XiaoMi-AI文件搜索系统
World File Search System提取器
多标签ECG分类的多分辨率共同学习网络
摘要 - 记录心脏的电子生理活性的摘要 - 心理图（ECG）已成为诊断这些疾病的关键工具。近年来，深度学习技术的应用显着提高了ECG信号分类的实现。多分辨率特征分析在不同时间尺度上捕获和过程信息可以提取ECG信号的微妙变化和整体趋势，显示出独特的优势。但是，基于简单特征添加或串联的常见多分辨率分析方法可能导致忽视低分辨率特征，从而影响模型性能。为了解决这个问题，本文提出了多分辨率的共同学习网络（MRM-Net）。MRM-NET包括双分辨率注意结构和特征互补机制。双分辨率的体系结构过程并联高分辨率和低分辨率特征。通过注意机制，高分辨率和低分辨率分支可以集中于微妙的波形变化和整体节奏模式，从而增强了捕获ECG信号中关键特征的能力。同时，特征互补机制在特征提取器的每一层之后引入了相互特征学习。这允许在不同的分辨率方面的功能相互加强，从而减少信息丢失并提高模型性能和鲁棒性。在PTB-XL和CPSC2018数据集上进行的实验表明，MRM-NET在多标签ECG分类性能中的现有方法显着优于现有方法。我们的框架代码将在https://github.com/wxhdf/mrm上公开获取。索引术语 - ECG分类，多分辨率，注意机制，相互学习
gl-icnn：端到端解释的卷积...
摘要 - 基于卷积神经网络（CNN）的深度学习方法显示，基于成像数据，基于成像数据的痴呆症的早期和准确诊断的早期和准确诊断都很大。但是，这些方法尚未在临床实践中被广泛采用，这可能是由于深度学习模型的解释性有限。可解释的提升机（EBM）是玻璃框模型，但无法直接从输入成像数据中学习功能。在这项研究中，我们提出了一个可解释的新型模型，该模型结合了CNN和EBM，以诊断和预测AD。我们制定了一种创新的培训策略，该策略将CNN组件作为功能提取器和EBM组件作为输出块而交替训练CNN组件，以形成端到端模型。该模型将成像数据作为输入，并提供预测和可解释的特征重要性度量。我们验证了有关阿尔茨海默氏病神经影像学计划（ADNI）数据集的拟议模型，以及Health-Ri Parelsnoer神经疾病生成疾病生物库（PND）作为外部测试集。所提出的模型以AD和对照分类为0.956的面积为0.956，预测轻度认知障碍（MCI）在ADNI队列上进行AD的预测为0.694。所提出的模型是与其他最先进的黑盒模型相当的玻璃盒模型。我们的代码可在以下网址提供：https：//anonymon.4open.science/r/gl-icnn。索引术语 - Alzheimer氏病，MRI，深度学习，转换神经网络，可解释的提升机器，明显的人工智能
swin-fake：一致性学习变压器的深击视频检测器
摘要：DeepFake已成为一项新兴技术，近年来影响网络安全的非法应用。大多数DeepFake检测器都利用基于CNN的模型（例如Xception Network）来区分真实或假媒体；但是，它们在交叉数据集中的表现并不理想，因为它们在当前阶段遭受过度的苦难。因此，本文提出了一种空间一致性学习方法，以三个方面缓解此问题。首先，我们将数据增强方法的选择提高到5，这比我们以前的研究的数据增强方法还多。具体来说，我们捕获了一个视频的几个相等的视频帧，并随机选择了五个不同的数据增强，以获取不同的数据视图以丰富输入品种。