XiaoMi-AI文件搜索系统
World File Search SystemAutoEncoder
CSLP-AE：用于零样本脑电信号转换的对比分裂潜在置换自动编码器框架
脑电图 (EEG) 是一种著名的非侵入性神经成像技术，可以洞察大脑功能。不幸的是，EEG 数据在不同受试者之间表现出高度的噪声和变异性，阻碍了可推广的信号提取。因此，EEG 分析的一个关键目标是提取潜在的神经激活（内容）以及考虑个体受试者的变异性（风格）。我们假设，在任务和受试者之间转换 EEG 信号的能力需要提取考虑内容和风格的潜在表示。受语音转换技术最新进展的启发，我们提出了一种新颖的对比分裂潜在排列自动编码器 (CSLP-AE) 框架，可直接优化 EEG 转换。重要的是，使用对比学习来引导潜在表示，以促进潜在分裂明确地表示主题（风格）和任务（内容）。我们将 CSLP-AE 与传统的监督、无监督 (AE) 和自监督 (对比学习) 训练进行了对比，发现所提出的方法提供了对主体和任务的良好可推广表征。重要的是，该程序还支持未见过的主体之间的零样本转换。虽然本研究仅考虑 EEG 的转换，但所提出的 CSLP-AE 为信号转换和提取内容 (任务激活) 和风格 (主体变异性) 组件提供了一个通用框架，可用于对生物信号进行建模和分析。
变分自动编码器学习更好的特征表示，用于基于脑电图的肥胖分类
摘要 — 肥胖是当今现代社会的一个常见问题，可导致各种疾病并显著降低生活质量。目前，已经开展了研究以调查静息状态脑电图 (EEG) 信号，目的是识别与肥胖相关的可能的神经系统特征。在本研究中，我们提出了一个基于深度学习的框架来提取静息状态脑电图特征，以对肥胖和瘦弱人群进行分类。具体而言，采用一种新颖的变分自动编码器框架从原始脑电图信号中提取受试者不变特征，然后通过一维卷积神经网络对其进行分类。与传统的机器学习和深度学习方法相比，我们证明了使用 VAE 进行特征提取的优势，这反映在特征表示中分类准确率的显著提高、可视化效果的改善和杂质测量的减少。未来的工作方向可以从神经学角度深入了解所提出的模型所学习的空间模式，以及通过允许其发现任何与时间相关的信息来提高所提出的模型的可解释性。索引术语——深度学习、EEG、分类、变分自动编码器
注意力引导自动编码器，利用结构 MRI 自动预测主观认知衰退的进展
摘要 —主观认知衰退（SCD）是阿尔茨海默病（AD）的临床前阶段，比轻度认知障碍（MCI）更早。进行性SCD将转化为MCI，并有可能进一步发展为AD。因此，利用神经成像技术（如结构MRI）早期识别进行性SCD对于早期干预AD具有重要的临床价值。然而，现有的基于MRI的机器/深度学习方法通常存在样本量小和可解释性不足的问题。为此，我们提出了一种可解释的具有域迁移学习（IADT）的自编码器模型来预测SCD的进展。首先，该模型可以利用目标域（即SCD）和辅助域（如AD和NC）的MRI来识别进行性SCD。此外，它可以通过注意机制自动定位与疾病相关的感兴趣的大脑区域（在脑图谱中定义），显示出良好的可解释性。此外，IADT 模型在 CPU 上仅需 5 ∼ 10 秒即可轻松训练和测试，适用于小型数据集的医疗任务。在公开的 ADNI 数据集和私有的 CLAS 数据集上进行的大量实验证明了所提方法的有效性。
通过计算变分自动编码器潜在空间中的差异来检测脑 MRI 中的肿瘤
