XiaoMi-AI文件搜索系统
World File Search SystemCapsNet
基于 CapsNet 的脑 MRI 图像中胶质瘤的精确自动分割
摘要 — 胶质瘤是一种高度侵袭性的脑肿瘤，出现在大脑的不同部位，大小、形状各异，边界模糊。因此，在 MRI 图像中识别肿瘤的确切边界是一项艰巨的任务。近年来，基于深度学习的 CNN 方法在图像处理领域越来越受欢迎，并已用于医学应用中的精确图像分割。然而，CNN 的固有局限性使得在训练阶段需要数万张图像，而收集和注释如此大量的图像带来了巨大的挑战。在这里，我们首次优化了一个基于胶囊神经网络（称为 SegCaps）的网络，以实现 MRI 图像中的精确胶质瘤分割。我们将我们的结果与使用常用的 U-Net 进行的类似实验进行了比较。两个实验都是在 BraTS2020 挑战性数据集上进行的。对于 U-Net，网络训练是在整个数据集上进行的，而 SegCaps 使用的子集仅包含整个数据集的 20%。为了评估我们提出的方法的结果，我们使用了 Dice 相似系数 (DSC)。SegCaps 和 U-Net 在胶质瘤肿瘤核心分割上分别达到了 87.96% 和 85.56% 的 DSC。SegCaps 使用卷积层作为基本组件，具有概括新观点的内在能力。网络使用胶囊的动态路由来学习特征之间的空间关系。胶囊神经网络的这些功能使胶质瘤分割结果提高了 3%，数据更少，而其参数比 U-Net 少 95.4%。
使用深度胶囊网络和潜在动态条件随机场进行脑肿瘤分割
摘要：由于脑肿瘤差异性很大，自动分割仍然是一项艰巨的任务。我们提出了一种通过整合深度胶囊网络 (CapsNet) 和潜在动态条件随机场 (LDCRF) 来自动分割脑肿瘤的方法。该方法包括三个主要过程来分割脑肿瘤——预处理、分割和后处理。在预处理中，N4ITK 过程涉及在归一化强度之前校正每个 MRI 图像的偏置场。之后，在分割过程中使用图像块来训练 CapsNet。然后，在确定 CapsNet 参数后，我们使用轴向视图中的图像切片来学习 LDCRF-CapsNet。最后，我们使用一种简单的阈值方法来校正某些像素的标签，并从分割结果中删除小的 3D 连通区域。在 BRATS 2015 和 BRATS 2021 数据集上，我们训练并评估了我们的方法，发现它表现优异，可以在类似条件下与最先进的方法相媲美。
MES-CTNet：一种基于多域特征图的新型胶囊变压器网络，用于基于脑电图的情绪识别
摘要：由于脑电信号中蕴含了丰富的真实情绪数据，利用脑电信号进行情绪识别在人机交互领域引起了广泛关注。然而，传统的情绪识别方法在挖掘多域特征之间的联系和发挥其优势方面存在不足。在本文中，我们提出了一种基于多域特征的新型胶囊Transformer网络，用于基于EEG的情绪识别，称为MES-CTNet。该模型的核心由一个嵌入ECA（高效通道注意）和SE（挤压和激励）块的多通道胶囊神经网络（CapsNet）和一个基于Transformer的时间编码层组成。首先，结合多域特征的空频时间特性构建多域特征图作为模型的输入。然后，利用改进的CapsNet从多域特征图中提取局部情绪特征。最后利用基于Transformer的时间编码层全局感知连续时间片的情绪特征信息，得到最终的情绪状态。本文在DEAP和SEED两个不同情绪标签的标准数据集上进行了充分实验。在DEAP数据集上，MES-CTNet在情绪效价维度上取得了98.31%的平均准确率，在唤醒度维度上取得了98.28%的平均准确率；在SEED数据集上的跨会话任务上取得了94.91%的准确率，相比传统脑电情绪识别方法表现出了优异的性能。本文提出的MES-CTNet方法利用多域特征图，为基于脑电的情绪识别提供了更广阔的观察视角，显著提高了分类识别率，在脑电情绪识别领域具有重要的理论和实用价值。
基于时空脑电图帧的胶囊神经网络实现跨对象情绪识别
头皮脑电图是头皮电位与时间的关系图，因此，由于电极在头皮上的位置，它可以捕获空间信息，以及脑电波变化的时间信息。在本文中，我们提出了一种新方法，通过将信号合并到稀疏的时空框架中来组合表示空间和时间信息，以便计算机视觉领域的深度学习算法可以轻松地对其进行处理。在脑电图情绪识别设置中，还定义了模型对测试数据的熟悉度，并引入了一种数据拆分形式，使得模型必须在熟悉度最低的集合上执行。在 DEAP 数据集上训练 CapsNet 架构以执行跨主题二元分类任务，并分析了使用贝叶斯优化对超参数的调整。该模型报告称，对于 LOO 主题，最佳情况准确率为 0.85396，平均情况准确率为 0.57165，对于未见主题-未见记录分类，最佳情况准确率为 1.0，平均情况准确率为 0.51071，这与其他文献报告的结果相当。
公共安全通信 2024 年五年战略计划
