XiaoMi-AI文件搜索系统
World File Search SystemBolat
1 前列腺癌细胞特异性 BikDDA 递送...
Umut Can Oz a,b 、Zeynep Busra Bolat c 、Alessandro Poma b 、Lijuanguan b 、Dilek Telci c 、Fikrettin
语言研究理论与实践目录
英汉词缀来源与词形的哲学关系 谭正华 郭燕华 疫情期间英语语言元素的传播 Merey Balabekova、Nadezhda Khan、Yeldos Tuite、Sayan Kenzhegaliev、Zamzagul Zuyntayeva、Bektursun Kaliev 和 Zhandos Smagulov 描写 Khushwant Singh 短篇小说《Kusum》和《The Great Difference》中的怪诞人物和场景 P. Gopikrishna 和 J. Anil Premraj 古爪哇语语法主语的结构和作用 Ni Ketut Ratna Erawati 和 I Ketut Ngurah Sulibra 推进动机与能力研究与教师实践和成功的二语学习成果的关系 Sami Ali Nasr Al-wossabi 诗人的心理状态及其与 Zahaafaat 的关系和 Ilal：以 Abi Al-Shis Al- Khuza'i 的诗为范本 Ali M. Al Tawalbeh 《白鲸》的圣经原型研究 Xiaoni Ye 文学翻译是艺术接受的主要工具之一：以哈萨克斯坦和俄罗斯文学互动为例 Kadisha Nurgali、Viktoriya Siryachenko、Liliya Mukazhanova、Marzhan Zhapanova 和 Rabiga Nurgali 通过导演话语和作者理论重新思考电影改编：解读丹·布朗的《达芬奇密码》 M Caleb Theodar 和 Saranya P 印尼语寒暄功能的三元性 R. Kunjana Rahardi 第二语言词汇学习中的语料库和协和 Morad Alsahafi 阿卜杜拉二世国王关于 COVID-19 疫情影响的两次演讲中的说服策略 Amal Samir AbuAlhuda 和 Sabri Alshboul An约翰·奥斯本的《道林·格雷的画像》中自恋表达的编排——一种道德娱乐：对科胡特自我心理学的反思 精神分析 M. Ramesh Kumar 和 G. Christopher 探索亚萨维的《Divan-i Hikmet》英文版中的主题和情感：一种文本挖掘方法 Zhazira Azamatovna Suleimenova、Rysgul Abilkhamitkyzy、Bakyt Amirkhankyzy Yskak 和 Bolat Saginbekuly Korganbekov 解读学生和教师对英语作为教学媒介的看法：以萨塔姆·本·阿卜杜勒阿齐兹王子大学为例的研究 Mohammed Aldawsari
反卷积网络在癫痫检测中的特征可解释性应用
大脑中不规则的电活动会导致人的行为、运动、感官体验和对周围环境的意识发生深刻而暂时的变化（Nasiri 和 Clifferd，2021 年）。在早期阶段识别和治疗癫痫对患有这种疾病的人来说可以带来关键而有价值的变化。头皮脑电图 (EEG) 是一种测量大脑电活动的非侵入性技术，是诊断癫痫的广泛使用的补充检查（Liang 等人，2020 年）。在癫痫发作期间，患者的脑电图将显示出明显的异常模式（Staba 等人，2014 年）。医生可以通过检查脑电图来帮助确定是否发生癫痫。然而，审查长期脑电图需要医生投入大量的时间和精力。因此，开发自动癫痫检测算法至关重要（Si 等人，2023 年）。研究人员正积极致力于开发利用脑电图数据自动检测癫痫发作的方法。从最初使用硬件电路的尝试到后来利用时域信息和基于阈值的方法进行癫痫发作检测。后续发展涉及使用频域特征和提取时频特征（Xia 等人，2015 年）进行癫痫发作检测。自引入以来，深度学习模型在计算机视觉任务中比手动提取的特征更具弹性（Chen 等人，2024 年）、语音识别（Eris and Akbal，2024 年）和自然语言处理（Luo 等人，2024 年）。因此，利用深度学习技术自动使用脑电图信号检测癫痫发作已显示出在做出最合适和最快临床决策方面具有重大前景（Ahmad 等人，2023 年）。近几年来，各种深度学习模型已用于癫痫发作检测，包括循环神经网络（Tuncer 和 Bolat，2022 年）、生成对抗网络（Rasheed 等人，2021 年）、深度神经网络（Liu 和 Richardson，2021 年）、分层神经网络（Hu 等人，2021 年）和卷积神经网络。这些模型取得了令人鼓舞的结果（Kaur 等人，2022 年）。卷积网络在逐像素进行端到端训练后，性能得到了进一步提升。随着全卷积网络 (FCN) 的引入，神经网络设计可以处理不同大小的输入，并通过高效的推理和学习机制产生相应大小的输出（Chou 等人，2023 年）。然而，FCN 尚未广泛应用于癫痫发作检测。同时，以往的深度学习算法往往忽略了不同通道对分类任务的贡献，导致模型的可解释性有限。针对上述问题，本文提出了一种基于深度学习的独立癫痫检测算法。算法可以从多通道脑电图数据中自主提取时间和空间信息，从而能够精确识别不同患者的癫痫发作事件。本文做出了几个关键贡献，包括：λ 提出了一种结合 SE（挤压和激励）模块的 CNN 模型检测算法。该方法已在 CHB-MIT 数据集上进行了评估，并取得了优异的性能。λ 首次将 FCN 模型中的上采样方法应用于癫痫发作检测，通过利用反卷积实现，将降尺度的图像从