XiaoMi-AI文件搜索系统
World File Search System协方差
原始调查| ABCD
在所有面板中，路径1显示了基线认知与随访认知之间的关联；路径2显示了基线肥胖和随访认知之间的关联；路径3显示了基线认知和随访肥胖之间的关联。路径4显示了基线肥胖和随访肥胖之间的关联。路径5显示了基线肥胖与基线认知之间的协方差；路径6显示了随访肥胖和随访认知之间的协方差。
基于黎曼对称正定流形的循环神经网络建模
摘要 — 使用卡尔曼滤波器 (KF) 进行状态估计经常会遇到未知或经验确定的协方差矩阵，从而导致性能不佳。消除这些不确定性的解决方案正在向基于 KF 与深度学习方法混合的估计技术开放。事实上，从神经网络推断协方差矩阵会导致强制对称正定输出。在本文中，我们探索了一种新的循环神经网络 (RNN) 模型，该模型基于黎曼对称正定 (SPD) 流形的几何特性。为此，我们基于黎曼指数图定义了一个神经元函数，该函数取决于流形切线空间上的未知权重。这样，就推导出了一个黎曼成本函数，从而能够使用传统的高斯-牛顿算法将权重作为欧几里得参数进行学习。它涉及计算闭式雅可比矩阵。通过对模拟协方差数据集进行优化，我们展示了这种新方法对于 RNN 的可能性。
脑机接口的克罗内克线性判别分析...
[1] Fetsje Bijma、Jan C. de Munck 和 Rob M. Heethaar。“时空 MEG 协方差矩阵建模为 Kronecker 积之和”。在：NeuroImage 27.2（2005 年 8 月），第 402-415 页。[2] Kristjan Greenewald 和 Alfred O. Hero。“通过 Kronecker 积展开进行正则化块 Toeplitz 协方差矩阵估计”。在：2014 年 IEEE 统计信号处理 (SSP) 研讨会。ISSN：2373-0803。2014 年 6 月，第 9-12 页。[3] Jan Sosulski 和 Michael Tangermann。“引入块 Toeplitz 协方差矩阵以重新掌握事件相关电位脑机接口的线性判别分析”。收录于：arXiv:2202.02001 [cs, q‑bio] (2022 年 2 月)。arXiv：2202.02001。[4] Arne Van Den Kerchove 等人。“使用正则化时空 LCMV 波束形成对事件相关电位进行分类”。en。收录于：Applied Sciences 12.6 (2022 年 1 月)，第 2918 页。
表征生活方式因素与结构大脑测量之间的协方差模式_两个独立衰老队列的多变量复制研究
丹麦磁共振研究中心，功能和诊断成像与研究中心，哥本哈根大学医院 - 仪表板 - 室友和HVIDOVRE，丹麦B伦敦B伦敦伦敦数学数学学院，英国伦敦，C哥本哈根大学，哥本哈根大学，哥本哈根大学，哥本哈根大学，丹麦哥本哈根，丹麦医院，医院，哥伦比亚大学。哥本哈根，丹麦E临床医学研究所，哥本哈根大学医学和健康科学学院丹麦H丹麦H哥本哈根，沃恩福德医院，牛津大学，牛津大学，牛津大学，英国I辐射科学系，UMEå功能性脑成像中心（UFBI），Umeå大学，Umeå大学，瑞典
使用选择（desk）
摘要。马尔可夫链蒙特卡洛法被广泛用于多孔介质随机问题。但是，问题的大量随机维度导致该方法的接受率较低。基于差分进化的马尔可夫链蒙特卡洛方法是此问题的良好替代方法。此外，为了减少问题的随机维度，Karhunen-lo` eve膨胀（KLE）通常用于生成验收能力场。此策略非常有效，但允许在模拟过程中仅生成一个协方差函数的字段。从这个意义上讲，各种自动编码器（VAE）通过生成几种类型的字段而得出，从而导致更现实的模拟。然后，KLE发出了不同字段（不同的协方差函数）的数据集（不同的协方差函数）来训练VAE神经网络。这项工作应用了差分进化马尔可夫链蒙特卡洛方法，其中选择步骤（桌）用于解决涉及异质介质中单相流体流量的贝叶斯推理问题。结果表明，桌面的性能要比原始DE方案更好。此外，VAE结果与KLE的结果非常相似，表明即使使用更通用的场发生器，该方法也是一致的。
通过基于核的 SPD 流形域自适应进行运动想象分类
摘要：背景：记录脑机接口的校准数据是一个费力的过程，对受试者来说是一种不愉快的体验。域自适应是一种有效的技术，它利用来自源的丰富标记数据来弥补目标数据短缺的问题。然而，大多数先前的方法都需要首先提取脑电信号的特征，这会引发 BCI 分类的另一个挑战，因为样本集较少或目标标签较少。方法：在本文中，我们提出了一种新颖的域自适应框架，称为基于核的黎曼流形域自适应 (KMDA)。KMDA 通过分析脑电图 (EEG) 信号的协方差矩阵来绕过繁琐的特征提取过程。协方差矩阵定义了一个对称正定空间 (SPD)，可以用黎曼度量来描述。在 KMDA 中，协方差矩阵在黎曼流形中对齐，然后通过对数欧几里德度量高斯核映射到高维空间，其中子空间学习通过最小化源和目标之间的条件分布距离同时保留目标判别信息来执行。我们还提出了一种将 EEG 试验转换为 2D 帧（E 帧）的方法，以进一步降低协方差描述符的维数。结果：在三个 EEG 数据集上的实验表明，KMDA 在分类准确度方面优于几种最先进的领域自适应方法，BCI 竞赛 IV 数据集 IIa 的平均 Kappa 为 0.56，BCI 竞赛 IV 数据集 IIIa 的平均准确度为 81.56％。此外，使用 E 帧后整体准确度进一步提高了 5.28％。 KMDA 在解决主体依赖性和缩短基于运动想象的脑机接口校准时间方面显示出潜力。
在自闭症谱系障碍中的大脑结构协方差网络的拓扑变化跨越了来自Enigma财团的43个数据集的拓扑不对称
Zhiqiang Sha 1✉2，Evdocia anagnosou 3，Celso Bolte 4，Guillaume Auzias 5，Marlene Behramann 12,13，Calvo 14，Calvo 14，Eileen Daly 15，Eileen Daly 15，Deneuth 5，Deneuth 5，Deneuth 5，Meiyu duan Duan Duan Duan Duan Duan Duan Duan Duan Duan Duan Duan Duan duan fitz in 31，Sarah Duris fitea forrise florothe l. jac selle l. Maria Jalbrzikowski 22，Joost Janssen 4，Joseph A.国王20 King 20，Luna 22，Sarah E. Medland 32，Filippo Muratori 12.13，Bob Orange 17，Parellada 4，Joseph C J. Taylor 40，Gregory L. Wallace 41，Jan K.King 20，Luna 22，Sarah E. Medland 32，Filippo Muratori 12.13，Bob Orange 17，Parellada 4，Joseph C J. Taylor 40，Gregory L. Wallace 41，Jan K.
