XiaoMi-AI文件搜索系统
World File Search System网络模型
探索脑-人工智能接口中 c-VEP 解码的人工神经网络模型
摘要 — 对话式脑人工智能接口 (BAI) 是一种新型脑机接口 (BCI)，它使用人工智能 (AI) 帮助有严重语言障碍的人进行交流。它通过先进的 AI 对话代理将用户的广泛意图转化为连贯的、特定于上下文的响应。BAI 中意图翻译的一个关键方面是解码代码调制的视觉诱发电位 (c-VEP) 信号。本研究评估了五种不同的人工神经网络 (ANN) 架构，用于解码 BAI 系统中基于 c-VEP 的 EEG 信号，强调了轻量级、浅层 ANN 模型和使用来自其他参与者的数据进行预训练策略以增强分类性能的有效性。这些结果为 ANN 模型在解码基于 c-VEP 的 EEG 信号中的应用提供了宝贵的见解，并可能使其他基于 c-VEP 的 BCI 系统受益。索引术语 — 脑-人工智能接口 (BAI)、c-VEP、EEG、chatgpt、人工神经网络 (ANN)。
对面部识别的探索张量子流的卷积神经网络模型开发：
摘要。目的：面部识别已成为人工智能研究中越来越有趣的领域。在这项研究中，本研究旨在探索通过TensorFlow实施的CNN的应用，以开发出强大的模型，以增强学生出勤系统中的面部识别精度。这项研究的重点是开发一个模型，该模型使用在计算机科学系的实习出勤记录中收集的多级学生图像中的多级学生图像中识别学生面孔。方法：包含19名学生的面部图像的数据集成为培训和验证CNN模型的基础。该数据集来自计算机科学系的实习记录，其中包括231张培训图像和59张验证图像。预处理阶段包括面部区域检测和分类，导致组织良好的数据集用于培训和验证。由七层组成的CNN体系结构经过精心设计，以实现最佳性能。结果：该模型表现出非凡的准确性，在300个训练时期后，验证数据集的93％达到了93％。精确度，召回和F1得分指标被跨不同类别进行详细评估，强调了该模型在准确地对面部图像进行分类方面的熟练程度。使用基于VGG-16的模型进行比较分析，展示了提出的CNN体系结构的优越性。此外，Web服务的实施证明了该模型的实际适用性，以少于0.3秒的出色响应时间提供准确的预测。新颖性：这项全面的研究不仅提高了面部识别技术，而且还提出了适用于现实情况的模型，尤其是在学生出勤系统中。关键字：面部识别，机器学习，深度学习，CNN于2024年5月 / 2024年5月修订 / 2024年5月接受，这项工作已根据创意共享归因4.0国际许可获得许可。
视觉皮层的高性能神经网络模型受益于高潜在维数
深度神经网络 (DNN) 的几何描述有可能揭示神经科学中计算模型的核心原理，同时抽象出模型架构和训练范例的细节。在这里，我们通过量化其自然图像表示的潜在维数来检查视觉皮层的 DNN 模型的几何形状。一种流行的观点认为，最佳 DNN 将其表示压缩到低维子空间以实现不变性和鲁棒性，这表明更好的视觉皮层模型应该具有低维几何形状。令人惊讶的是，我们发现了一个相反方向的强烈趋势——在预测猴子电生理学和人类 fMRI 数据中对伸出刺激的皮层反应时，具有高维图像子空间的神经网络往往具有更好的泛化性能。这些发现适用于 DNN 的各种设计参数，它们提出了一个普遍原则，即高维几何形状为视觉皮层的 DNN 模型带来了显著的好处。
使用颞细胞状态网络模型预测抗癌药物组合反应
冠状动脉疾病（CAD）是发达和发展中的死亡的主要原因。这项研究的目的是通过机器学习和评估该方法来确定冠状动脉疾病的危险因素。使用公开可用的国家健康和营养检查调查（NHANES）进行了回顾性，横断面研究（NHANES），该研究完成了人口，饮食，运动和心理健康问卷并拥有实验室和体格检查数据的患者。单变量逻辑模型（以CAD为结果）用于识别与CAD相关的协变量。在最终的机器学习模型中包括在单变量分析中具有P <0.0001的协变量。机器学习模型XGBoost由于文献中的普遍性以及其在医疗保健术前的预测准确性提高而使用。模型协变量根据覆盖统计量进行排名，以识别CAD的危险因素。构造的加性解释（SHAP）解释被用来可视化这些潜在危险因素与CAD之间的关系。在这项研究中符合纳入标准的7,929名患者中，女性为4,055（51％），男性为2,874（49％）。平均年龄为49.2（SD = 18.4），有2,885名（36％）白人患者，2,144名（27％）黑人患者，1,639名（21％）西班牙裔患者和1,261例（16％）其他种族患者。总共338例（4.5％）患有冠状动脉疾病。将它们拟合到XGBoost模型中，AUROC = 0.89，灵敏度= 0.85，特异性= 0.87（图1）。按覆盖范围排名前四的最高特征，这是协变量对整体模型预测的百分比贡献的度量，是年龄（覆盖率= 21.1％），血小板计数（覆盖= 5.1％），心脏病的家族史（覆盖率= 4.8％）和胆固醇总胆固醇（覆盖率= 4.1％）。机器学习模型可以使用人口统计学，实验室，体格检查和生活方式协变量有效预测冠状动脉疾病，并确定关键的危险因素。