自动勾勒出脑磁共振图像 (MRI) 中异常的能力对计算机辅助诊断至关重要。无监督异常检测方法主要通过学习健康图像的分布并将异常组织识别为异常值来工作。在本文中，我们提出了一种切片检测方法，该方法首先在两个不同的数据集上训练一对自动编码器，一个数据集包含健康个体，另一个数据集包含正常和肿瘤组织的图像。接下来，它根据图像编码与仅对健康图像进行训练的自动编码器获得的重建编码之间的潜在空间距离对切片进行分类。我们通过对 HCP 和 BRATS-2015 数据集进行的一系列初步实验验证了我们的方法，结果表明所提出的方法能够将脑部 MRI 分为健康和不健康。
binning符合分类法：使用双模式变异自动编码器
研究微生物组的常见程序是将测序的28个重叠群固定到元基因组组装的基因组中。当前，使用共同含量和基于序列的30个基序（例如四核苷酸频率）是Metagenome 31 binning的最先进的基于共同学习和序列的基于深度学习的方法。从基于对齐的分类得出的分类标签尚未被广泛使用。在这里，我们提出了一种基于半监督的双模式变异自动编码器的元基因组包装工具33，结合了Tetranu-34克利托德频率，与CONTIG共浸没量与CONTIG注释与任何分类分类级的35个分类级返回了35个。taxvamb在CAMI2 Human Microbiome数据集上的所有其他36个BINNER都优于所有其他36个Binner，平均返回40％37个接近完整的组件比下一个最佳BINNER。在实际的长阅读38个数据集上，税收vamb平均恢复了13％的接近完整垃圾箱和14％的39种。在单样本设置中使用时，平均退税量比VAMB高40 83％。taxvamb垃圾箱不完整的基因组比任何其他工具都要好41个，返回255％的高质量垃圾箱42不完整的基因组比下一个最好的binner。我们的方法具有43个研究和工业应用以及方法论新颖性，可以将44个可以通过半监视的多模式45个数据集转化为其他生物学问题。46
通过受限子空间变分自动编码器 (CS-VAE) 解开多主体和社会行为表征
有效地建模和量化行为对于我们理解大脑至关重要。在社交和多主体任务中，在自然环境中建模行为仍然是一项重大挑战。对执行相同任务的不同主体的行为进行建模需要将行为数据划分为跨主体共有的特征和每个主体独有的特征。与社交调查相比，在自由移动的环境中对多个个体之间的社交互动进行建模需要解开由个体引起的影响。为了灵活地将行为解开为具有个体和跨主体或社交成分的可解释潜在变量，我们基于半监督方法来划分行为子空间，并提出了一种基于柯西-施瓦茨散度的新型正则化方法。我们的模型称为约束子空间变分自动编码器 (CS-VAE)，成功地对跨主体行为视频的不同特征以及不断变化的社交行为差异进行了建模。我们的方法极大地促进了下游任务中产生的潜在变量的分析，例如揭示解开的行为主题，有效解码新主体的行为，并提供对不同动物如何表现出先天行为的理解。
无监督的FNIRS具有CAE和ESN AutoCoder的提取，用于驱动程序认知负载分类
抽象目标。了解驾驶员的认知负荷对于道路安全至关重要。大脑传感有可能客观地衡量驾驶员认知负荷。我们旨在开发一个高级机器学习框架，用于使用功能近红外光谱（FNIRS）对驱动程序认知负载进行分类。方法。，我们在驱动模拟器中使用FNIRS进行了一项研究，其n返回任务用作辅助驾驶员的结构性认知负载。为了对不同的驱动程序认知负载水平进行分类，我们检查了卷积自动编码器（CAE）和回声状态网络（ESN）自动编码器的应用，以从FNIRS中提取功能。主要结果。通过使用CAE，将两个和四个级别的驱动程序认知负载分类的精度分别为73.25％和47.21％。所提出的ESN自动编码器在没有窗口选择的情况下实现了组级模型的最新分类结果，精度为80.61％和52.45％，用于分类两个和四个级别的驱动程序认知负载。意义。这项工作为使用FNIRS在现实世界应用中测量驱动程序认知负载奠定了基础。此外，结果表明，所提出的ESN自动编码器可以有效地从FNIRS数据中提取时间信息，并且对于其他FNIRS数据分类任务很有用。