康奈尔笔记方法
讲座：生命生命层次结构的介绍：生物体：生命器官单位：特定的安排。diff组织组织的形成功能单位细胞的SIM细胞的GRP：Struc＆Func的基本单元 - 最低水平的Struc水平能够执行所有活性生命细胞器：细胞分子中分子的专用物体：2 +原子，由协方差键合并在一起，由协方差的键：Chem offory brocks Atom：Chem of Chem offor of Covalent brocks artim：1 niver of Life of Life of Life of Life of Life：1 div/div。 秩序：生命的所有其他特征都来自Orgnsm的复杂Orgnz'n 2。 繁殖：Orgnsms复制自己的种类 - 生命中的生命3。 增长与发展：可遗传的计划（DNA）直接的增长和发展模式，生成物种4。的特征。形成功能单位细胞的SIM细胞的GRP：Struc＆Func的基本单元 - 最低水平的Struc水平能够执行所有活性生命细胞器：细胞分子中分子的专用物体：2 +原子，由协方差键合并在一起，由协方差的键：Chem offory brocks Atom：Chem of Chem offor of Covalent brocks artim：1 niver of Life of Life of Life of Life of Life：1 div/div。秩序：生命的所有其他特征都来自Orgnsm的复杂Orgnz'n 2。繁殖：Orgnsms复制自己的种类 - 生命中的生命3。增长与发展：可遗传的计划（DNA）直接的增长和发展模式，生成物种4。能量利用：ORGNSM乘坐NRG并转换为5。对环境的响应：orgnsms rspnd to the Extern Enviro 6。稳态：监管机制维持ORGNSM的实习生Enviro，并具有可耐受性的限制，但Extern Enviro可能会波动。7。进化适应：由于Interac'n Orgnsm Enviro
小鼠模型中源自关节体积和纹理协方差模式的阿尔茨海默氏病风险的网络生物标志物
摘要。阿尔茨海默氏病（AD）缺乏有效的治疗方法，通常在发生实质性病理变化后发现干预措施具有挑战性。早期发现和对危险因素及其下游影响的理解至关重要。动物模型提供了研究这些前驱阶段的宝贵工具。我们使用表达三个主要人类APOE等位基因的小鼠来投资各种遗传风险，代替了小鼠APOE。我们利用这些小鼠模型利用高分辨率磁共振扩散成像，因为它提供了可以共同分析的多个参数的能力。我们研究了APOE基因型如何与年龄，性别，饮食和免疫力相关，以产生区域脑体积和分数各向异性的共同变化，这是对脑水扩散的敏感度量。我们的结果表明，基因型强烈影响尾状壳，PON，扣带回皮层和小脑，而性别影响双侧杏仁核和梨状皮层。免疫状态会影响许多区域，包括顶叶皮层，丘脑，听觉皮层，V1和双侧齿状小脑核。危险因素相互作用特别影响杏仁核，丘脑和PON。apoE2小鼠在常规饮食上表现出最少的时间变化，表明弹性，而ApoE3小鼠对高脂饮食（HFD）的影响最小。HFD扩增了多个大脑区域的衰老效应。包括饮食在内的AD危险因素的相互作用显示出灰灰色，PON，PONS，AMYGDALA，下丘，M1和腹侧轨道皮层的显着变化。未来的研究应研究这些协调的体积和纹理变化基础的机械性，可能通过检查基因表达和代谢中的网络相似性，以及它们与与神经退行性疾病进展有关的结构途径的关系。
![arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日](/simg/8\8f356a446106fa426e26fa37e843b7b04dfdbeb3.webp)
arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日
在处理脑电图或脑磁图记录时，许多监督预测任务是通过使用协方差矩阵来汇总信号来解决的。使用这些矩阵进行学习需要使用黎曼几何来解释它们的结构。在本文中，我们提出了一种处理协方差矩阵分布的新方法，并证明了其在 M/EEG 多元时间序列上的计算效率。更具体地说，我们定义了对称正定矩阵测度之间的 Sliced-Wasserstein 距离，该距离具有强大的理论保证。然后，我们利用它的属性和核方法将此距离应用于从 MEG 数据进行大脑年龄预测，并将其与基于黎曼几何的最新算法进行比较。最后，我们表明它是脑机接口应用领域自适应中 Wasserstein 距离的有效替代品。