XiaoMi-AI文件搜索系统
World File Search System御影
Bi浓度对Sn-Bi合金变形行为的影响
研究了Sn-Bi-Cu、Sn-Bi-Ni、Sn-Bi-Zn、Sn-Bi-Sb合金的超塑性变形行为。本研究旨在测定Sn-Bi二元合金的应变速率敏感性指数m。在不同横梁速度下进行25、40、60和80 ℃拉伸试验，测定指数m。结果表明，指数m随Bi浓度和试验温度的增加而增大。在60和80 ℃时，Sn-Bi合金的指数m均超过了3.0，这是超塑性变形行为的阈值。研究发现，Sn-Bi共晶组织对亚共晶Sn-Bi合金的超塑性变形有显著的影响。
控制系统安全的现状与展望
[ 出典 ] 反向模式：欧洲卫星通信终端遭受攻击：合理分析 https://www.reversemode.com/2022/03/satcom-terminals-under-attack-in-europe.html 反向模式：VIASAT 事件：从猜测到技术细节 https://www.reversemode.com/2022/03/viasat-incident-from-speculation-to.html
使用人工智能的“MANKAI STAGE 'A3!'”角色...
所有人（所有行） 9.9% 34.7% 55.4% 喜欢 75.4% 月冈紬 25.0% 16.7% 58.3% 喜欢 84.1% 高门城 7.1% 35.7% 57.1% 生气 75.6% 御影三里 有栖川誉 7.7% 15.4% 76.9% 喜欢 77.5% 向坂亮 兵藤十座 11.1% 38.9% 50.0% 喜欢 80.9% 斑鸠三隅 月冈紬＆高门城 0.1% 33.1% 66.6% 伤心 74.1% 迫田健 古市左京 18.5% 18.5% 63.0% 喜欢79.4% 上木坂玲乃 高藤条 0.1% 30.0% 69.9% 愤怒 86.7% 明日香晴人 高藤条 0.1% 50.0% 50.0% 愤怒 74.2%
使用模拟的肌电伪影
最近的研究表明，能够记录患有半晶状体切除术的脑外伤（TBI）患者的脑电图（EEG）中高γ信号（80-160 Hz）。然而，由于与面部和头部运动相关的表面肌电图（EMG）伪影的混淆带宽重叠，因此提取与运动相关的高γ仍然具有挑战性。在我们以前的工作中，我们描述了一种增强的独立组件分析（ICA）方法，用于从EEG中删除EMG伪像，并通过添加EMG来源（ERASE）称为EMG降低。在这里，我们对六名Hemicraniectomies患者记录的EEG测试了该算法，同时他们执行了拇指流失任务。删除的平均值为52±12％（平均±S.E.M）（最大73％）EMG伪影。相比之下，常规ICA从EEG中删除了EMG伪像的平均值为27±19％（平均值±S.E.M）。尤其是，在擦除擦除后，在半晶切除术中的对侧手运动皮层区域中，高γ同步显着改善。更复杂的高γ复杂性是分形维度（FD）。在这里，我们在每个通道上计算了EEG高γ的FD。高γ的相对FD定义为移动状态下的FD在空闲状态下减去FD。我们发现，施加擦除后，高γ的相对FD与半骨切除术相对于半晶状分裂术，与纤维流量的振幅密切相关。的结果表明，与拇指流量相关的电极上的显着相关系数平均为〜0.76，而非流行性辐射切除术区域的同源电极的系数接近0。在常规ICA之后，在两个半开裂区域（最高0.86）和非流行颅切除术区域（最高0.81）中，高γ和力之间的相对FD之间的相关性均保持较高。在所有受试者中，使用擦除后，平均83％的电极与力显着相关。常规ICA后，只有19％的具有显着相关性的电极位于半晶切除术中。
基于节能树的脑电图伪影检测
摘要 — 在癫痫监测中，由于脑电图伪影在幅度和频率上具有形态相似性，因此经常被误认为是癫痫发作，这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中，我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集，并重点关注颞电极。首先，我们使用自动机器学习框架在频域中提取最佳特征模型，在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后，这些算法针对 PULP 平台进行并行化和优化，与最先进的低功耗伪影检测框架实现相比，能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合，可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路，该解决方案具有低假阳性率和高灵敏度，可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备，结合基于 EEG 的癫痫发作检测算法，以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
增强 AI 对图像编码伪影的适应性
摘要 — 在机器对机器 (M2M) 传输环境中，非常需要使用有损压缩来减少传输的信息量。然而，常用的图像压缩方法是为人类感知而设计的，而不是为人工智能 (AI) 算法的性能而设计的。众所周知，这些压缩失真会影响许多基于深度学习的架构在多个计算机视觉任务上的表现。在本文中，我们专注于分类任务，并提出了一种名为专家训练的新方法，以增强卷积神经网络 (CNN) 对压缩失真的弹性。我们在 ImageNet 数据集上使用 MnasNet 和 ResNet50 架构验证了我们的方法，以抵抗三种常用方法 (JPEG、J2K 和 BPG) 引入的图像压缩失真。结果表明，使用所提出的专家训练方法，这两种架构对测试的编码伪影具有更好的鲁棒性。我们的代码可在 https://github.com/albmarie/expert training 上公开获取。索引术语 — 人工智能 (AI)、图像编码、机器对机器 (M2M)