无线电通信部门 无线电通信部门是加利福尼亚州公共安全机构使用的公共安全通信的主要提供商。该部门由客户工程、运营和项目管理组成。虽然各部门职责不同，但都团结一致，负责规划、设计、工程和安装，提供 24 小时/每周 7 天/每年 365 天的维护，维修和维护州公共安全机构的无线电系统以及 CAPSNET。 • 项目管理部门充当客户机构和 PSC 之间的接口。该部门负责监督服务接收、项目管理和促进 PSC 服务交付的组织流程。 • 客户工程部门为公共安全机构提供系统专业知识和咨询，以及规划系统设计、修改和实施。他们为现场技术人员提供技术援助、培训和测试标准化支持。 • 运营部门与所有州机构进行一线合作，以了解他们的通信需求，确保优化他们的系统，并实现他们的关键任务通信目标。此外，他们还专门安装和维护公共安全通信系统，并且每年 365 天、每周 7 天、每天 24 小时随时待命，以应对系统中断并恢复通信。
多 C-EEG--胶囊.pdf
近年来，深度学习 (DL) 技术，尤其是卷积神经网络 (CNN)，在基于脑电图 (EEG) 的情绪识别中显示出巨大的潜力。然而，现有的基于 CNN 的 EEG 情绪识别方法通常需要相对复杂的特征预提取阶段。更重要的是，CNN 不能很好地表征不同通道的 EEG 信号之间的内在关系，而这本质上是识别情绪的关键线索。在本文中，我们提出了一种有效的多级特征引导胶囊网络 (MLF-CapsNet) 用于基于多通道 EEG 的情绪识别，以克服这些问题。MLF-CapsNet 是一个端到端框架，可以同时从原始 EEG 信号中提取特征并确定情绪状态。与原始 CapsNet 相比，它在形成主要胶囊时结合了不同层学习到的多级特征图，从而可以增强特征表示能力。此外，它使用瓶颈层来减少参数量并加快计算速度。我们的方法在 DEAP 数据集的效价、唤醒度和支配度上分别达到了 97.97%、98.31% 和 98.32% 的平均准确率，在 DREAMER 数据集的效价、唤醒度和支配度上分别达到了 94.59%、95.26% 和 95.13% 的平均准确率。这些结果表明我们的方法比最先进的方法具有更高的准确率。
E2ENNet：用于情感脑机接口的端到端神经网络
情绪的反映有两种，包括外部反应和内部反应：外部反应包括人的面部表情、手势或言语等；内部反应包括皮肤电反应、心率、血压、呼吸频率、脑电图（EEG）、脑电图（EOG）（Yu et al., 2019）、脑磁图（MEG）（Christian et al., 2014）。从神经科学的角度（Lotfiand Akbarzadeh-T., 2014）发现，大脑皮层的主要区域与人的情绪密切相关（Britton et al., 2006; Etkin et al., 2011; Lindquist and Barrett, 2012），这启发我们通过在头皮上放置脑电电极来收集脑电信号，记录大脑的神经活动，从而识别人的情绪。脑电信号蕴含着情绪信息，近年来在情绪识别领域得到了广泛的应用（Soroush et al.，2017；Sulthan et al.，2018；Alarcao and Fonseca，2019）。在传统的脑电情绪识别过程中，特征提取是至关重要的步骤。如图1所示，在对脑电信号进行预处理后，通常需要从原始脑电信号中提取特征，然后输入到网络进行分类识别（Duan et al.，2013；Chen et al.，2021；Ma et al.，2021）。Duan等（2013）提出了五频带的差分熵（DE）特征，并利用DE特征获得了满意的分类结果。Li et al. (2019) 利用短时傅里叶变换提取时频特征，计算 theta、alpha、beta、gamma 波段的功率谱密度 (PSD) 特征，并使用 LSTM 进行情绪判别，取得了显著的分类结果。马等 (2021) 提出了一种甲虫天线搜索 (BAS) 算法，该算法在三个不同波段和六个通道中提取三个不同的特征，并采用 SVM 分类器进行分类。与传统 SVM 方法相比，BAS-SVM 方法的分类准确率提高了 12.89%。近年来，深度学习方法被广泛应用于情绪识别 (Jia et al.，2020a；Li et al.，2020；Zhou et al.，2021)。宋等 (2021) (2018) 根据电极位置设计 DE 特征，并使用图卷积神经网络 (GCNN) 作为分类器。张等 (2019) 创新性地将从脑电数据集中提取的 DE 特征与从面部表情数据集中提取的特征相结合，构建了时空循环神经网络 (STRNN) 用于情绪识别。李等 (2018) 提出了一种双半球域对抗神经网络 (BiDANN)，以 DE 作为输入特征，在 SEED 数据集上进行了受试者相关和受试者独立的实验，取得了相对最佳的性能。郝等 (2021) 提出了一种提取 PSD 特征作为输入的轻量级卷积神经网络，并在 DEAP 数据集上进行了实验，分别取得了 82.33 和 75 的成绩。Valance 和 Arousal 分别为 46%。Chen 等人 (2021) 提出了一种集成胶囊卷积神经网络 (CapsNet)，该网络使用小波包变换 (WPT) 进行特征提取。平均