XiaoMi-AI文件搜索系统
World File Search SystemSignals
rawhash2：使用哈希 -
摘要：可以在生成时分析原始纳米孔信号，这是一种称为实时分析的过程。对原始信号的实时分析对于利用纳米孔测序提供的唯一特征至关重要，从而可以根据分析的分析提早停止读取或整个测序运行。最新的机制Rawhash，通过快速匹配其哈希值，提供了原始信号和参考基因组之间的首个基于哈希的有效和准确的相似性识别。在这项工作中，我们介绍了Rawhash2，该Rawhash2对Rawhash提供了重大改进，包括更敏感的量化和链接算法，加权映射决策，频率过滤器，以减少模棱两可的种子命中量，基于哈希的素描的最小化以及对R10.4流元电池版本和POD5和慢速5文件的支持。与Rawhash相比，Rawhash2提供了更好的F1精度（平均为10.57％且最高20.25％）和更好的吞吐量（平均比Rawhash（平均为4.0倍，最高9.9×））。可用性和实现：RAWHASH2可在https://github.com/cmu-safari/rawhash上找到。我们还提供脚本以在GitHub页面上充分复制我们的结果。
使用基于 GRU 的 RNN 层构建的自动编码器降低 EEG 信号的噪声
本论文由 ARROW@TU Dublin 计算机科学学院免费开放供您阅读。该论文已被 ARROW@TU Dublin 授权管理员接受并纳入论文。如需更多信息，请联系 arrow.admin@tudublin.ie、aisling.coyne@tudublin.ie、vera.kilshaw@tudublin.ie。
基于多模态生理信号的跨主体情绪识别多层次解缠网络
基于多模态生理信号的情绪识别受到越来越多的关注，然而如何处理多模态生理信号的一致性和异质性，以及不同主体之间的个体差异，是跨主体情绪识别的两个重要挑战。本文提出了一种多级解缠结网络MDNet，用于基于多模态生理信号的跨主体情绪识别。具体而言，MDNet由模态级解缠结模块和主体级解缠结模块组成。模态级解缠结模块将多模态生理信号投影到模态不变子空间和模态特定子空间，捕获模态不变特征和模态特定特征。主体级解缠结模块从多模态数据中分离出不同主体间主体共享特征和主体私有特征，从而促进跨主体情绪识别。在两个多模态情感数据集上进行的实验表明，MDNet 优于其他最先进的基线。
缩放数据以根据脑信号重建视频
摘要。脑刺激重建领域在过去几年中取得了重大进展，但技术仍然是针对特定主题的，并且通常在单个数据集上进行测试。在这项工作中，我们提出了一种新技术，用于从功能性磁共振成像 (fMRI) 信号重建视频，该技术旨在跨数据集和跨人类参与者进行性能测试。我们的流程利用多数据集和多主题训练，从来自不同参与者和不同数据集的大脑活动中准确地生成 2 秒和 3 秒的视频片段。这有助于我们回归预训练的文本到视频和视频到视频模型的关键潜在和条件向量，以重建与参与者观察到的原始刺激相匹配的精确视频。我们流程的关键是引入一种 3 阶段方法，首先将 fMRI 信号与语义嵌入对齐，然后回归重要向量，最后使用这些估计生成视频。我们的方法展示了最先进的重建能力，并通过定性和定量分析（包括众包人工评估）进行了验证。我们展示了跨两个数据集以及多主题设置的性能改进。我们的消融研究揭示了不同的对齐策略和数据缩放决策如何影响重建性能，并且我们通过分析随着更多主题数据的利用，性能如何演变来暗示零样本重建的未来。
CardiacNet：基于神经网络、使用心电图信号进行心跳分类
摘要：以心电图 (ECG) 的形式获取有关心脏电活动的信息已成为监测患者心律和功能的标准方法。它用于诊断各种心脏异常，如心律失常和其他心脏病。然而，解释心电图需要训练有素的医生的专业知识，因此需要自动对此类信号进行分类的工具。在本研究中，我们训练深度卷积神经网络 (CNN) 对心电图搏动进行正常和异常的二元分类。在对从 MIT-BIH 心律失常数据库中选择的一组不同心电图进行通用网络预训练后，我们使用迁移学习来构建针对特定患者数据进行微调的模型。然后，我们将微调网络的性能与仅对单个患者的心电图数据进行训练的单个网络的性能进行比较，以评估迁移学习对给定问题的整体效果。我们在两种情况下都取得了不错的结果，因为单个分类器在测试集上的平均平衡准确率为 94.6%，而微调模型的准确率略差，为 93.5%。关键词：心电图分类、CNN、医学成像、迁移学习
NeuroLink：利用形态学学习弥补神经成像中的弱信号
