XiaoMi-AI文件搜索系统
World File Search System于图
使用梯度类激活图进行基于图像的学习，以增强运动想象技能的生理可解释性
摘要：脑电图 (EEG) 测量由运动想象范式 (MI) 刺激的大脑活动，该技术与广泛使用的脑机接口 (BCI) 技术结合使用具有多种优势。然而，记录数据的内部/外部差异显著，对个人技能对所取得的表现有重大影响。本研究探索区分 MI 任务的能力以及大脑产生诱发心理反应的能力的可解释性，从而提高准确性。我们开发了一个深度和宽度卷积神经网络，该神经网络由从多通道 EEG 数据中提取的一组拓扑图提供。此外，我们沿 MI 范式时间线以不同间隔执行基于梯度的类激活图 (即 Grad-Cam++) 的可视化技术，以解释神经反应随时间变化的受试者内部差异。我们还对提取的地图的动态空间表示在整个受试者集中进行聚类，以更深入地了解 MI-BCI 协调技能。根据对运动诱发电位 GigaScience 数据库进行评估的结果，所开发的方法增强了运动意象的生理解释，例如节律之间的神经同步、大脑侧化以及预测 MI 发作反应及其在训练期间的演变的能力。
用于图像数据分类的硬件高效量子神经网络评估
摘要：量子计算有望在未来从根本上改变计算机系统。最近，量子计算的一个新研究课题是机器学习的混合量子-经典方法，其中参数化的量子电路（也称为量子神经网络 (QNN)）由经典计算机优化。这种混合方法可以兼具量子计算和经典机器学习方法的优点。在这个早期阶段，了解量子神经网络对不同机器学习任务的新特性至关重要。在本文中，我们将研究用于对图像进行分类的量子神经网络，这些图像是高维空间数据。与以前对低维或标量数据的评估相比，我们将研究实际编码类型、电路深度、偏置项和读出对流行 MNIST 图像数据集的分类性能的影响。通过实验结果获得了关于不同 QNN 学习行为的各种有趣发现。据我们所知，这是第一项考虑图像数据的各种 QNN 方面的工作。
GrapHD：基于图的超维记忆，用于类似大脑的认知学习
记忆是一项基本功能，它使当今的机器学习算法能够为每个预测提供高质量的学习和推理。记忆为算法提供了先验知识，以保持上下文并确定其决策的信心。不幸的是，现有的深度学习算法对记忆的概念很弱且不透明。大脑启发的超维计算 (HDC) 被引入作为人类记忆的模型。因此，它通过使用计算上可处理且在描述人类认知方面数学严谨的向量来模仿大脑记忆的几个重要功能。在本文中，我们介绍了一个大脑启发系统，该系统表示关系图上的 HDC 记忆能力。我们提出了 GrapHD，即表示高维空间中基于图的信息的超维记忆。GrapHD 定义了一种表示复杂图结构的编码方法，同时支持加权和非加权图。我们的编码器将所有节点和边的信息分散到完整的整体表示中，以便没有一个组件比另一个组件更负责存储任何信息。然后，GrapHD 在编码记忆图上定义了几个重要的认知功能。这些操作包括记忆重建、信息检索、图匹配和最短路径。我们的广泛评估表明，GrapHD：(1) 通过为学习算法提供短期/长期记忆的概念，显著提高了学习能力；(2) 支持基于记忆图的认知计算和推理；(3) 支持全息类脑计算，对噪声和故障具有很强的鲁棒性。
基于图的特征提取算法朝向脑部计算机界面的强大数据融合框架
