摘要 — 本研究调查了在涉及大型用户组和每个参与者多个会话的因果环境中在线纵向脑电图 (EEG) 运动想象 (MI) 解码中深度学习的持续微调策略。我们是第一个在大型用户组中探索此类策略的人,因为纵向适应通常是在单个受试者环境中使用单一适应策略进行研究的,这限制了推广研究结果的能力。首先,我们研究了不同的微调方法对解码器性能和稳定性的影响。在此基础上,我们集成了在线测试时间适应 (OTTA) 以在部署期间调整模型,补充了先前微调的效果。我们的研究结果表明,基于先前特定于主题的信息连续进行的微调可以提高性能和稳定性,而 OTTA 可以有效地使模型适应连续会话中不断变化的数据分布,从而实现无校准操作。这些结果为纵向在线 MI 解码的未来研究提供了宝贵的见解和建议,并强调了结合领域适应策略对提高实际应用中的 BCI 性能的重要性。临床相关性——我们的研究实现了更稳定、更有效的长期运动想象解码,这对于神经康复和辅助技术至关重要。
* Dirk Bergemann感激地感谢NSF SES 2049754和ONR Muri的财政支持。Alex Smolin在未来的投资(投资D'Avenir)计划(Grant ANR-17-EURE-0010)以及通过人工和自然情报图Toulouse Institute(ANITI)下,感谢法国国家研究局(ANR)的资金。
在开发高通量测序仪后,环境原核生物群落通常是通过在16S域上用遗传标记来描述的。然而,由于底漆的选择和读取长度,简短读取测序遇到了系统发育覆盖率和分类分辨率的局限性。在这些关键点上,纳米孔测序(一种适用于长读的元编码的上升技术)被低估了,因为其每读的错误率相对较高。在这里,我们比较了模拟社区中的原核生物群落结构和两个对比的红树林遗址的52个沉积物样本,由16SV4-V5标记上的短读描述(Ca。0.4kpb)通过Illumina测序分析(Miseq,v3),由长读细菌对细菌的描述几乎完整16s(Ca。1.5 kpb)由牛津纳米孔(Minion,R9.2)分析。短读和长阅读从模拟中检索了所有细菌属,尽管两者都显示出与所期待的比例相似的偏差。从沉积物样品中,具有覆盖范围的读数稀有性,在单例过滤后,共同恩赐和Procrustean测试表明,从短读和长长读取的细菌社区结构显着相似,表明位点之间的相当对比度和站点内相干的海岸方向是可比的。在我们的数据集中,分别将84.7和98.8%的短阅读分别分别分配给了相同的物种和属,而不是长阅读所检测到的物种和属。长期16的底漆特异性使其能够检测到309个家庭中的92.2%,而在短16SV4-V5检测到的448属中,有87.7%。长阅读记录了973个未检测到的额外分类单元,其中91.7%被确定为该属等级,其中一些属于11个独家门,尽管仅占长期读数的0.2%。
背景:超声心动图为心脏健康提供了基本见解,但是它们复杂的多维数据为分析和解释带来了重大挑战。现有用于超声心动图分析的深度学习模型通常严重依赖于监督培训,这限制了它们在不同数据集和临床环境中的普遍性和鲁棒性。目的:开发和评估Echo-Vision-FM(Echo Cardiogram视频视频视频f oundelation M Odel),这是一个自我监督的视频学习框架,旨在预先培训视频编码器,以大规模,未标记的超声心动图数据进行预编码。Echo-Vision-FM旨在产生可靠且可转移的视频表示形式,从而改善超声心动图数据集和临床条件的下游性能。方法:所提出的框架通过掩盖的自动编码技术采用高级自我监督的视频学习,该技术可以压缩视频数据的片段,并通过掩盖非重叠视频补丁来重建完整的视频。不对称的编码器架构架构是此方法的基础。为了进一步增强学习的表示形式,我们介绍了STF-NET,这是一个patial-t emporal f usion Net,该网络整合了视频表示的空间和时间相关性。我们使用MIMIC-IV-ECHO数据集进行了预训练的Echo-Vision-FM,并在多个下游数据集中进行了微调,以进行特定的临床任务,包括形态学价值估计以及心脏功能和疾病的诊断。在回归任务中,Echo-Vision-FM优于最先进的模型,对于LV EF预测,达到平均绝对误差(MAE)为3.87%,R 2的平均误差(MAE)为0.825。结果:Echo-Vision-FM在分类左心室射血分数(LV EF)方面取得了出色的性能,精度为0.905,F1得分为0.941,AUC为0.931。该模型在估计终端施加局和末期量体积方面也有显着改善,R 2值分别为0.782和0.742。合并STF-NET进一步增强了所有任务的性能。结论:我们的结果表明,关于Echocarigon图数据的大规模自学视频学习可以提取可转移和临床相关的特征,超过现有方法。Echo-Vision-FM框架,特别是在包含STF-NET的情况下,显着改善了时空特征的提取,从而提高了一系列心脏参数的预性准确性。Echo-Vision-FM为超声心动图分析提供了可扩展有效的解决方案,并在临床诊断和研究中采用了有希望的应用。
脑部计算机界面(BCIS)可以从神经活动中解释想象的语音。但是,这些系统通常需要广泛的培训课程,参与者想象地重复单词,从而导致精神疲劳和困难识别单词的发作,尤其是在想象单词序列时。本文通过转移经过公开语音数据培训的分类器来掩盖语音分类,从而解决了这些挑战。我们使用了源自希尔伯特包络和时间精细结构的脑电图(EEG)特征,并将它们用于训练双向长短记忆(BILSTM)模型进行分类。我们的方法减轻了广泛的培训和实现最先进的分类精度的负担:公开语音的86.44%,使用公开的语音分类器的秘密语音为79.82%。
