XiaoMi-AI文件搜索系统
World File Search SystemLSTM
LSTM 战略 2023
这些研究活动将通过增加高级科学家的数量（在此期间，LSTM 雇用的科学家数量将增加 25%）、加强和扩大我们的伙伴关系和合作以及制定新的全球发展和领导力计划来加强。利物浦和马拉维的实验医学和实验室研究的基础设施投资以及对其他全球研究中心的投资将为此奠定基础。与社区的接触和建立平等的伙伴关系将确保我们的研究持续具有相关性，并在改善健康结果方面产生最大的影响和效益
微生物 - LSTM在线存档
摘要：微生物组组成与疟疾载体中的杀虫剂抗性有关。然而，主要共生体对日益报告的抗药性升级的贡献尚不清楚。这项研究探讨了特定的内共生体Asaia spp。的可能关联，其拟甲虫素耐药性升高，由细胞色素P450S酶和Anopheleles funestus和Anopheles gambiae的电压门控钠通道突变驱动。分子测定法用于检测共生体和电阻标记（CYP6P9A/B，6.5 Kb，L1014F和N1575Y）。总体而言，关键突变的基因分型揭示了与抗性表型的关联。Asaia spp的患病率。在Fumoz_X_FANG菌株中，在5次剂量的Deltamethrin（OR = 25.7; P = 0.002）时与电阻表型相关。蚊子的感染程度更高。此外，丰度与1倍浓度的三分之一的抗性表型相关（p = 0.02，Mann-Whitney测试）。然而，对于Mangoum_x_kisumu菌株，发现的发现却揭示了Asaia载荷与易感表型之间的关联（P = 0.04，Mann-Whitney测试），表明了共生体和苄氯菊酯耐药性之间的负相关。应进一步研究这些细菌，以建立其与其他耐药机制的相互作用，并与其他杀虫剂类别进行交叉抗性。
用于脑部的三元双向 LSTM 分类...
摘要 — 功能性近红外光谱 (fNIRS) 是一种非侵入性、低成本的方法，用于研究大脑的血流模式。这种模式可以让我们根据受试者的行为进行分类。在最近的研究中，大多数分类系统使用传统的机器学习算法对任务进行分类。这些方法更容易实现，但通常准确性较低。此外，在实施传统的机器学习方法之前，需要进行复杂的数据准备预处理阶段。所提出的系统使用基于双向 LSTM 的深度学习架构进行任务分类，包括使用 fNIRS 数据的心算、运动想象和空闲状态。此外，与传统方法相比，该系统需要更少的预处理，节省时间和计算资源，同时获得 81.48% 的准确率，这比使用传统机器学习算法对同一数据集获得的准确率高得多。
同一个健康 - LSTM 在线档案
为了初步了解马拉维的山羊血吸虫病及其人畜共患潜力，我们进行了一项分子流行病学调查，在三个地区采集了山羊样本（n = 230），并使用粪便毛蚴孵化试验。后来对毛蚴进行分子基因分型表明，恩桑杰区（n = 30）的马氏血吸虫患病率为 0.0%，奇克瓦瓦区（n = 30）的患病率为 16.7%，曼戈切区（n = 170）的患病率为 25.3%。值得注意的是，在奇克瓦瓦的一只山羊身上发现了埃及血吸虫的毛蚴。对曼戈切区两家当地屠宰场的胴体（n = 51）进行检查后，未发现任何山羊血吸虫病的证据，只有曼戈切 3 的一个羊群受到感染。在这里，尽管对附近的几个其他牧群进行了采样，但患病率仍高达 87.7 % (n = 49)，其中一只动物每 5 克粪便中排出 1000 个毛蚴。在这里，我们的吡喹酮治疗（n = 14）和 GPS 动物追踪（n = 2）试点子研究对三个月内的两个当地山羊牧群进行了比较。记录了 10 平方公里区域内的每日觅食范围，并在当地淡水中间蜗牛宿主内进行有针对性的血吸虫监测。GPS 数据分析显示，只有一个牧群（受感染）每天定期接触马拉维湖的水，而另一个牧群（未感染）完全避开湖泊。以 40 mg/kg 的剂量施用吡喹酮治疗一周后，驱虫治愈率为 92.3 %，而三个月后，大约三分之一的接受治疗的动物脱落血吸虫毛蚴。对当地捕获的几种田间蜗牛尾蚴进行了基因分型，包括发现了埃及血吸虫 - 马特氏血吸虫杂交种。我们的研究结果揭示了山羊血吸虫病的局灶性，为埃及血吸虫传播发出了新的警报，并强调了人畜共患传播可能很严重的地区。为了更好地解决马特氏血吸虫（和/或埃及血吸虫）的人畜共患溢出效应，国家血吸虫病控制计划应正式制定针对山羊血吸虫病的有针对性的监测，并在适当的情况下，在未来尝试综合的“同一个健康”干预措施。
高能效率LSTM加速器体系结构
摘要：修剪和量化是加速LSTM（长短期内存）模型的两种常用方法。但是，传统的线性量化通常会遇到梯度消失的问题，而现有的修剪方法都有产生不希望的不规则稀疏性或大型索引开销的问题。为了减轻消失梯度的问题，这项工作提出了一种归一化的线性量化方法，该方法首先将操作数正常化，然后在局部混合最大范围内进行量化。为了克服不规则的稀疏性和大型索引开销的问题，这项工作采用了排列的块对角掩模矩阵来产生稀疏模型。由于稀疏模型高度规律，因此可以通过简单的计算获得非零权重的位置，从而避免了大型索引开销。基于由排列的块对角面胶质矩阵产生的稀疏LSTM模型，本文还提出了高能耐加速器的Permlstm，该材料全面利用了有关基质 - 载体乘积的重量，激活和产品的稀疏性，从而导致55.1％的动力减少。与先前报道的其他基于FPGA的LSTM加速器相比，与先前报道的其他基于FPGA的LSTM加速器相比，该加速器已在以150 MHz运行的ARRIA-10 FPGA上实现，并达到2.19×〜24.4×能量效率。