摘要 - 目的：在大多数现有的大脑计算机界面（BCI）系统中，通常会忽略脑电图频谱动力学中隐藏的拓扑信息。此外，脑电图与其他信息性的大脑信号（例如功能性近红外光谱（FNIRS））的系统多模式融合尚未得到充分研究，以增强BCI系统的性能。在这项研究中，我们利用一系列基于图形的EEG特征来研究其在运动假想（MI）分类任务上的性能。方法：我们首先根据复杂的Morlet小波时间频率图提取用户多通道EEG信号的幅度和相位序列，然后将它们转换为无向图以提取EEG EEG拓扑特征。然后通过阈值方法选择基于图的特征，并与FNIRS信号的时间特征融合在一起，每个特征是由最小绝对收缩和选择算子（Lasso）算法选择的。然后，通过线性支持向量机（SVM）分类将融合功能分类为MI任务与基线。结果：与在频带过滤的时间eeg信号上构建的图相比，EEG信号的时频图提高了MI分类精度约5％。我们提出的基于图的方法还显示出与基于功率谱密度（PSD）的经典脑电图特征相当的性能，但是标准偏差较小，显示出在实用BCI系统中潜在使用的稳健性。关键字 - 大脑计算机界面（BCI），EEG-FNIRS数据融合，特征选择，图理论。我们的融合分析显示，与最高的FNIRS相对于单个模态效果相关时，与最高的FNIR相比，仅EEG的最高平均准确性仅为17％，而仅EEG的最高平均精度仅为最高的平均准确性，而最高的FNIRS的平均准确性仅为3％。显着性：我们的发现表明，通过使运动假想推理更加准确，更强大，利用混合BCI系统中基于图的特征的提议数据融合框架的潜在用途。
基于图形的运动想象脑机接口脑电图频谱动态递归量化分析
摘要 — 尽管不断进行研究，但基于脑机接口 (BCI) 的通信方法尚不是一种有效可靠的手段，严重残疾的患者可以依赖这种手段。迄今为止，大多数基于运动想象 (MI) 的 BCI 系统使用传统的频谱分析方法来提取判别特征并对相关的基于脑电图 (EEG) 的感觉运动节律 (SMR) 动态进行分类，这导致性能相对较低。在本研究中，我们调查了使用递归量化分析 (RQA) 和基于复杂网络理论图的特征提取方法作为提高 MI-BCI 性能的新方法的可行性。这些特征植根于混沌理论，探索了 MI 神经反应背后的非线性动力学，作为对 MI 进行分类的新信息维度。方法：将六名健康参与者执行 MI-Rest 任务时记录的 EEG 时间序列投射到多维相空间轨迹中，以构建相应的递归图 (RP)。从 RP 中提取了八个基于非线性图的 RQA 特征，然后通过 5 倍嵌套交叉验证程序与经典光谱特征进行比较，以使用线性支持向量机 (SVM) 分类器进行参数优化。结果：与经典特征相比，基于非线性图的 RQA 特征能够将 MI-BCI 的平均性能提高 5.8%。意义：这些发现表明，RQA 和复杂网络分析可以为 EEG 信号的非线性特征提供新的信息维度，从而提高 MI-BCI 性能。
DIPS（肌张力障碍基于图像的刺激编程
摘要简介：深部脑刺激内部苍白球是治疗肌张力障碍的有效方法。然而，临床结果差异很大，即使是经过严格挑选的原发性肌张力障碍患者，也有高达 25% 的患者对治疗无反应。我们最近在一大批患者中证明，苍白球 DBS 治疗肌张力障碍的临床结果差异很大，很大程度上取决于苍白球区域内的确切位置和刺激量。在这里，我们基于这些见解测试了一种新颖的编程方法：我们首先通过汇总多中心收集的 80 多名患者的各个电极位置和激活组织体积来定义抗肌张力障碍效应的概率图。随后，我们修改了算法，使其能够根据预期的临床结果在计算机上测试从头患者的所有可能的刺激设置，从而可能预测出适合个别患者的最佳刺激参数。方法：在 BMBF 资助的研究框架内，将在随机对照交叉研究中测试基于计算机预测肌张力障碍患者最佳刺激参数的概念。临床疗效和主要终点的主要参数基于 4 周连续刺激后医生对两种干预措施（最佳临床设置和模型预测设置）的临床肌张力障碍评定量表所反映的肌张力障碍严重程度的盲法评分。主要终点定义为“使用模型预测设置成功治疗”（是或否）。如果使用模型预测设置时的运动症状等于或优于临床设置（容忍百分比绝对差异的 5%），则值为“是”。次要终点将包括生活质量指标、神经刺激系统的计算能耗和医生的编程时间。观点：我们设想，计算机引导的深部脑刺激编程可能会为肌张力障碍患者提供最佳刺激设置，而无需数月的编程负担。研究方案旨在评估哪种编程方法更有效地控制运动症状的严重程度并改善肌张力障碍患者的生活质量（最佳临床环境和模型预测环境）。试验注册于 2021 年 10 月 27 日在 ClinicalTrials.gov 上注册（NCT05097001）。关键词：深部脑刺激、肌张力障碍、影像引导的 DBS 编程