其次，我们选择了Swin Transformer作为特征提取器，而不是基于CNN的主链，这意味着我们的方法并未将其用于下游任务，并且可以使用端到端的SWIN变压器对这些数据进行编码，旨在了解不同图像补丁之间的相关性。最后，这与我们的研究中的一致性学习结合在一起，一致性学习能够比监督分类确定更多的数据关系。我们通过计算其余弦距离并应用传统的跨膜损失来调节这种分类损失，从而探索了视频框架特征的一致性。广泛的数据库和跨数据库实验表明，弹药效果可能会在某些开源的深层数据集中产生相对良好的结果，包括FaceForensics ++，DFDC，Celeb-DF和FaceShifter。通过将我们的模型与多种基准模型进行比较，我们的方法在检测深冰媒体时表现出相对强大的鲁棒性。
Mk 45舰炮系统
1 炮盾 • 铝制外壳，用于对火炮部件进行防风雨、防弹和防生化防护。上部结构 [炮室] 在系统运行期间无人值守。 • 支撑检修门、系统通风、液压集管箱和与防护罩一体的减压缓冲器。 2 枪尾 • 固定炮管内的子弹以便射击，连接电动击针，并在射击时容纳爆炸压力。 3 炮口防护罩 • 提供动态外壳，覆盖和密封火炮的仰角弧，并为炮管和弹壳弹出门安装防风雨端口。 4 炮尾机构 • 液压活塞驱动的连杆，用于在射击或哑火事件后升高和降低枪尾和提取推进剂所需的部件。 5 炮管外壳 • 支撑炮管的后膛端。 • 安装后坐和反后坐缸，以及阀控气体喷射系统，以清除炮管中的残留气体。 6 炮架 • 为上部火炮提供底环和耳轴支撑。 • 安装传动机构和仰角动力驱动器、上部蓄能器系统、滑动组件和防护罩。• 为火炮的传动机构和仰角功能提供轴线。7 支架 • 为传动机构轴承和齿轮环的固定部件提供安装在甲板上的平台。8 托架 • 升至火炮仰角轴线，将垂直方向的弹药从上部提升机转移到火炮滑动装置的指向角，以便于后膛装填。9 滑动装置 • 火炮发射部件的主要组件，包括托架、枪尾盖和枪尾机构；火炮身管外壳；空壳提取器和托盘。• 安装火炮仰角轴线的耳轴；安装仰角齿轮扇形装置。
在早期但不晚的神经反应，视觉皮层由具有足够模型复杂性的随机重量CNN很好地预测
卷积神经网络（CNN）受到灵长类动物视觉系统的组织的启发，进而成为视觉皮层的有效模型，从而可以准确预测神经刺激反应。虽然对与大脑相关的对象识别任务进行培训可能是预测大脑活动的重要前提，但CNN的大脑样结构可能已经允许准确预测神经活动。在这里，我们在预测视觉皮层的神经反应方面评估了任务精制和脑部优化的卷积神经网络（CNN）的性能，并进行了系统的架构操作以及受过训练的和未经训练的特征提取器之间的比较，以揭示关键的结构组件影响模型性能。对于人类和猴子区域V1，采用RELU激活函数的随机重量CNN与平均或最大池的结合，显着超过了其他激活函数。随机体重CNN在预测V1响应时与训练有素的对应物相匹配。可以预测V1响应的程度与神经网络的复杂性密切相关，这反映了神经激活功能和汇总操作的非线性。但是，对于与物体识别（例如IT）相关的较高视觉区域，编码性能与复杂性之间的这种相关性显着弱。测试视觉区域之间的这种差异是否反映了功能差异，我们在纹理歧视和对象识别任务上训练了神经网络模型。与我们的假设一致，模型的复杂性与纹理歧视的性能更加密切，而不是对象识别。我们的发现表明，具有足够模型复杂性的随机重量CNN允许将V1活动视为训练有素的CNN，而较高的视觉区域则需要通过梯度下降通过训练获得的精确重量配置。
使用混合 CNN 进行高效脑肿瘤分类...
