XiaoMi-AI文件搜索系统
World File Search System解码
持续在线脑电图运动意象解码的微调策略：来自大规模纵向研究的见解
摘要 — 本研究调查了在涉及大型用户组和每个参与者多个会话的因果环境中在线纵向脑电图 (EEG) 运动想象 (MI) 解码中深度学习的持续微调策略。我们是第一个在大型用户组中探索此类策略的人，因为纵向适应通常是在单个受试者环境中使用单一适应策略进行研究的，这限制了推广研究结果的能力。首先，我们研究了不同的微调方法对解码器性能和稳定性的影响。在此基础上，我们集成了在线测试时间适应 (OTTA) 以在部署期间调整模型，补充了先前微调的效果。我们的研究结果表明，基于先前特定于主题的信息连续进行的微调可以提高性能和稳定性，而 OTTA 可以有效地使模型适应连续会话中不断变化的数据分布，从而实现无校准操作。这些结果为纵向在线 MI 解码的未来研究提供了宝贵的见解和建议，并强调了结合领域适应策略对提高实际应用中的 BCI 性能的重要性。临床相关性——我们的研究实现了更稳定、更有效的长期运动想象解码，这对于神经康复和辅助技术至关重要。
fMRI数据的解码参数grip -force预期
抽象的先前功能磁共振成像（fMRI）研究表明，前运动和顶脑区域的活性具有即将到来的抓地力强度。但是，尚不清楚如何在电动机执行之前最初表示有关预期的握力强度的信息，然后随后将其转换为电机代码。在这项fMRI研究中，我们使用多毒素模式分析（MVPA）来解码有关抓地力强度的信息以及何时在大脑中参数编码的有关抓地力强度的信息。 人类参与者执行了延迟的抓地力任务，其中在工作记忆（WM）中，必须在工作记忆（WM）中维持四个提示的握力强度之一，这是在9-S延迟到达前的电动机执行之前。 使用探照灯方法和支持向量回归的时间分辨MVPA，我们测试了哪些大脑区域显示出预期的握力强度的多元WM代码。 在早期延迟期间，我们观察到在腹侧额叶前皮层（VMPFC）中进行了高度的解码。 在晚期延迟期间，我们发现了一个动作特异性大脑区域的网络，包括双侧腔内沟（IPS），左背前皮层（L-PMD）和补充运动区域。 此外，还采用了交叉回归解码来测试早期和晚期延迟期之间激活模式的时间概括，并在提示表现和电动机执行过程中使用这些分解。 交叉回归解码表明在VMPFC中对提示周期的时间概括以及L-IPS和L-PMD中的运动执行。在这项fMRI研究中，我们使用多毒素模式分析（MVPA）来解码有关抓地力强度的信息以及何时在大脑中参数编码的有关抓地力强度的信息。人类参与者执行了延迟的抓地力任务，其中在工作记忆（WM）中，必须在工作记忆（WM）中维持四个提示的握力强度之一，这是在9-S延迟到达前的电动机执行之前。使用探照灯方法和支持向量回归的时间分辨MVPA，我们测试了哪些大脑区域显示出预期的握力强度的多元WM代码。在早期延迟期间，我们观察到在腹侧额叶前皮层（VMPFC）中进行了高度的解码。在晚期延迟期间，我们发现了一个动作特异性大脑区域的网络，包括双侧腔内沟（IPS），左背前皮层（L-PMD）和补充运动区域。此外，还采用了交叉回归解码来测试早期和晚期延迟期之间激活模式的时间概括，并在提示表现和电动机执行过程中使用这些分解。交叉回归解码表明在VMPFC中对提示周期的时间概括以及L-IPS和L-PMD中的运动执行。一起，这些发现表明，抓地力强度的WM表示会发生转换，其中VMPFC编码有关预期的握力的信息，后来在执行前将其转换为L-PIP和L-PMD中的电机代码。
神经音频编解码中的学习来源分离
