XiaoMi-AI文件搜索系统
World File Search SystemConvLSTM
脑电图分类在...
摘要 — 对脑电图 (EEG) 信号进行分类有助于理解脑机接口 (BCI)。EEG 信号对于研究人类思维方式至关重要。在本文中，我们使用了由计算前信号 (BCS) 和计算期间信号 (DCS) 组成的算术计算数据集。该数据集包含 36 名参与者。为了了解大脑中神经元的功能，我们对 BCS 和 DCS 进行了分类。对于这种分类，我们提取了各种特征，例如互信息 (MI)、锁相值 (PLV) 和熵，即排列熵、谱熵、奇异值分解熵、近似熵、样本熵。这些特征的分类是使用基于 RNN 的分类器完成的，例如 LSTM、BLSTM、ConvLSTM 和 CNN-LSTM。当使用熵作为特征并使用 ConvLSTM 作为分类器时，该模型的准确率达到 99.72%。索引词 — 脑机接口、脑电图、循环神经网络、互信息、相位锁定值、熵。
已发布版本的引文：Ranieri, CM、Moioli, RC、Romero, RAF、de Araujo, MFP、De Santana, MB、Montino Pimentel, J 和 Vargas, PA 2020，揭幕
摘要 —帕金森病 (PD) 是一种神经退行性疾病，在世界人口中患病率不断上升，其特征是运动和认知症状。尽管 PD 患者的皮质脑电图读数通常用于输入不同的机器学习框架，但直接受影响的区域集中在一组皮质下核和相关区域，即所谓的运动回路。由于这些区域只能通过侵入性程序（例如局部场电位 (LFP) 测量）直接访问，因此大多数数据收集必须依赖于动物模型。据我们所知，到目前为止，还没有以运动回路 LFP 数据为中心的基于神经网络的分析报告。在这项工作中，我们训练和评估了一组深度神经网络，数据集来自狨猴，其中 LFP 读数来自健康和帕金森病患者。我们分析了每个训练过的神经网络的输入和来自中间层的表示。使用了 CNN 和 ConvLSTM 分类器，准确率高达 99.80%，以及基于 CNN 的自动编码器，该编码器也已证明可以学习与 PD 相关的表征。结果和分析提供了进一步的见解，并促进了对帕金森病相关因素的研究。索引术语 — 帕金森病、LFP 分析、深度学习、归因方法、计算神经科学。
通过多代理深钢筋学习在航空等级边缘计算系统中的计算卸载
摘要 - 物联网（IoT）设备和新兴应用程序的指数增长显着提高了对无处不在的连通性和有效计算范式的要求。传统的地面边缘计算体系结构无法在全球范围内提供庞大的物联网连接。在本文中，我们提出了一个由高空平台（HAP）和无人机（无人机）组成的航空层级移动边缘计算系统。特别是，我们考虑了不可分割的任务，并制定了流动问题的任务，以最大程度地降低任务的长期处理成本，同时满足流量的过程和任务处理过程中的排队机制。我们提出了基于多代理的深钢筋学习（DRL）的流量算法计算，其中每个设备可以根据局部观察结果做出其流量决策。由于无人机的计算资源有限，无人机的高任务负载将增加放弃流量任务的比率。为了增加完成任务的成功率，使用卷积LSTM（Convlstm）网络来估计无人机的未来任务负载。此外，提出了优先的体验重播（PER）方法以提高收敛速度并提高训练稳定性。实验结果表明，所提出的流量算法的计算优于其他基准方法。
双向探出，用于MR图像的脑肿瘤分割
