XiaoMi-AI文件搜索系统
World File Search System信号数据
使用可调参数的纳米孔测序信号数据
是一种在基因组学领域中广泛使用的技术。但是，目前缺乏从纳米孔测序设备创建模拟数据的有效工具，这些工具以时间序列的当前信号数据的形式测量DNA或RNA分子。在这里，我们介绍了Squigulator，这是一个快速而简单的工具，用于模拟逼真的纳米孔信号数据。s弹器采用参考基因组，转录组或读取序列，并生成相应的原始纳米孔信号数据。这与牛津纳米孔技术（ONT）和其他第三方工具的基本软件兼容，从而为纳米孔分析工作流的每个阶段提供了有用的基板，用于开发，测试，调试，验证和优化。用户可以使用模拟特定ONT协议或无噪声“理想”数据的预设参数生成数据，或者他们可以确定性地修改一系列实验变量和/或噪声参数以满足其需求。我们提供了一个简短的用途示例，创建了模拟数据，以模拟不同参数影响ONT基本和下游变体检测准确性的程度。此分析揭示了对ONT数据和基本算法的性质的新见解。我们为纳米孔社区提供了旋转器作为开源工具。
基于纹理特征的脑信号数据神经系统异常智能检测方法
神经系统疾病的诊断是现代医学面临的最大挑战之一，也是当前的一个主要问题。脑电图 (EEG) 记录通常用于识别各种神经系统疾病。EEG 会产生大量的多通道时间序列数据，神经科医生可以通过视觉分析这些数据来识别和了解大脑内的异常及其传播方式。这是一个耗时、容易出错、主观且令人精疲力尽的过程。此外，EEG 分类的最新进展主要集中在使用 EEG 数据将特定疾病的患者与健康受试者进行分类，这种方法成本效益不高，因为它需要多个系统来检查受试者的 EEG 数据以查找不同的神经系统疾病。这迫使研究人员推进他们的工作，并创建一个统一的分类框架，用于从 EEG 信号数据中识别各种神经系统疾病。因此，本研究旨在通过开发一种基于机器学习 (ML) 的数据挖掘技术来满足这一要求，以从 EEG 数据中对多种异常进行分类。纹理特征提取器和基于 ML 的分类器用于时频谱图图像以开发分类系统。首先，使用滤波技术从信号中去除噪声和伪影，然后进行归一化以降低计算复杂度。之后，将归一化信号分割成小的时间段，并使用短时傅里叶变换从这些时间段生成频谱图图像。然后使用两个基于直方图的纹理特征提取器分别计算特征，并使用主成分分析从提取的特征中选择显著特征。最后，使用四种不同的基于 ML 的分类器将选定的特征归类为不同的疾病类别。在四个实时 EEG 数据集上测试了所开发的方法。所得结果显示出对各种异常类型进行分类的潜力，表明可以利用它从脑信号数据中识别各种神经系统异常。
基于纹理特征的脑信号数据神经系统异常智能检测方法
神经系统疾病的诊断是现代医学面临的最大挑战之一，也是当前的一个主要问题。脑电图 (EEG) 记录通常用于识别各种神经系统疾病。EEG 会产生大量的多通道时间序列数据，神经科医生可以通过视觉分析这些数据来识别和了解大脑内的异常及其传播方式。这是一个耗时、容易出错、主观且令人精疲力尽的过程。此外，EEG 分类的最新进展主要集中在使用 EEG 数据将特定疾病的患者与健康受试者进行分类，这种方法成本效益不高，因为它需要多个系统来检查受试者的 EEG 数据以查找不同的神经系统疾病。这迫使研究人员推进他们的工作，并创建一个统一的分类框架，用于从 EEG 信号数据中识别各种神经系统疾病。因此，本研究旨在通过开发一种基于机器学习 (ML) 的数据挖掘技术来满足这一要求，以从 EEG 数据中对多种异常进行分类。纹理特征提取器和基于 ML 的分类器用于时频谱图图像以开发分类系统。首先，使用滤波技术从信号中去除噪声和伪影，然后进行归一化以降低计算复杂度。之后，将归一化信号分割成小的时间段，并使用短时傅里叶变换从这些时间段生成频谱图图像。然后使用两个基于直方图的纹理特征提取器分别计算特征，并使用主成分分析从提取的特征中选择显著特征。最后，使用四种不同的基于 ML 的分类器将选定的特征归类为不同的疾病类别。在四个实时 EEG 数据集上测试了所开发的方法。所得结果显示出对各种异常类型进行分类的潜力，表明可以利用它从脑信号数据中识别各种神经系统异常。
TTS-CGAN：用于生物信号数据增强的 Transformer 时间序列条件 GAN
摘要 — 以时间序列形式出现的信号测量是医学机器学习应用中最常见的数据类型之一。此类数据集通常规模较小，收集和注释成本高昂，并且可能涉及隐私问题，这阻碍了我们为生物医学应用训练大型、最先进的深度学习模型的能力。对于时间序列数据，我们可以用来扩展数据集大小的数据增强策略套件受到需要维护信号基本属性的限制。生成对抗网络 (GAN) 可以用作另一种数据增强工具。在本文中，我们提出了 TTS-CGAN，这是一种基于 Transformer 的条件 GAN 模型，可以在现有的多类数据集上进行训练并生成任意长度的特定于类的合成时间序列序列。我们详细阐述了模型架构和设计策略。我们的模型生成的合成序列与真实序列没有区别，可以用来补充或替换相同类型的真实信号，从而实现数据增强的目标。为了评估生成数据的质量，我们修改了小波相干性度量，以便能够比较两组信号之间的相似性，并进行了一个案例研究，其中使用合成数据和真实数据的混合来训练用于序列分类的深度学习模型。结合其他可视化技术和定性评估方法，我们证明 TTS-CGAN 生成的合成数据与真实数据相似，并且我们的模型比其他为时间序列数据生成构建的最先进的 GAN 模型表现更好。TTS-CGAN 源代码：github.com/imics-lab/tts-cgan