摘要 — 脑磁共振成像 (MRI) 是神经成像中一种重要的诊断工具，可为各种神经系统疾病提供宝贵见解。准确分类脑 MRI 图像对于帮助医疗专业人员进行诊断和治疗计划至关重要。脑 MRI 图像的多类分类在临床实践中具有重要意义。准确分类有助于检测和描述各种脑部异常，包括肿瘤、出血和神经系统疾病。我们建议的策略可以通过自动化分类过程并改善患者护理和结果来帮助医生做出及时准确的诊断。本研究使用两个标准数据集 Brats 和 Sartaj，提出了一种利用卷积神经网络 (CNN)、VGG19 和卷积神经网络支持向量机 (CNN-SVM) 算法对脑 MRI 进行多类分类的全面方法。所提出的方法利用深度学习的功能进行特征提取，并利用支持向量机 (SVM) 的多功能性进行分类。首先，训练 CNN 模型从脑 MRI 图像中提取判别特征。采用广泛使用的预训练 CNN VGG19 架构作为特征提取器。通过利用 VGG19 的预训练权重，该模型可以有效地捕获输入图像的高级表示。结果证明了该方法在准确分类脑 MRI 图像方面的有效性。进一步的研究可以探索该方法在更大数据集中的应用，并研究其他用于特征提取的深度学习架构，从而为医学图像分析和诊断提供进一步的进步。关键词 — 脑肿瘤、磁共振成像 (MRL)、卷积神经网络-支持向量机 (CNN-SVM) 算法、卷积神经网络 (CNN)、VGG19 架构
在早期但不晚的神经反应，视觉皮层由具有足够模型复杂性的随机重量CNN很好地预测
卷积神经网络（CNN）受到灵长类动物视觉系统的组织的启发，进而成为视觉皮层的有效模型，从而可以准确预测神经刺激反应。虽然对与大脑相关的对象识别任务进行培训可能是预测大脑活动的重要前提，但CNN的大脑样结构可能已经允许准确预测神经活动。在这里，我们在预测视觉皮层的神经反应方面评估了任务精制和脑部优化的卷积神经网络（CNN）的性能，并进行了系统的架构操作以及受过训练的和未经训练的特征提取器之间的比较，以揭示关键的结构组件影响模型性能。对于人类和猴子区域V1，采用RELU激活函数的随机重量CNN与平均或最大池的结合，显着超过了其他激活函数。随机体重CNN在预测V1响应时与训练有素的对应物相匹配。可以预测V1响应的程度与神经网络的复杂性密切相关，这反映了神经激活功能和汇总操作的非线性。但是，对于与物体识别（例如IT）相关的较高视觉区域，编码性能与复杂性之间的这种相关性显着弱。测试视觉区域之间的这种差异是否反映了功能差异，我们在纹理歧视和对象识别任务上训练了神经网络模型。与我们的假设一致，模型的复杂性与纹理歧视的性能更加密切，而不是对象识别。我们的发现表明，具有足够模型复杂性的随机重量CNN允许将V1活动视为训练有素的CNN，而较高的视觉区域则需要通过梯度下降通过训练获得的精确重量配置。
使用解剖多视图数据
摘要。大数据集通常包含多个不同的功能集或视图，这些功能集或视图提供了可以通过多视图学习方法利用的互补信息来改善结果。我们研究了解剖学 - 媒体视图da-ta，其中每个大脑解剖结构都用多个特征集描述。特别是，我们专注于扩散MRI的白质微观结构和连通性特征，以及结构MRI的灰质区域和厚度特征集。我们研究了使用多视图方法来改善非成像表型的预测的机器学习方法，包括人口统计学（年龄），运动（力量）和认知（图片词汇）。我们提出了一个可解释的多视图网络（EMV-NET），该网络可以使用不同的解剖学视图来改善预测性能。在此网络中，每个单独的解剖学视图都由特定于视图的特征提取器处理，并且从每个视图中提取的信息都使用可学习的权重融合。接下来是一个基于小波转变的模块，以跨视图访问互补信息，然后将其应用于校准特定视图的信息。此外，校准器还会产生基于注意的校准评分，以表明解剖结构对反应的重要性。在实验中，我们证明了所提出的EMV-NET明显优于基于人类连接组项目（HCP）数据集的几种用于非成像表型预测的最新方法，该方法具有1065个个体。具体而言，我们的方法至少减少了年龄预测MAE至少2.4岁，并提高了相关系数，以至少0.13预测其他两个表型。我们的解释结果表明，对于不同的观点，白质扩散度量的分数各向异性和灰质措施的表面厚度通常更为重要。
