基于串口的基线PIC单片机内部振荡器的重新校准

基线PIC单片机多数都有内部振荡器。对于时间敏感型应用,如果丢失内部振荡器校准值,就必须对振荡器进行重新校准。本文以PIC10F202为例,研究了一种基于异步串行通信原理,利用接收端的时钟信号,对基线PIC单片机的内部振荡器进行重新校准的方法。该方法简单实用,不用设计复杂的外部电路,也不需要使用信号源、示波器或频率计。实际测试表明,校准精度满足出厂参数要求。此外,该方法还可在单片机的允许振荡频率范围内将振荡器频率标定为某一特定频率值。

基于可解释深度学习的单通道脑电跨被试疲劳驾驶检测

脑电信号被认为是检测驾驶员疲劳状态的最佳生理信号之一。然而,由于不同被试者和不同记录时段的脑电信号差异很大,设计一个无校准的脑电疲劳检测系统仍然具有挑战性。近年来,虽然开发了许多深度学习方法来解决这个问题并取得了重大进展,但是深度学习模型的黑盒效应使得模型决策不可信赖。为此,本文提出了一种可解释深度学习模型,用于从单通道脑电信号中检测跨被试疲劳状态。该模型具有紧凑的网络结构,首先设计浅层CNN提取EEG特征,然后引入自适应特征重新校准机制增强提取特征的质量,最后通过LSTM网络将时间特征序列与分类相关联。模型分类决策的可解释信息则是由LSTM输出隐藏状态的可视化技术实现的。在持续驾驶任务的公开脑电数据集上进行大量跨被试实验,该模型的分类平均准确率最高达到76.26%。相比于先进的紧凑型深度学习模型,该模型有效降低了参数量和计算量。可视化结果表明该模型已发现神经生理学上可靠的解释。