脑机接口 (BCI) 可以从神经活动中解码想象中的语音。然而,这些系统通常需要大量的训练,参与者在训练中想象重复单词,这会导致精神疲劳和难以识别单词的开头,尤其是在想象单词序列时。本文通过将在显性语音数据中训练过的分类器转移到隐性语音分类中来解决这些挑战。我们使用了从希尔伯特包络和时间精细结构中得出的脑电图 (EEG) 特征,并使用它们来训练双向长短期记忆 (BiLSTM) 模型进行分类。我们的方法减轻了大量训练的负担,并实现了最先进的分类准确率:使用显性语音分类器,显性语音的准确率为 86.44%,隐性语音的准确率为 79.82%。
本文介绍了HFUT-LMC团队对基于文本的人异常搜索(TPA)的www 2025挑战的解决方案。这一挑战的主要目标是准确识别大型行人图像库中表现出正常行为或异常行为的步调。与传统的视频分析任务不同,TPA非常强调理解和解释文本描述与视觉数据之间的微妙关系。此任务的复杂性在于该模型不仅需要将个人与大量图像数据集中的文本描述匹配,而且还可以准确地区分搜索结果,而搜索结果则在遇到模拟描述时。为了克服这些挑战,我们介绍了相似性覆盖率分析(SCA)策略,以解决由类似文本描述引起的参考难度。此策略有效地增强了模型管理微妙差异的能力,从而提高了搜索的准确性和可靠性。我们提出的解决方案在这一挑战中表现出色。
扩散张量成像(DTI)是磁共振成像(MRI)的高级方式,它扩展了扩散加权成像(DWI)的能力。DWI测量水扩散信号,DTI利用来自多个扩散方向的数据来绘制大脑中水分子的三维扩散,从而使其微观结构组织的评估。源自DTI的密钥指标包括分数各向异性(FA),它反映了白质微结构的完整性;平均扩散率(MD),这表明了总水扩散的大小,并且与细胞密度和细胞外空间有关。和径向扩散率(RD),代表垂直于轴突纤维的扩散,与髓磷脂状况相关[1]。dTI已应用于神经康复领域,研究报告了基于白质分析[2-4],其效用在预测中风和创伤性脑损伤后的运动和功能恢复方面。此外,DTI已用于调查神经退行性疾病的白质变化[5-7],并提供了一种定量方法来评估细微的微结构变化,而常规MRI很难检测到这些变化[8,9]。
Tommaso Nicolini,Shekhar Shinde,Reem El-Actar,Gerardo Salinas,Damien Thuau,Mamatimin Abbas,Matthieu Raoux,Jochen Lang,Eric Clout,Eric Clout,Alexander Kuhn,Alexander Kuhn,Alexander Kuhn* T. Nicolini博士,G。Salinas博士,G。Salinas,PROFIV。Bordeaux,CNRS,Bordeaux INP,ISM,UMR 5255,33607 PESSAC,法国电子邮件:kuhn@enscbp.fr S. S. S. S. Shinde,E。Cloutet Uni博士。 Bordeaux,CNRS,Bordeaux INP,LCPO,UMR 5629,33615 Pessac,法国R. El-Actar,D。Thuau博士,M。AbbasUniv博士。 波尔多,CNRS,Bordeux INP,CBMN,UMR 5248,33600 PESSAC,法国,Bordeaux,CNRS,Bordeaux INP,ISM,UMR 5255,33607 PESSAC,法国电子邮件:kuhn@enscbp.fr S. S. S. S. Shinde,E。Cloutet Uni博士。Bordeaux,CNRS,Bordeaux INP,LCPO,UMR 5629,33615 Pessac,法国R. El-Actar,D。Thuau博士,M。AbbasUniv博士。 波尔多,CNRS,Bordeux INP,CBMN,UMR 5248,33600 PESSAC,法国,Bordeaux,CNRS,Bordeaux INP,LCPO,UMR 5629,33615 Pessac,法国R. El-Actar,D。Thuau博士,M。AbbasUniv博士。波尔多,CNRS,Bordeux INP,CBMN,UMR 5248,33600 PESSAC,法国,波尔多,CNRS,Bordeux INP,CBMN,UMR 5248,33600 PESSAC,法国,
摘要大型语言模型(LLMS)的最新出现已在自然语言处理(NLP)领域取得了重大进步。尽管这些新模型在各种任务上都表现出卓越的性能,但在他们可以处理的任务的多样性和应用领域的多样性方面,它们的应用和潜力仍未得到充分展望。在这种情况下,我们在一组13个现实世界中的临床和生物医学NLP任务中评估了四个最先进的指导型LLM(Chatgpt,Flan-T5 UL2,TK-Instruct和Alpaca),英语中的NLP任务,包括指定的实用性识别(NER),问题(NER),求解(QA),涉及(QA),涉及(qa),resitation(qa),更多。我们的总体结果表明,这些评估的LLMS在大多数任务中以零和几乎没有弹药方案的方式进行了最先进的模型的性能,即使他们以前从未遇到过这些任务的示例,尤其是在质量检查任务中表现出色。但是,我们还观察到,分类和重新任务无法通过为医疗领域设计的专门训练的模型(例如PubMedbert)实现的性能。最后,我们注意到,在所有研究任务中,没有一个LLM胜过所有其他LLM,某些模型比其他模型更适合某些任务。