XiaoMi-AI文件搜索系统
World File Search SystemSignal
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
使用多层多层储层计算
大脑电路涉及大量的反馈回路，其动力学取决于相互作用的延迟。脑启发的储层计算利用互连单元的丰富复发动力学来执行输入的任务。特别是，时间延迟储层计算使用非线性延迟反馈回路架构中的高维瞬态动力学，例如时间序列预测和语音分类。最近还证明，通过包含多个延迟的延迟分化系统的动态属性修改，以提高时间延迟储层计算的性能。在这里，我们探索了这种基本和技术重要性的这种神经启发的计算的另一个方面：在混合物中分离和预测两个信号的能力，在混合物中，每个信号由于其潜在的动力学而具有一些内在的可预测性。使用混沌输入信号混合物的多层和多层储层计算进行了说明。与独立的组件分析和相关的无监督学习技术相反，这里的上下文在于平行监督每个信号的动力学学习，以便在训练集之外预测每个信号的每个信号。此外，将混沌信号的超渗透到单个输入通道中增加了任务的难度。我们用确定性和随机系统发出的各种信号来量化和解释这种性能。此外，我们还探索了深度延迟储层计算机的体系结构。我们的发现表明，多延迟储层计算可以学习和预测两个叠加确定性信号的未来。预测（因此分离）在单层和多层时间延迟的预订计算中可能会明显更高。混合信号的带通滤波以除去较低和较高的频率，将预测提高了几％。在某些情况下，矛盾的是，增加混合物中一个混沌信号的比例实际上可以帮助学习另一个混乱信号，从而稍微改善其预测。
使用有机电化学晶体管阵列和脉冲神经模拟进行神经形态信号分类
摘要 — 神经形态计算是一个令人兴奋且发展迅速的领域，旨在创建能够复制人类大脑复杂动态行为的计算系统。有机电化学晶体管 (OECT) 因其独特的生物电子特性而成为开发此类系统的有前途的工具。在本文中，我们提出了一种使用 OECT 阵列进行信号分类的新方法，该方法表现出类似于通过全局介质连接的神经元和突触的多功能生物电子功能。我们的方法利用 OECT 的固有设备可变性来创建具有可变神经元时间常数和突触强度的储存器网络。我们通过将表面肌电图 (sEMG) 信号分为三个手势类别来证明我们方法的有效性。OECT 阵列通过多个门馈送信号并测量对具有全局液体介质的一组 OECT 的响应来执行有效的信号采集。我们比较了在有和没有将输入投射到 OECT 上的情况下我们的方法的性能，并观察到分类准确率显著提高，从 40% 提高到 68%。我们还研究了不同的选择策略和使用的 OECT 数量对分类性能的影响。最后，我们开发了一种基于脉冲神经网络的模拟，该模拟模仿了 OECT 阵列，并发现基于 OECT 的分类与基于脉冲神经网络的方法相当。我们的工作为下一代低功耗、实时和智能生物医学传感系统铺平了道路。
深入加固Q学习，用于智能交通信号控制，部分检测
摘要 - 智能传统信号控制器，将DQN算法应用于传递光策略优化，通过将TRAF-Fimfimals调整到实时交通状态，可以充分地减少交通拥堵。文献中的大多数命题都认为，检测到十字路口的所有车辆都是不现实的情况。最近，新的无线通信技术已通过基础设施对连接的车辆进行了成本范围的检测。只有当前配备的总量的一小部分，可以在低检测率下执行的方法。在本文中，我们提出了一个深钢筋Q学习模型，以优化孤立的交叉点，在具有连接车辆的部分可观察到的环境中。首先，我们在RL框架中介绍了新颖的DQN模型。我们为部分可观察到的环境引入了新的状态表示形式，并为传播信号控制提供了新的奖励功能，并提供网络体系结构和调整的超参数。第二，我们以两个步骤在多种情况下在数值模拟中评估模型的性能。首先完全检测到现有的驱动控制器，然后部分分解，并与互联车辆比例的损失估计值进行部分分解。最后，从获得的结果中，我们定义了可接受和最佳性能水平的检测率。该模型的源代码实现可在以下网址获得：https：//github.com/romainducrocq/dqn-itscwpd
量子支持向量机应用于黎曼几何的脑电信号分类
有关量子计算的文献表明，与传统计算相比，量子计算在计算时间和结果方面可能更具优势，例如在模式识别或使用有限的训练集时 [14, 5]。一个无处不在的量子计算库是 Qiskit [1]。Qiskit 是一个在 Apache 2.0 下分发的 IBM 库，它同时提供量子算法和后端。后端可以是本地机器，也可以是远程机器，可以模拟它，也可以是量子机器。Qiskit 对您想要使用的机器类型的抽象使量子算法设计变得无缝。Qiskit 实现了支持向量类分类器的量子版本，称为量子增强支持向量分类器 (QSVC) [10]。在分类任务复杂的情况下，QSVC 可能比传统 SVM 更具优势。任务复杂性随着数据编码为量子态、可用数据的数量和数据质量的提高而增加。在 [6] 中，我们提出量子分类可能对依赖脑电图 (EEG) 的脑机接口具有巨大的潜力。基于这个想法，我们研究了 EEG 信号量子分类的可行性 [7]，通过使用 QSVC 结合黎曼几何 -
基于 KNX 的脑信号控制照明系统（...