一个可扩展3D对象生成和重建的变量自动编码器级联级联对敌方网络
摘要：用于3D体积生成和重建的生成对抗网络（GAN），例如形状产生，可视化，自动化设计，实时仿真和研究范围，在各个领域都受到了更多的关注。但是，诸如有限的培训数据，高计算成本和模式崩溃问题之类的挑战持续存在。我们建议将变异自动编码器（VAE）和gan结合起来，以发现增强的3D结构，并引入一种稳定且可扩展的渐进式增长方法，以生成和重建基于体素的基于体素的3D形状。级联结构的网络涉及生成器和鉴别器，从小型体素大小开始，并逐步添加图层，同时在每个新添加的层中使用地面标签监督歧视器，以建模更广阔的体素空间。我们的方法提高了收敛速度，并通过稳定的增长来提高生成的3D模型的质量，从而促进了复杂的体素级详细信息的准确表示。通过与现有方法的比较实验，我们证明了方法在评估体素质量，变化和多样性方面的有效性。生成的模型在3D评估指标和视觉质量中表现出提高的准确性，使它们在包括虚拟现实，元评估和游戏在内的各个领域都很有价值。
通过预训练对比脑电图文本掩蔽自动编码器的可转移表征增强脑电图到文本解码
从非侵入性脑电图 (EEG) 重建自然语言作为脑机接口 (BCI) 的语言解码技术有着巨大的应用前景。然而，基于 EEG 的语言解码仍处于起步阶段，面临着一些技术问题，例如：1）缺乏能够有效结合跨模态（EEG 和文本之间）自学习与 EEG 特征或文本序列的模态内自重建的混合策略；2）未充分利用大型语言模型 (LLM) 来增强基于 EEG 的语言解码。为了解决上述问题，我们提出了对比 EEG-T 文本询问自动编码器 (CET-MAE)，这是一种新颖的模型，它通过专用的多流编码器在 EEG 和文本之间和内部协调复合自监督学习。此外，我们开发了一个名为 E2T-PTR（使用预训练可迁移表示进行 EEG 到 T 文本解码）的框架，该框架利用预训练模块以及来自 CET-MAE 的 EEG 流，并进一步使 LLM（特别是 BART）能够从 EEG 序列中解码文本。在流行的文本诱发 EEG 数据库 ZuCo 上进行的全面实验证明了 E2T-PTR 的优越性，它在 ROUGE-1 F1 和 BLEU-4 得分上分别比基线框架高出 8.34% 和 32.21%。我们提出的预训练 EEG-Text 模型显示出改善涉及 EEG 和文本的下游任务的潜力。这为其在内部语音 BCI 范式中的应用开辟了有希望的途径，值得进一步研究。
基于卷积自动编码器的深度学习方法利用脑部 MRI 诊断阿尔茨海默病
摘要 — 快速准确地诊断阿尔茨海默病 (AD) 对患者的治疗至关重要，特别是在疾病的早期阶段。虽然基于神经影像的计算机辅助诊断在帮助临床医生尽早发现疾病方面具有巨大的潜力，但仍有一些技术障碍需要克服。本研究通过整合监督预测和无监督表示，提出了一种使用卷积自动编码器的端到端疾病检测方法。2D 神经网络基于预先训练的 2D 卷积自动编码器，用于捕获结构性脑磁共振成像 (MRI) 扫描中的潜在表示。在 OASIS 脑 MRI 数据集上进行的实验表明，该模型在使用单个切片的准确性方面优于许多传统分类器。索引词 — 阿尔茨海默病、深度学习、图像分类、自动编码器、MRI、神经影像