一种减少纳米孔测序数据大小的新压缩策略
纳米孔测序是基因组学中越来越重要的工具。尽管该领域进展迅速，但大数据量和计算瓶颈仍然是主要挑战。在这里，我们介绍了一种新的数据压缩策略 ex-zd，它有助于解决纳米孔实验期间产生的大量原始信号数据。Ex-zd 既包含无损压缩方法，其性能略优于所有当前的纳米孔信号数据压缩方法，也包含“有损”方法，可用于实现显着的额外节省。后者通过减少用于编码信号数据的位数来工作。我们表明，牛津纳米孔技术公司 (ONT) 的仪器生成的信号数据中的三个最低有效位主要编码噪声。它们的删除将文件大小减少了一半，而不会影响下游分析，包括碱基调用和 DNA 甲基化检测。Ex-zd 压缩可在单个 ONT 测序实验中节省数百 GB，从而提高纳米孔测序的可扩展性、可移植性和可访问性。
2024年1月26日
non-mde：还包括：AN/ARC-231 RT-1808A（或未来更换）VHF/UHF/LOS SATCOM收音机； 4月39C（V）1/4雷达警告接收器； AVR-2B激光检测集； APX-123A识别朋友或敌人（IFF）发件（或将来替换）；带有KY-100M的ARC-220高频（HF）无线电； VRC- 100个地面站； AN/PYQ-10简单钥匙加载器（SKL）; KIV-77常见的识别朋友或敌人（IFF）加密贴花计算机； KY-100M;通信安全性（COMSEC）加密设备AN/ARN-147（V）VHF OMNI方向范围（VOR）/仪器着陆系统（ILS）接收器无线电； AN/ARN-149（V）低频（LF）/自动方向查找器（ADF）无线电接收器； AN/ARN-153战术空中导航系统（TACAN）接收器 - 发射器； AN/APN-209雷达高度计； AN/ARC-210收音机； EBC-406HM紧急定位器发射器（ELT）;加密的飞机无线间交流系统（EAWIS）；改进的头部显示（ihud）；信号数据转换器的IHUD；信号数据转换器用于头顶显示器（HUD）；具有电光和红外线（EO/IR）功能的前瞻性红外（FLIR）； EO/IR机舱监控系统； EO/IR数字视频
各种机器学习的实现
轮替运动是传统神经系统检查的一个标准方面，涉及具有主动肌和拮抗肌关系的肌肉群之间的振荡。一个有代表性的例子是前臂的旋前和旋后。偏瘫明显证明了轮替运动的差异，临床量化是通过使用序数标度来实现的，这本质上是主观的。安装在手背周围的配备陀螺仪的适形可穿戴无线惯性传感器可以客观地量化前臂旋前和旋后的轮替运动。这项研究的目标是应用各种机器学习算法，根据前臂旋前和旋后的轮替运动来区分偏瘫患者受影响和未受影响的上肢对。评估了机器学习算法（例如多层感知器神经网络、J48 决策树、随机森林、K 最近邻、逻辑回归和朴素贝叶斯）的性能，同时考虑了分类准确性和开发机器学习模型的时间。机器学习特征集来自获取的陀螺仪信号数据。使用来自适形可穿戴无线惯性传感器的陀螺仪信号数据，逻辑回归和朴素贝叶斯机器学习算法在机器学习模型收敛时间和区分偏瘫上肢对的轮转运动（考虑到内旋和外旋）的分类准确性方面都实现了相当不错的性能。
Matilda：集成的机器学习和
拓扑数据分析（TDA）与机器学习（ML）算法相结合是研究神经系统疾病（例如癫痫）中复杂脑相互作用模式的强大方法。然而，使用ML算法和TDA来分析异常大脑相互作用需要在计算和纯数学方面进行大量领域知识。为了降低临床和计算神经科学研究人员的阈值，可以有效地使用ML算法与TDA一起研究神经系统疾病，我们引入了一个名为Matilda的综合Web平台。Matilda是使用户能够直观地使用TDA方法与ML模型的第一个工具来表征从常规临床实践中记录的脑电图（EEG）等神经生理信号数据（EEG）中得出的相互作用模式。Matilda具有对TDA方法的支持，例如持续的同源性，可以使用ML模型对信号数据进行分类，从而洞悉神经系统疾病中复杂的大脑相互作用模式。我们通过分析了从难治性癫痫患者的高分辨率内脑外脑外的实际使用，以表征癫痫发作传播的不同阶段与不同大脑区域的不同阶段。Matilda平台可在以下网址提供：https：//bmhinformatics.case.edu/nicworkflow/matilda
教学教室中的计算机视觉识别
人工智能将计算机视觉识别引入教学课堂，计算机视觉识别技术为智能教学教室奠定了坚实的基础。通过课堂摄像机视频流到课堂学生信息数据收集，语音，面部，生理信号数据识别分析分析处理处理，以提取和定义学生行为的特征，自动分类行为，然后记录和展示学生的行为，从而有效地帮助教师掌握学生的学习状态和情感，从而促进教学质量的重要性。同时讨论了在教学课堂和相应的解决方案中有效应用计算机视觉的挑战和问题。