摘要：KNX 协议被广泛用作楼宇和家庭自动化以及控制照明、暖通空调、遮阳和安全系统的标准，此外，人们越来越需要通过脑信号来控制电器，以帮助行动不便的人。因此，将 KNX 协议和脑信号 (EEG) 结合起来，提出一个基于 KNX 的系统（例如由脑信号直接控制的照明系统）非常重要。所提出的系统由三部分组成。最初，第一部分用于检测来自大脑皮层的 EEG 信号。第二部分是我们研究的核心，它代表一个网关，接收检测到的 EEG 信号，对其进行分析，生成适当的 KNX 命令，并将这些命令发送到所提出的系统的最后部分；它是使用 KNX 协议实现的照明系统 (LS)。
具有多个客户信号的动态个性化
1，而不是将这个问题作为部分可观察到的马尔可夫决策过程（这将使客户特征都可以任意依赖历史数据而不是马尔可夫人，我们假设客户特征满足Markov属性。这个假设是合理的，因为公司可以合并一组有效总结长期历史的观察到的特征，而不是仅仅依靠上一个时期的行为。例如，在我们的经验环境中，我们从样本开始开始时说明了玩耍行为，过去一周的行为以及前一天的行为。
利用多个客户信号实现动态个性化
1 我们假设该问题为马尔可夫决策过程，而不是部分可观察的马尔可夫决策过程（即允许客户特征任意依赖于历史数据，而不是马尔可夫决策过程）。该过程的客户特征满足马尔可夫性质，因此该假设是合理的，因为公司可以整合一整套观察到的特征，从而有效地总结长期历史，而不是仅仅依赖于前一时期的行为。例如，在我们的实证环境中，我们考虑了样本期开始时的游戏行为、过去一周的行为以及前一天的行为。
PARP抑制剂通过乳腺癌细胞中的NF-B-PTX3轴信号抑制血管生成模仿
摘要：聚（ADP-核糖）聚合酶抑制剂（PARPI）是靶向疗法，可抑制参与多种细胞功能的PARP蛋白。parpi可以充当血管生成的调节剂；然而，乳腺癌中PARPI与血管生成模仿（VM）之间的关系尚不清楚。为了确定PARPI是否调节血管通道的形成，我们评估了Olaparib，Talazoparib和Veliparib的治疗是否抑制乳腺癌细胞系的血管通道形成。在这里，我们发现PARPI充当三重阴性乳腺癌细胞中VM形成的有效抑制剂，与BRCA状态无关。从机械上讲，我们发现PARPI触发并抑制NF-κB信号传导，从而导致VM抑制。我们进一步表明PARPI降低了血管生成因子PTX3的表达。此外，PTX3抑制了PARPI抑制的VM抑制作用。总而言之，我们的结果表明，通过靶向VM，PARPI可以为三重阴性乳腺癌提供一种新的治疗方法。
PARP 抑制剂通过 NF-B-PTX3 轴信号抑制乳腺癌细胞中的血管生成拟态
摘要：聚（ADP-核糖）聚合酶抑制剂（PARPi）是一种靶向疗法，可抑制参与多种细胞功能的 PARP 蛋白。PARPi 可作为血管生成的调节剂；然而，PARPi 与乳腺癌中的血管生成拟态（VM）之间的关系仍不清楚。为了确定 PARPi 是否调节血管通道的形成，我们评估了奥拉帕尼、他拉唑帕尼和维利帕尼治疗是否会抑制乳腺癌细胞系的血管通道形成。在这里，我们发现 PARPi 可作为三阴性乳腺癌细胞中 VM 形成的强效抑制剂，与 BRCA 状态无关。从机制上讲，我们发现 PARPi 触发和抑制 NF- κ B 信号传导，从而抑制 VM。我们进一步表明 PARPi 降低了血管生成因子 PTX3 的表达。此外，PTX3 挽救了 PARPi 抑制的 VM 抑制。总之，我们的结果表明，PARPi 通过靶向 VM 可以为三阴性乳腺癌提供一种新的治疗方法。