用CNN和LSTM诊断急性冠状动脉综合征
摘要： - 急性冠状动脉综合征（ACS）及其亚型的早期和准确诊断对于患者健康至关重要。这项研究的目的是利用心电图（ECG）信号开发一种深度学习方法来对ACS及其不同类型进行分类。该模型是使用卷积神经网络和长期短期记忆结构的组合来构建的，以对代表急性心肌梗死的ECG信号（STEMI），心肌梗死，没有ST-ST-ST-SEPITION（NSTEMI）和健康的个体。数据集由从Erciyes大学医院急诊室出现胸痛的患者收集的12个铅ECG信号。ECG数据以使用Notch，低通和高通滤波器来消除噪声，然后使用Z得分归一化进行标准化。通过k-折叠交叉验证评估模型性能，计算指标，例如准确性，灵敏度，特异性，精度，F1分数和分类率。具有5倍交叉验证，分类精度为ACS-正常组为0.928±0.0172，NSTEMI正常组为0.891±0.0083，STEMI-Nortoral组为0.886±0.02275。这些发现表明，所提出的深度学习模型可有效区分ACS及其亚型，显示出对将来整合到临床应用中的希望。
使用 LSTM 网络进行基于上下文的文本生成
基于序列的模型上的长短期记忆 (LSTM) 单元因其学习长期依赖关系的能力而被用于翻译、问答系统和分类任务。在自然语言生成中，LSTM 网络通过学习具有语法稳定的句法的语言模型，在文本生成模型上提供了令人印象深刻的结果。但缺点是网络不会学习上下文。网络只学习输入输出函数，并根据一组输入词生成文本，而不考虑语用。由于模型是在没有任何此类上下文的情况下训练的，因此生成的句子之间没有语义一致性。所提出的模型经过训练，可为给定的一组输入词生成文本以及上下文向量。上下文向量类似于段落向量，它掌握句子的语义（上下文）。本文提出了几种提取上下文向量的方法。在训练语言模型时，除了输入输出序列之外，还会与输入一起训练上下文向量。由于这种结构，模型可以学习输入词、上下文向量和目标词之间的关系。给定一组上下文术语，训练有素的模型将围绕提供的上下文生成文本。基于计算上下文向量的性质，该模型已尝试了两种变体（单词重要性和单词聚类）。在单词聚类方法中，还探索了各个领域之间的合适嵌入。根据生成的文本与给定上下文的语义接近度来评估结果。
使用CNN和LSTM
抽象提供的脚本使用图像数据集实现了图像字幕模型。该体系结构结合了用于图像特征提取的RESNET50卷积神经网络（CNN）和用于处理单词序列的长期短期内存网络（LSTM）。阅读和清洁字幕后，脚本预处理数据，使用Resnet50提取图像功能，并准备培训和测试数据集。该模型旨在预测给定图像的字幕，并结合了手套中的单词嵌入。脚本还涉及创建单词到索引和索引到字映射，定义模型体系结构，并使用用于数据加载的生成器训练模型。训练利用图像特征和单词序列的组合，并使用测试图像上的BLEU分数评估模型。总体方法反映了图像字幕的深度学习范式，利用视觉和语言信息来产生描述性字幕。RESNET50 CNN充当强大的功能提取器，LSTM捕获了语言的顺序依赖性，从而产生了全面的图像字幕模型。
使用具有物理信息的LSTM进行自动驾驶汽车建模
准确地对重型车辆（例如卡车）的动态进行建模对于安全自动导航至关重要。动态模型需要在各种天气和道路状况以及不同的负载配置下捕获复杂的系统行为。此摘要概述了在自动驾驶汽车的运动计划和控制背景下，物理知识的长期记忆（PI-LSTM）网络的整合为动态模型。通过利用LSTM的预测能力来建模复杂的动力学，并通过在损失函数中添加物理约束而施加的普遍性，我们为生成针对运动计划和控制而定制的更有效和可靠的预测的框架。车辆建模的系统识别问题旨在解决以下普通微分方程：
使用动态偏置 LSTM 对 ECG 异常进行分类...
摘要 — 本文提出了一种基于动态偏置长短期记忆 (DB-LSTM) 网络的心电图 (ECG) 信号分类模型。与传统 LSTM 网络相比，DB-LSTM 引入了一组参数 C，用于保存单元格的先前时间步长单元门状态。因此，可以保留更多特征信息，并且分类任务所需的网络规模更小。使用 MIT-BIH ECG 数据集进行的全面模拟表明，该模型可以在更短的时间窗口、更快的训练收敛下执行 ECG 特征分类，同时以更低的权重分辨率实现相当的训练和分类精度。与其他最先进的 ECG 分析算法相比，该模型仅需要 4 层，当权重从 FP32 截断为 INT4 时，准确率达到 96.74%，准确率仅下降 2.4%。在 Xilinx Artix-7 FPGA 上实现，所提出的设计估计仅消耗 40μW 动态功率，这对于资源受限的边缘设备来说是一个有希望的候选方案。