-LiDAR, Kopfmontierte Light-Field-holographische Geräte, holographische Halbleiter, holographische Cloud-Software, holographische Auto-Navigation und andere. Seine Dienstleistungen und holographischen AR-Technologien umfassen holographische AR-Automobilanwendungen, 3D-holographische Puls-LiDAR-Technologie, holographische Vision Halbleitertechnologie, holographische Softwareentwicklung, holographische AR-Werbetechnologie, holographische AR-Unterhaltungstechnologie, holographisches ARSDK-Zahlung, interaktive holographische Kommunikation und andere holographische AR-Technologien.
Safe Harbor-Erklärungen
Diese Pressemitteilung enthält “zukunftsgerichtete Aussagen” im Sinne des Private Securities Litigation Reform Act von 1995. Diese zukunftsgerichteten Aussagen können an Begriffen wie “wird”, “erwartet”, “antizipiert”, “Zukunft”, “beabsichtigt”, “plant”, “glaubt”, “schätzt” und ähnlichen Aussagen erkannt werden. Aussagen, die keine historischen Fakten sind, einschließlich Aussagen über die Überzeugungen und Erwartungen des Unternehmens, sind zukunftsgerichtete Aussagen. Unter anderem enthalten die Geschäftsaussichten und Zitate des Managements in dieser Pressemitteilung sowie die strategischen und operativen Pläne des Unternehmens zukunftsgerichtete Aussagen. Das Unternehmen kann auch in seinen regelmäßigen Berichten an die US-Börsenaufsichtsbehörde (“SEC”) auf den Formularen 20-F und 6-K, in seinem Jahresbericht an die Aktionäre, in Pressemitteilungen und anderen schriftlichen Materialien sowie in mündlichen Erklärungen seiner leitenden Angestellten, Direktoren oder Mitarbeiter gegenüber Dritten schriftliche oder mündliche zukunftsgerichtete Aussagen machen. Zukunftsgerichtete Aussagen beinhalten inhärente Risiken und Ungewissheiten. Mehrere Faktoren könnten dazu führen, dass die tatsächlichen Ergebnisse wesentlich von den in einer zukunftsgerichteten Aussage enthaltenen abweichen, einschließlich, aber nicht beschränkt auf die folgenden: die Ziele und Strategien des Unternehmens; die zukünftige Geschäftsentwicklung, die Finanzlage und die Ergebnisse der Geschäftstätigkeit des Unternehmens; das erwartete Wachstum der AR-Holografie-Branche; und die Erwartungen des Unternehmens in Bezug auf die Nachfrage nach und die Marktaufnahme seiner Produkte und Dienstleistungen.
Weitere Informationen zu diesen und anderen Risiken finden Sie im Jahresbericht des Unternehmens auf Formular 20-F und im aktuellen Bericht auf Formular 6-K sowie in anderen bei der SEC eingereichten Dokumenten. Alle in dieser Pressemitteilung enthaltenen Informationen gelten zum Zeitpunkt der Veröffentlichung dieser Pressemitteilung. Das Unternehmen ist nicht verpflichtet, zukunftsgerichtete Aussagen aufgrund neuer Informationen, zukünftiger Ereignisse oder aus anderen Gründen zu aktualisieren, es sei denn, dies ist gesetzlich vorgeschrieben.