XiaoMi-AI文件搜索系统
World File Search System长短期
使用长短期记忆 (LSTM) 循环神经网络对未处理的脑电图进行分类，以预测癫痫发作
使用机器学习或类似优化技术的最常见方法是对 EEG 记录进行特征提取。然后将这些特征用作预测模型的输入。这种方法在将模型引导至重要信息和优化模型的计算成本方面是有效的。然而，模型的性能受到提取的特征的限制，而特征提取是一个需要人类直觉的过程。以这种方式开发的模型仅限于提取的特征所捕获的信息。如果新范式需要原始提取特征中未捕获的信息，则对实验范式的任何更改都可能降低模型的性能。在癫痫发作预测中，这一点尤为重要，因为对于最佳预测时间范围尚无一致意见（Arthurs 等人，2010 年；Schulze-Bonhage 等人，2010 年），并且不同的急性治疗需要不同的时间过程才能有效。因此，良好的癫痫发作预测模型应该能够改变实验范式（例如癫痫发作预测范围（SPH）和干预期），以满足一系列患者的需求和一系列急性治疗。
通过长短期记忆循环深度神经网络提高基于脑电图的情绪识别的准确性
人们已经采用了多种方法来辨别人类的情绪，包括分析语音模式和语调（ Moriyama 和 Ozawa，2003；Zeng 等人，2009）。然而，值得注意的是，这种身体状态很容易被操纵或模仿（ Schuller 和 Schuller，2021）。面部表情及其变化通常用于情绪识别；然而，这些表情可以被个人有意修改，这对准确辨别他们的真实情绪提出了挑战（ Aryanmehr 等人，2018； Dzedzickis 等人，2020； Harouni 等人，2022）。 EEG（脑电图）是一种通过测量大脑内集体神经活动产生的电压变化来监测大脑活动的技术（San-Segundo 等人，2019 年；Dehghani 等人，2020 年、2022 年、2023 年；Sadjadi 等人，2021 年；Mosayebi 等人，2022 年）。脑电图是大脑活动和功能的反映，具有多种应用，包括但不限于情绪识别（Dehghani 等人，2011a、b、2013；Ebrahimzadeh 和 Alavi，2013；Nikravan 等人，2016；Soroush 等人，2017、2018a、b、2019a、b、2020；Bagherzadeh 等人，2018；Alom 等人，2019；Ebrahimzadeh 等人，2019a、b、c、2021、2022、2023；Bagheri 和 Power，2020；Karimi 等人，2022；Rehman 等人，2022；Yousefi 等人，2022， 2023 年）。
使用长短期记忆网络的端到端癫痫发作预测方法
越来越多的癫痫患者遭受着癫痫发作的痛苦，有效预测癫痫发作可以改善他们的生活质量。为了获得高灵敏度的癫痫发作预测，当前的研究通常需要复杂的特征提取操作，这严重依赖于人工经验（或领域知识）并且具有很强的主观性。为了解决这些问题，本文提出了一种基于长短期记忆网络（LSTM）的端到端癫痫发作预测方法。在新方法中，仅提取原始脑电图（EEG）信号的伽马波段作为网络输入直接进行癫痫发作预测，从而避免了主观和昂贵的特征设计过程。尽管方法简单，但在从脑电图信号中识别发作前期时，所提出的方法在波士顿-麻省理工学院儿童医院（CHB-MIT）头皮脑电图数据库上分别实现了 91.76% 的平均灵敏度和 0.29/h 的错误预测率（FPR）。此外，与仅考虑发作前和发作间期脑电图分类的传统方法不同，我们在所提出的方法中引入了发作后阶段作为额外类别。因此，癫痫发作预测的性能进一步提高，获得了更高的灵敏度 92.17% 和较低的 FPR 0.27/h。平均预警时间为 44.46 分钟，这表明该预测方法为患者采取干预措施预留了足够的时间。
基于一维卷积神经网络和长短期记忆估计视觉意图的智能眼控电动轮椅
摘要：当使用凝视运动操作电动轮椅时，检查环境和观察物体等眼球运动也会被错误地识别为输入操作。这种现象被称为“点石成金问题”，对视觉意图进行分类非常重要。在本文中，我们开发了一种实时估计用户视觉意图的深度学习模型，以及一种结合意图估计和凝视停留时间方法的电动轮椅控制系统。所提出的模型由 1DCNN-LSTM 组成，它从 10 个变量的特征向量估计视觉意图，例如眼球运动、头部运动和到注视点的距离。对四种视觉意图进行分类的评估实验表明，与其他模型相比，所提出的模型具有最高的准确性。此外，实施所提出模型的电动轮椅的驾驶实验结果表明，与传统方法相比，用户操作轮椅的努力减少了，轮椅的可操作性得到了提高。从这些结果中，我们得出结论，通过从眼球和头部运动数据中学习时间序列模式可以更准确地估计视觉意图。