摘要：近年来，基于深度学习的网络在MR图像的脑肿瘤分割方面取得了良好的性能。在现有网络中，U-NET已成功应用。在本文中，它提出了深度学习的双向卷积LSTM XNET（BCONVLSTMXNET），用于分割脑肿瘤并使用GoogleNet分类肿瘤和非肿瘤。对BRATS-2019数据集进行了评估，并获得了肿瘤和非肿瘤分类的结果：0.91，精度：0.95：0.95，召回：1.00＆F1得分：0.92。类似地，对于获得精度的脑肿瘤的分割类似：0.99，特定山脉：0.98，灵敏度：0.91，精度：0.91＆F1得分：0.88。关键字：convlstm; Googlenet；线性变换（LT）; Notch过滤器； X-NET 1简介大脑控制并协调许多重要的身体功能。正常细胞会产生，生长和死亡，当人体不需要它们时，异常细胞被称为癌症。当异常细胞在大脑的任何部分内部产生时，就会发生脑肿瘤。有两种主要类型的肿瘤，即恶性肿瘤和良性肿瘤。良性脑肿瘤是非癌性的，恶性肿瘤是癌性的。转移性脑肿瘤发生时，当位于人体另一个器官的癌症传播到大脑时，所有癌症中有40％扩散到大脑和中枢神经系统，最多一半的转移性脑肿瘤来自肺癌。在10,000个人群中，有5至10人影响印度的中枢神经系统（CNS）肿瘤[1]。
从全分辨率全分辨率全分辨率SMRI扫描
摘要 - 阿尔茨海默氏病（AD）是痴呆症最为流行的形式，比前列腺癌和乳腺癌杀死更多的人。结构磁共振成像（SMRI）广泛用于分析进行性脑部加重及其在区分AD方面的临床实用性。即使尚不存在有效治愈，早期发现对于减轻症状恶化的速度也是至关重要的。因此，本工作的目的是提出端到端3D卷积长的短期记忆（ConvlSTM）的基于全分辨率全分辨率全脑SMRI扫描的AD的框架。提出的框架应用于属于OASIS和ADNI数据库的427个全分辨率全分辨率全分辨率SMRI扫描，以提供较少的数据集特定于方法。的结果表明，我们的框架在区分AD的框架与认知上的Normal（CN）患者方面表现良好，达到86％的分类精度，敏感性为96％，F1评分为88％，AUC为88％，AUC的AUC为93％。测试是在可扩展的GPU云服务上进行的，并可以公开使用以保证可重复性。由于所提出的框架在没有AD的领域特定知识以及计算成本的过程（例如分割）的情况下表现良好，因此可以使用全脑SMRI扫描作为输入数据将其应用于其他精神疾病。索引术语 - Alzheimer病，深度学习，诊断，端到端方法，可扩展的GPU云，结构磁共振成像，3D卷积长的短期记忆
使用数据的地质碳存储的历史匹配...
基于监视数据的历史匹配将使不确定性减少，从而改善了工业规模的碳存储操作中的含水层管理。在传统的基于模型的数据同化中，对地理位置参数进行了修改，以在流量模拟结果和观察结果之间进行强制一致。在数据空间反转（DSI）中，历史匹配量的关注量，例如后压力和饱和磁场，以观察为条件，而无需构造后几何模型而直接推断出来。这是使用一组（1000）先前的仿真结果，数据参数化和贝叶斯设置后的后取样来有效完成的。在这项研究中，我们（在DSI中）开发和实施了基于深度学习的参数化，以在一组时间步长下代表时空压力和CO 2饱和场。新的参数化使用对抗性自动编码器（AAE）来减小尺寸和卷积长的短期内存（ConvlstM）网络来表示压力和饱和场的空间分布和时间演化。此参数化在DSI框架中使用多个数据同化（ESMDA）的集合更加顺畅，以实现后验预测。一个现实的3D系统，其特征是从一系列地质场景中提取的先前地质实现。引入了局部网格完善过程，以估计历史匹配公式中出现的误差协方差项。使用新的DSI框架为多个合成真实模型提供了各种数量的广泛历史匹配结果。在所有情况下，都达到了后压力和饱和场的大幅度不确定性。该框架还用于有效地为一系列误差协方差规范提供后验预测。使用传统的基于模型的方法，这种评估将非常昂贵。