使用LENET 20深度学习体系结构在先前阶段的胎儿心脏异常检测
心脏异常在医学诊断中很重要，传统上通过CT，X射线，CTA和MRI扫描检测到。但是，这些方法通常会产生不确定或错误的结果，从而导致无效的临床建议。本研究的重点是使用超声心脏数据进行胎儿异常预测和分类，旨在克服现有诊断方法的局限性。这项研究的目的是开发一种更可靠的方法来使用深度学习技术检测胎儿心脏异常，特别是利用Lenet 20架构。与常规方法相比，目标是提高胎儿异常检测的准确性和可靠性。实时胎儿超声心脏样本是从海得拉巴NIMS Super Specialty Hospital收集的，并使用OTSU阈值分离等工具进行了预处理。LENET 20卷积神经网络由165层组成，最大池，密集，隐藏和relu层是使用带有Tensorflow，Keras和Scikit-Learn库的Python实现的。通过CSV文件将数据集加载为测试样品，并采用了LENET 20 CNN模型进行分类。所提出的LENET 20 CNN模型比现有的胎儿心脏诊断模型取得了显着改善。关键发现包括98.32％的检测得分，F1得分为98.23％，召回97.89％，准确度为98.32％，灵敏度为97.29％。这些结果表明与以前的方法相比，检测准确性和可靠性卓越。这项研究的结果表明，对先前的胎儿心脏诊断技术有了显着的增强。具体来说，LENET 20 CNN模型在检测准确性和可靠性方面优于现有方法。这项调查通过采用CNN深度学习技术成功地解决了常规胎儿心脏诊断方法的局限性。LENET 20架构是有效的分类器和特征提取器，可以在前阶段准确检测胎儿心脏异常。
几何深度学习增强脑电图中不平衡域适应
1 简介 脑机接口 (BCI) 可以实现大脑与外部设备之间的直接通信，为康复和通信提供了巨大的潜力 [1]。尽管基于脑电图 (EEG) 的 BCI 具有如此强大的功能，但目前仍存在信噪比低、特异性不足和域偏移（例如，数据分布的变化）等问题。传统上，通过收集标记校准数据和训练领域特定模型来缓解域偏移 [1]。然而，这种方法资源密集且耗时。作为一种替代方案，无监督域自适应 (UDA) 从标记源域中学习一个模型，该模型可有效执行不同的（但相关的）未标记目标域 [1]。在 BCI 领域，UDA 主要解决会话间和主体间的迁移学习 (TL) 问题 [2]，旨在无需监督校准即可实现跨域（即会话和主体）的稳健泛化。在我们之前的工作中，我们开发了一个几何深度学习框架，称为 TSMNet [3]，用于对对称正定 (SPD) 流形执行统计对齐。TSMNet 在配备有仿射不变黎曼度量的 SPD 流形上联合学习卷积特征提取器和切线空间映射 (TSM)，该度量由于其对潜在源的线性混合具有固有的不变性，非常适合 EEG 数据 [4]。许多 UDA 框架（包括 TSMNet）对齐边际特征分布，隐式假设跨域的标签分布相同。然而，在实践中经常遇到标签偏移，标签偏移下的边际特征对齐会增加泛化误差 [5]。最近的方法将这种对齐问题定义为不平衡的多源和多目标 UDA 问题 [6]。本文介绍了 TSMNet 的扩展，增强了其同时解决特征和标签偏移的能力。为了维护 TSMNet