评估M/ ... div>的长短期限内存网络
抽象增强器协调驱动多细胞发展和谱系承诺的基因表达程序。因此，人们认为增强子的遗传变异通过改变细胞命运承诺会导致发育疾病。然而，尽管已经确定了许多含有变异的增强子，但缺乏内生测试这些增强剂对谱系承诺的影响的研究。我们执行一个单细胞CRISPRI筛选，以评估与先天性心脏缺陷（CHD）有关的25种增强子和推定心脏靶基因的内源性作用。我们确定了16个增强剂，其抑制导致人类心肌细胞（CMS）的分化不足。专注的CRISPRI验证屏幕表明，TBX5增强剂的抑制延迟了从中期到后期CM状态的转录开关。两个TBX5增强剂表观遗传扰动的内源性遗传缺失。共同确定了心脏发育的关键增强子，并表明这些增强剂的不正调可能导致人类患者的心脏缺陷。
基于结构的SARS-COV-2 NSP14 N7-甲基转移酶的抑制剂的发现 使用细胞周期特异性速率效应2 的癌症药物反应进行分析和建模 结构和功能性脑连接组之间的联合子空间映射 抗氧化能力生物标志物的低水平，但没有靶向过表达预测诱导ROS的药物的脆弱性 1个抑制作用的电阻机制和... 多个PALS基因模块控制秀丽隐杆线虫的免疫与发育之间的平衡 加密斑块和UBP12/13去泛素酶拮抗 评估M/ ... div>的长短期限内存网络 CHD相关增强剂塑造人类心肌细胞谱系承诺 组合KRASG12C和SOS1抑制作用增强和... 保守的免疫效应子家族在病毒感染后切开细胞ATP 方差成分估计，表型表征和牛牛的牛心力衰竭的遗传评估 对XBB.1.5的免疫力降低了二价mRNA助推器 被子植物中重复基因进化的DNA甲基化特征 升高的糖皮质激素改变了下丘脑发育和功能的轨迹 SynergyFinder Plus
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2023年1月13日。 https://doi.org/10.1101/2023.01.12.523677 doi：biorxiv Preprint
基于深度学习的情绪识别方法，使用脑电图 (EEG) 信号，采用双向长短期记忆 (Bi-LSTM)
摘要：情绪是人类日常交流的重要组成部分。脑电图 (EEG) 信号可将大脑的情绪状态和动态联系起来，脑机接口 (BCI) 可利用这些信号提供更好的人机交互。在情绪识别领域已经进行了一些研究。然而，使用 EEG 信号的情绪识别过程面临的最重要问题之一是识别的准确性。本文提出了一种基于深度学习的通过 EEG 信号进行情绪识别的方法，包括数据选择、特征提取、特征选择和分类阶段。这项研究服务于医学领域，因为情绪识别模型有助于诊断心理和行为障碍。这项研究有助于提高情绪识别模型的性能，以获得更准确的结果，进而有助于做出正确的医疗决策。这项工作使用了标准的预处理生理信号情绪分析数据库 (DEAP)。从数据集中提取了统计特征、小波特征和赫斯特指数。特征选择任务通过二进制灰狼优化器实现。在分类阶段，使用堆叠双向长短期记忆 (Bi-LSTM) 模型来识别人类情绪。本文将情绪分为三大类：唤醒、效价和喜好。与过去研究中使用的方法相比，所提出的方法实现了较高的准确率，效价、唤醒和喜好的平均准确率分别为 99.45%、96.87% 和 99.68%，这被认为是情绪识别模型的高性能。
使用标准循环神经网络、长短期记忆网络和门控循环单元进行太阳能产量预测
http://dx.doi.org/10.5755/j01.ee.32.4.28459 太阳辐射是现代社会依赖的可再生资源之一，它部分取代了现有的化石燃料能源。了解能源的生产方式必须与了解能源的消耗方式相辅相成。在经济背景下，收益来自整个供应链的可预测性。本文对如何使用标准循环神经网络、长短期记忆和门控循环单元来预测光伏 (PV) 系统的发电量进行了全面的研究。这种方法可用于太阳能甚至风能预测的其他用例，因为它为处理天气数据和循环人工神经网络提供了坚实的基础，而天气数据和循环人工神经网络是任何智能电网管理系统的核心。很少有研究探讨如何实施这些模型，更少的研究比较了不同模型类型的结果。使用的数据包括一小时分辨率的天气和发电量数据。对数据进行了进一步的预处理，以揭示最大信息量。选择了最有效的模型参数进行预测。太阳能在欧盟气候行动和欧洲绿色协议中扮演着重要的可再生能源角色。根据这些举措，实施了重要的法规，并为那些拥有解决开放点所需能力的人提供了财政资源。通过利用基于神经的预测方法，可以确保急需的可预测性，从而为部署和采用更多可再生技术提供所需的灵活性和稳健性。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。