摘要 - 神经音频编解码器通过有效将连续音频信号转换为离散令牌，具有显着高级的音频组合。这些编解码器可以通过对这些令牌进行训练的生成模型来保留高质量的声音，并使复杂的声音生成。但是，现有的神经编解码器模型通常在大型，未分化的音频数据集上进行训练，从而忽略了语音，音乐和环境声音效果等声音域之间的基本差异。这种监督使数据建模复杂化，并为声音发电的可控性带来了其他挑战。为了解决这些问题，我们介绍了源 - 触发性神经音频编解码器（SD-CODEC），这是一种结合音频编码和源分离的新型方法。通过共同学习音频重新合成和分离，SD-Codec明确地将来自不同域的音频信号分配给不同的代码书，以及一组离散表示。实验结果表明，SD-Codec不仅保持竞争性的重新合成质量，而且还得到了分离结果的支持，还证明了潜在空间中不同来源的成功分离，从而增强了音频编解码器中的可解释性，并提供了对音频产生过程的潜在控制。索引术语 - 神经音频编解码器，源分离，表示学习，量化。
Govtech解码第6集
第6集骑着Genai主持人的浪潮：Alicia Lee Guests：Lim Hock Chuan，Kenneth Ong和Nicole Lee Date播出：2025年2月10日[Hock Chuan]好吧，我应该再次获胜吗？[Alica]是的。（客人笑）（介绍音乐）[Alica]大家好，欢迎Govtech解码，我们在此解码技术讲话。在本系列中，我们将讨论热门技术主题以及新加坡政府如何利用技术来建立技术以公共利益。我是Govtechie Alicia，我是您今天的主持人。我们再次与我们一起有妮可，肯尼斯和霍克·库恩。欢迎回来，也许是那些第一次没有加入我们的人的快速介绍。[Kenneth]您好，我是肯尼斯（Kenneth），我在Govtech领导了Empower计划。[妮可]嗨，我是妮可，也是授权团队的一员。[Hock Chuan]我是Hock Chuan，我领导了Govtech的发射创新计划。[Alica]非常欢迎Govtech解码。在上一集中，我们解码了迅速工程的来龙去脉，并谈到了Govtech如何使公职人员具有技巧来利用Genai的力量。由于我们在这里有三位AI专家，我们可以谈谈机器学习与AI之间的区别吗？[肯尼斯]当然。我认为这是人们经常有的常见问题，他们将机器学习或ML混合，甚至与AI互换使用。因此，AI实际上是指使机器更像人类更像人类的方法。和对于ML，实际上是AI的子集，特别涉及培训算法并使用统计模型来分析和从数据模式中得出推论。喜欢训练计算机以学习和适应而无需提供具体说明。因此，一个例子就像Netflix如何向您提供建议，并且它基于查看其他用户的历史的模式，与您相似，然后为您提供有关节目或下一个韩语表演的建议。
从非侵入性脑记录中解码语音
从大脑活动中解码语音是医疗保健和神经科学中期待已久的目标。侵入性设备最近导致了这方面的主要里程碑：对颅内记录训练的深度学习算法现在开始解码基本语言特征（例如字母，单词，频谱图）。但是，这种对自然语音和非侵入性脑记录的方法仍然是一个主要挑战。为了解决这些问题，我们引入了一种对比学习模型，该模型训练有素，可以从大量个体的无创录音中解释自然语音的自我监督表达。为了评估这种方法，我们策划并整合了四个公共数据集，其中包括169名志愿者，并在听自然语音的同时，记录了磁性或电脑摄影（M/EEG）（M/EEG）。结果表明，我们的模型可以从3秒钟的MEG信号中识别出相应的语音段，在1,594个不同的可能性中，具有高达44％精度的相应语音段 - 这种性能允许在训练集中不使用短语解码。模型比较和消融分析表明，这些结果直接受益于（i）对比目标，（ii）语音的预估计表示和（iii）（iii）经过多个参与者培训的常见卷积体系结构。总的来说，这些结果描述了帮助沟通障碍患者的有前途的途径，而不会使他们处于脑部手术的风险。
解码分化的甲状腺癌