使用基于图像表征的深度强化学习在 Gran Turismo Sport 中实现专家级人类驾驶
当人类玩虚拟赛车游戏时，他们会使用游戏屏幕上的视觉环境信息来理解环境中的规则。相比之下，表现优于人类玩家的最先进的逼真赛车游戏 AI 代理不使用基于图像的环境信息，而是使用环境提供的紧凑而精确的测量值。本文提出了一种基于视觉的控制算法，并使用 Gran Turismo Sport (GTS)（一种高保真逼真赛车模拟器）将其与人类玩家在逼真赛车场景中相同条件下的表现进行了比较。在所提出的方法中，构成传统最先进方法中观察结果一部分的环境信息被从游戏屏幕图像中提取的特征表示所取代。我们证明，即使使用游戏屏幕图像作为高维输入，所提出的方法也能在高速驾驶场景下执行专家级的人类车辆控制。此外，它在计时赛任务中的表现优于 GTS 中的内置 AI，其得分使其在约 28,000 名人类玩家中排名前 10%。
基于图的量子系统通用调度
量子系统的高保真度操作需要精确调整控制参数。量子系统的校准通常通过运行一系列复杂的相关实验来实现，而完整的系统校准可能需要数十次校准实验才能完成。最佳控制参数会随着时间的推移而漂移，实验量子系统的组件容易出现故障。因此，量子系统的持续运行需要自动化的后台进程，例如频繁的重新校准和监控。在本文中，我们介绍了一个调度工具包，该工具包使用可配置的遍历算法基于有向无环图来调度实验。我们的调度程序可以从任何进程触发，从而实现调度程序和量子控制系统之间的通用反馈。为了展示我们系统的功能，我们基于我们的调度工具包实现了一个复杂的系统校准算法。
基于图像处理方法的电动成像脑图像信号的分类
摘要：近年来，越来越多的框架已应用于脑部计算机间技术技术，基于脑电图的机车成像（MI-EEG）正在迅速发展。但是，提高MI-EEG分类的准确性仍然是一个挑战。提出了一个深入的学习框架，即提议解决非平稳性质，激发发生的时间定位以及本文中MI-EEG信号的频段分布特征来解决非平稳性质。首先，根据C3和C4通道之间的逻辑对称关系，MI-EEG信号的时频图像扣除（IS）的结果用作分类器的输入。它既降低了冗余，又增加了输入数据的特征差异。第二，注意模块被添加到分类器中。作为基本分类器构建了卷积神经网络，并通过引入卷积块注意模块（CBAM）来自适应提取有关MI-EEG信号出现的时间位置和频率分布的信息。这种方法减少了无关的噪声干扰，同时增加了模式的鲁棒性。在BCI竞争IV数据集2B上评估了框架的性能，该数据集2B，平均准确性达到79.6％，平均KAPPA值达到0.592。实验结果验证了框架的可行性，并显示了MI-EEG信号分类的性能提高。
具有基于图的聚类
异质多尺度方法（HMM）能够同时使用Exascale超级计算机的出现，能够同时使用多个尺度模拟多个尺度。但是，幼稚的实现显示大量裁员，并且非常昂贵。宏观模型通常需要计算大量非常相似的显微镜模拟。在层次方法中，这几乎不是一个问题，因为现象学组成模型很便宜。但是，当微观模拟需要例如高维分子动力学（MD）或有限元（Fe）模拟时，必须避免冗余。我们提出了一种适用于HMM工作流的聚类算法，该算法会自动分类并消除冗余显微镜模拟。该算法具有条纹的组合，以呈现微观模拟的参数配置和基于其相似性的图网络表示的低维表示。该算法可以将相似的参数配置聚类为单个参数，以减少所需的显微镜模拟数量。我们描述了算法在HMM应用耦合Fe和MD的背景下的实现，以预测聚合物 - 透明烯纳米复合材料的化学机械行为。该算法提供了计算效果的三倍降低，准确性损失有限。