在工作记忆任务期间，前额叶大脑活动的复发性神经网络模型
当将多个项目保存在短期内存中时，回顾性优先级优先级优先于另一个项目（复古示意）可以促进后续召回。然而，这种作用的神经和计算基础知之甚少。最近的一项研究记录了在复古任务期间猕猴侧向前额叶皮层（LPFC）中的神经信号，在（预先提示）和（会引发后）回归开始之前（预告症）和之后的延迟期间活动对比。他们报告说，在提示前延迟中，单个刺激被维持在神经种群活动的非独立子空间中，而在提示后延迟中，先前的项目被旋转成一个共同的子空间，有可能允许一种常见的读取机制。为了了解如何通过错误最小化可以学习此类代表性转变，我们通过监督训练了经常性的神经网络（RNN），以执行同等的提示回复任务。rnns提供了两个表示结合性颜色刺激的输入，然后进行了预示记忆延迟，位置返回和后提示延迟。我们发现，在猕猴LPFC中观察到的正交到平行的几何变换自然出现在经过训练以执行任务的RNN中。有趣的是，仅当需要在读数之前将提示信息用于几个周期的短期记忆中才能形成平行几何形状，这表明它在维护过程中可能具有鲁棒性。我们通过分析RNN的学习动态和连接模式以及用概率提示训练的模型的行为来扩展这些发现，从而使我们能够为将来的研究做出预测。总的来说，我们的发现与最新的理论说明是一致的，该账目提出的回顾将优先的内存项转化为前瞻性，面向动作的格式。
大脑约束深度神经网络模型中语言对感知和概念形成的影响
使用神经生物学约束的人类大脑语义学习模型来模拟具体和抽象概念的习得，无论有无言语标签。使用赫布学习机制模拟概念习得和语义学习。我们测量了网络的类别学习性能，定义为它成功地（i）将部分重叠的感知实例分组为单个（抽象或具体）概念表征，同时（ii）仍然区分不同概念的表征的程度。给定概念的语言标签与感知实例的共存通常会改善网络对类别的学习，对抽象概念的有益效果明显大于具体概念。这些结果为语言结构对概念形成和这些概念实例的感知运动处理的因果影响提供了神经生物学解释：在概念习得期间提供言语标签可以改善皮质机制，通过这种机制，对物体和动作的体验以及单词的学习会导致形成特定概念和含义的神经元集合。此外，本研究结果还做出了一个新颖的预测，即这种“沃尔夫”效应应该受到所习得语义类别的具体性/抽象性的调节，语言标签更有利于抽象概念的学习，而非具体概念的学习。本文是主题问题“互动中的概念：社会参与和内在体验”的一部分。
复制，步行并停止语法：一个有效的方面情感分类的神经网络模型
方面级别的情感分类（ALSC）旨在预测句子中发生的特定方面术语的情感极性。此任务需要通过汇总有关该方面术语的相关上下文特征来学习表示形式。现有的方法不能充分利用句子的句法结构，因此很难区分源头中多个方面的不同情感。我们感知到先前方法的局限性，并提出了一个关于在句法结构的帮助下发现至关重要的上下文中的假设。为此，我们提出了一个名为Repwalk的神经网络模型，该模型在语法图上执行复制的随机步行，以有效地关注信息性上下文单词。em-pirical研究表明，我们的模型在大多数基准数据集上的最新模型都优于ALSC任务。结果表明，我们合并语法结构的方法丰富了分类的表示。
语言对脑约束深度神经网络模型中感知和概念形成的影响
使用神经生物学约束的人类大脑语义学习模型来模拟具体和抽象概念的习得，无论有无言语标签。使用赫布学习机制模拟概念习得和语义学习。我们测量了网络的类别学习性能，定义为它成功地（i）将部分重叠的感知实例分组为单个（抽象或具体）概念表征，同时（ii）仍然区分不同概念的表征的程度。给定概念的语言标签与感知实例的共存通常会改善网络对类别的学习，对抽象概念的有益效果明显大于具体概念。这些结果为语言结构对概念形成和这些概念实例的感知运动处理的因果影响提供了神经生物学解释：在概念习得期间提供言语标签可以改善皮质机制，通过这种机制，对物体和动作的体验以及单词的学习会导致形成特定概念和含义的神经元集合。此外，本研究结果还做出了一个新颖的预测，即这种“沃尔夫”效应应该受到所习得语义类别的具体性/抽象性的调节，语言标签更有利于抽象概念的学习，而非具体概念的学习。本文是主题问题“互动中的概念：社会参与和内在体验”的一部分。
利用大脑数据构建神经网络模型揭示了适应性行为背后的表征转换
人们认为，人类能够自适应地执行各种任务的能力源自认知信息的动态转换。我们假设这些转换是通过连接枢纽（选择性整合感觉、认知和运动激活的大脑区域）中的连接激活来实现的。我们利用最近使用功能连接来映射大脑区域之间活动流的进展，在认知控制任务期间从 fMRI 数据构建任务执行神经网络模型。我们通过模拟这个经验估计的功能连接模型上的神经活动流来验证连接枢纽在认知计算中的重要性。这些经验指定的模拟通过在连接枢纽中整合感觉和任务规则激活产生了高于偶然的任务表现（运动反应）。这些发现揭示了连接枢纽在支持灵活认知计算方面的作用，同时证明了使用经验估计的神经网络模型深入了解人类大脑认知计算的可行性。