XiaoMi-AI文件搜索系统
World File Search System图注
使用多跳图注意力结合卷积神经网络进行大脑年龄预测
摘要：卷积神经网络（CNN）已被广泛用于根据脑磁共振（MR）图像预测生物大脑年龄。然而，CNN 主要关注空间局部特征及其聚合，而很少关注远处区域之间的连接信息。为了解决这个问题，我们提出了一种新颖的多跳图注意（MGA）模块，该模块与 CNN 结合时可同时利用图像特征的局部和全局连接。插入卷积层之间后，MGA 首先使用块嵌入和基于嵌入距离的评分将卷积得出的特征图转换为图结构数据。使用马尔可夫链过程对图节点之间的多跳连接进行建模。执行多跳图注意后，MGA 将图重新转换为更新的特征图并将其传输到下一个卷积层。我们将 MGA 模块与 sSE（空间挤压和激励）-ResNet18 相结合，形成最终预测模型（MGA-sSE-ResNet18），并执行各种超参数评估以确定最佳参数组合。使用 2788 张健康受试者的三维 T1 加权 MR 图像，我们通过与四个成熟的通用 CNN 和两个代表性脑年龄预测模型进行比较，验证了 MGA-sSE-ResNet18 的有效性。所提出的模型获得了最佳性能，平均绝对误差为 2.822 岁，皮尔逊相关系数 (PCC) 为 0.968，证明了 MGA 模块在提高脑年龄预测准确性方面的潜力。
使用卷积神经网络的多跳图注意模块（MGA）预测
样本），2）验证数据集（419个样本），3）测试数据集（418个样本）。我们首先检查了MGA的关键参数，即Hop尺寸M，斑块比γ，分支K的数量和多跳权重量β，其中结果显示在图2中。图2（a）表明，M <5的MGA测试MAS低于多头自我注意力（MSA）的MAE，这表明仅考虑重要的嵌入而不是全部计算自我注意事项系数时，这是有益的。最终网络是根据验证数据集的性能选择的。我们还将我们的模型与5种不同的CNN模型进行了比较（Peng etal。，2021）和tsan（Cheng等人，2021）是大脑年龄预测场中的状态模型。在图3（1）中，MGA-SSE-RESNET18在比较中获得了最低的MAE（2.822年）和最高的PCC（0.968）。还评估了其他预测模型，例如视觉变压器（VIT）或图形注意网络（GAT），但表现较差，大概是由于训练数据不足所致。还表明，实施MGA模块会减少模型偏差和方差（图3（2））。从结果中，我们表明，将MGA与常规CNN交织可以提高准确性，从而有效地对脑年龄预测有效。
使用深度学习预测辅助脑电图注释
机器学习技术（例如深度学习）已越来越多地用于辅助 EEG 注释，通过自动化伪影识别、睡眠分期和癫痫发作检测。由于缺乏自动化，注释过程容易产生偏差，即使对于经过训练的注释者也是如此。另一方面，完全自动化的过程不为用户提供检查模型输出和重新评估潜在错误预测的机会。作为应对这些挑战的第一步，我们开发了 Robin's Viewer (RV)，这是一个基于 Python 的 EEG 查看器，用于注释时间序列 EEG 数据。RV 与现有 EEG 查看器的主要区别在于，它可以可视化经过训练以识别 EEG 数据中的模式的深度学习模型的输出预测。RV 是在绘图库 Plotly、应用程序构建框架 Dash 和流行的 M/EEG 分析工具箱 MNE 的基础上开发的。它是一个开源、独立于平台的交互式 Web 应用程序，支持常见的 EEG 文件格式，便于与其他 EEG 工具箱轻松集成。RV 包括其他 EEG 查看器的常见功能，例如视图滑块、用于标记坏通道和瞬态伪影的工具以及可自定义的预处理。总而言之，RV 是一个 EEG 查看器，它结合了深度学习模型的预测能力以及科学家和临床医生的知识，以优化 EEG 注释。通过训练新的深度学习模型，RV 可以开发用于检测伪影以外的临床模式，例如睡眠阶段和 EEG 异常。
使用深度学习预测辅助脑电图注释
深度学习已成功应用于 EEG 数据，用于睡眠分期、癫痫发作检测和伪影识别。然而，自动注释的性能还不足以在临床环境中取代经过训练的注释者。因此，我们提出了一个决策支持系统来帮助人类注释者更快、更有效地工作。作为解决这些挑战的第一步，我们在 Python 中开发了 Robin's Viewer (RV)，它基于绘图库 Plotly 和流行的 M/EEG 分析工具箱 MNE。目标是创建一个独立于平台的交互式 Web 应用程序，它是开源的，支持许多常见的 EEG 文件格式，以便于与各种 EEG 工具箱轻松集成。RV 包括其他 EEG 查看器的许多常见功能，例如视图滑块、标记坏通道和瞬态伪影以及可自定义的预处理。 RV 与现有 EEG 查看器的主要区别在于，它能够可视化经过训练以识别 EEG 数据中的模式的深度学习模型的输出预测。其结果是为科学家和临床医生提供了一个决策支持系统，他们可以使用 RV 来注释伪影、睡眠阶段、异常和其他分类任务。25
基于 Transformer 架构的脑电图注意力估计时空分析
摘要 — 多年来，了解大脑机制一直是许多不同领域的重大研究课题。脑信号处理，尤其是脑电图 (EEG) 近年来引起了学术界和工业界的日益浓厚兴趣。其中一个主要例子是旨在连接大脑和计算机的脑机接口 (BCI) 数量的不断增加。在本文中，我们提出了一个新颖的框架，使我们能够从 EEG 信号中检索注意力状态，即对特定任务的关注程度。以前的方法通常通过电极考虑 EEG 中的空间关系，并在基于循环或卷积的架构中对其进行处理，而我们在此建议还利用基于变压器的网络来利用空间和时间信息，该网络已经在许多机器学习 (ML) 相关研究（例如机器翻译）中显示出其优势。除了这种新颖的架构之外，还对特征提取方法、频带和时间窗口长度进行了广泛的研究。所提出的网络已在两个公共数据集上进行了训练和验证，与最先进的模型相比取得了更高的结果。除了提出更好的结果外，该框架还可以用于实际应用，例如注意力缺陷多动障碍 (ADHD) 症状或驾驶评估期间的警惕性。
研究论文 通过 TGAM 实现脑电图注意力优化方法
21世纪以来，非侵入式脑机接口（BCI）发展迅速，脑机设备逐渐从实验室走向大众市场，其中TGAM（ThinkGear Asic Module）及其封装算法已被全球众多研究团队和教员采用，但由于开发成本有限，算法计算数据的效果并不理想。本文提出一种基于TGAM的注意力机制优化算法用于脑电数据反馈。考虑到TGAM封装算法数据输出波动较大，延时较大，准确率较低的问题。实验结果表明，该算法可以对脑电数据进行优化，使得在不改变模块本身封装算法的情况下，在相同甚至更低延时的情况下，明显提升注意力数据的表现，大大提高数据的稳定性和准确性，在实际应用中取得较好的效果。