甲状腺癌是最普遍的内分泌恶性肿瘤，DTC约占病例的90％。1这些肿瘤起源于甲状腺的卵泡上皮细胞，并表现出广泛的分化水平，从而产生了独特的组织学和遗传谱。对这些特征的详细理解对于准确诊断，个性化治疗策略的发展以及优化患者的临床结果至关重要。在2022年，据估计有821,214例甲状腺癌和47,507例相关死亡的新病例在全球范围内报道。在美国，每年被诊断出约44,020例新病例，其中包括12,500名男性和31,520名女性。在包括墨西哥在内的许多其他国家中也观察到这种日益增加的趋势，近年来甲状腺癌的发生率显着增加。墨西哥的估计发病率为每100,000人8.6人，每100,000个人的患病率为47.0。
自行车钥匙回收：结合功耗分析和信息集解码
摘要。在本文中，我们对Chen等人提出的自行车皮层M4实现进行了单轨攻击。在CHES 2021。自行车是一种键盘塑料机制，是NIST量子后加密标准化过程的候选者。我们通过利用循环函数来攻击，该功能会根据私钥而循环移动数组。Chen等。 实现了此功能的两个版本，一个在C中，一个在汇编中。 我们的攻击使用子跟踪聚类与组合攻击相结合以恢复完整的私钥。 我们在实验中获得了较高的聚类准确性，并提供了处理错误的方法。 我们能够恢复C的所有私钥，而使用我们的技术很难攻击汇编版本，但我们仍然设法将自行车1级安全性从128级降低到65位，以占很大一部分的私钥。Chen等。实现了此功能的两个版本，一个在C中，一个在汇编中。我们的攻击使用子跟踪聚类与组合攻击相结合以恢复完整的私钥。我们在实验中获得了较高的聚类准确性，并提供了处理错误的方法。我们能够恢复C的所有私钥，而使用我们的技术很难攻击汇编版本，但我们仍然设法将自行车1级安全性从128级降低到65位，以占很大一部分的私钥。
解码MASLD：揭开代谢性肝病中的肠道连接
肠道轴在代谢功能障碍相关的脂肪肝疾病（MASLD）的发展中起关键作用，但是肠道菌群，肠道屏障完整性和肝脏健康之间的复杂联系仍然不清楚。尽管饮食引起的肠道营养不良，肠道渗透性增加和肝脏炎症已被认为是相互联系的因素，但目前的理解仍然很大程度上是关联的，尚未完全阐明的基本机制。在本演讲中，我将探索与人类相关的饮食诱导的MASLD模型（Lidpad）的发现，该模型揭示了对肠道衍生的内毒素的早期肝反应，这表明将其妥协作为疾病进展的起始因子。我们的研究强调了饮食因素和肠道微生物群的转移如何影响关键的肠道蛋白质，可能会加剧肝损伤。我还将讨论有希望的无创生物标志物，用于肠道屏障功能障碍以及微生物组靶向疗法的转化潜力以及减轻MASLD进展的精确营养。通过解码复杂的肠肝相互作用，这项工作为理解和治疗代谢性肝脏疾病开辟了新的途径。
使用人体内部脑电图从自然语音中解码语义
Camille R. C. Pescatore 1* , Haoyu Zhang 1* , Alex E. Hadjinicolaou 1 , Angelique C. Paulk 1,2 , John D. Rolston 3 , R. Mark Richardson 4 , Ziv M. Williams 4,5,6 , Jing Cai 4† & Sydney S. Cash 1,2,5† 1 Department of Neurology, Massachusetts General Hospital, Harvard Medical School, Boston, MA.2马萨诸塞州波士顿的马萨诸塞州综合医院神经科学中心和神经记录中心。3，杨百翰和妇女医院神经外科部，马萨诸塞州波士顿哈佛医学院。4马萨诸塞州波士顿哈佛医学院马萨诸塞州综合医院神经外科部。5哈佛大学卫生科学与技术部，马萨诸塞州波士顿。6哈佛医学院，马萨诸塞州波士顿神经科学计划。 *这些作者也同样贡献。 †这些作者也同样贡献。 应向谁致辞，电子邮件：jcai5@mgh.harvard.edu6哈佛医学院，马萨诸塞州波士顿神经科学计划。*这些作者也同样贡献。†这些作者也同样贡献。应向谁致辞，电子邮件：jcai5@mgh.harvard.edu