摘要。由于神经元结构的复杂性和某些区域的极弱信号，从大规模光学显微镜图像中重建神经元是一项具有挑战性的任务。传统的分割模型建立在 vanilla 卷积和体素损失的基础上，难以在稀疏的体积数据中建模长距离关系。因此，特征空间中的弱信号与噪声混合，导致分割中断和神经元追踪结果过早终止。为了解决这个问题，我们提出了 NeuroLink，为网络添加连续性约束，并利用多任务学习方法隐式地模拟神经元形态。具体来说，我们引入了动态蛇形卷积来提取神经元稀疏管状结构的更有效特征，并提出了一种易于实现的基于形态的损失函数来惩罚不连续的预测。此外，我们指导网络利用神经元的形态信息来预测神经元的方向和距离变换图。我们的方法在低对比度斑马鱼数据集和公开可用的 BigNeuron 数据集上实现了更高的召回率和准确率。我们的代码可以在https://github.com/Qingjia0226/NeuroLink上找到。
机器人作为心理健康教练：使用生理信号对技术辅助压力管理任务的情绪反应的研究
摘要：当前的研究调查了社会机器人通过评估其生理反应来促进大学生的压力管理干预措施的有效性。我们收集了脑电图（EEG）大脑活动和电流皮肤反应（GSR），以及来自两组学生的自我报告的问卷，他们使用社交机器人或笔记本电脑进行了深呼吸运动。从GSR信号中，我们在整个干预过程中获得了参与者的唤醒水平的变化，并且从EEG信号中，我们使用额叶α不对称的神经计量学（FAA）提取了他们的情绪价值变化。两组之间对压力和用户经验的主观看法没有显着差异，但生理信号揭示了通过唤醒 - 价模型评估的情绪反应的差异。笔记本电脑组倾向于显示唤醒水平的降低，在某些情况下，伴随着负价，表明无聊或缺乏兴趣。另一方面，机器人组显示了两种模式。一些人表现出唤醒的减少，表明镇静和放松，而另一些人则表现出唤醒的增加，而正价被解释为兴奋。这些发现为社会机器人的影响提供了有趣的见解，因为心理福祉教练对学生的情绪，尤其是在新颖效果的情况下。此外，它们为生理信号的功效提供了证据，作为对HRI环境中用户体验的客观和可靠的衡量。
年度研究回顾：可预测性的力量——生命早期的信号模式塑造神经发育和心理健康轨迹
早期生活逆境 (ELA) 给全球带来了沉重负担。世界卫生组织估计，ELA 占所有精神病病例的近 30%。然而，我们仍然无法确定哪些接触过 ELA 的人会患上精神疾病，因此迫切需要确定潜在的途径和机制。本综述提出，不可预测性是 ELA 中一个研究不足但易于处理的方面，并提出了一个概念模型，其中包括不可预测性影响发育中大脑的生物学上合理的机制途径。该模型得到了已发表和新数据的综合支持，这些数据说明了信号模式对儿童发育的重大影响。我们首先概述现有的不可预测性文献，这些文献主要关注较长的不可预测性模式（例如年、月和天）。然后，我们描述了我们的工作，测试了父母信号模式对瞬间时间尺度的影响，提供了证据，表明这些信号在发育的敏感窗口期间的模式会影响跨物种的神经回路形成，因此可能是一个塑造发育大脑的进化保守过程。接下来，我们将关注新兴主题，这些主题为未来的研究方向提供了一个框架，包括评估可能特别容易受到不可预测性、敏感期、性别差异、跨文化调查、解决因果关系和不可预测性等功能的影响，这些功能可能是其他形式的 ELA 影响发展的途径。最后，我们提出了预防和干预的建议，包括引入一种筛查工具来识别经历过不可预测经历的儿童。关键词：不可预测性；发展；早年逆境；跨物种；情绪；养育；熵；神经发育；精神病理学。
使用脑电图信号和机器学习算法对不稳定和稳定的步行模式进行分类
摘要：分析脑电图（EEG）信号的不稳定步态模式对于开发实时脑部计算机界面（BCI）系统至关重要，以防止跌倒和相关的伤害。本研究研究了分类算法利用EEG信号检测步行不稳定的可行性。使用64通道的大脑视觉脑电图系统从13位健康成年人中获取脑电图信号。参与者对四个不同稳定和不稳定的条件进行了步行试验：（i）正常步行，（ii）正常步行，内侧 - 外侧扰动（MLP），（iii）正常行走双重任务（stroop），（iv）正常步行，正常步行与质量视觉反馈中心。使用小波能量和EEG信号的熵提取数字生物标志物。算法，例如Chrononet，SVM，随机森林，梯度增强和复发性神经网络（LSTM），可以以67％至82％的精度分类。分类结果表明，使用基于EEG的数字生物标志物可以准确地对不同的步态模式（从稳定到不稳定）进行分类。本研究使用具有潜在应用的EEG数据集开发了各种基于机器的分类模型，该模型在检测不稳定的步态神经信号方面，并通过防止跌倒和伤害进行干预。
从脑电信号实现完全端到端的语音解码
从脑电信号进行语音解码是一项具有挑战性的任务，其中大脑活动被建模以估计声学刺激的显著特征。我们提出了 FESDE，一种从脑电信号进行完全端到端语音解码的新颖框架。我们的方法旨在根据脑电信号直接重建所听语音波形，其中不需要中间声学特征处理步骤。所提出的方法由脑电模块、语音模块和连接器组成。脑电模块学习更好地表示脑电信号，而语音模块从模型表示中生成语音波形。连接器学习连接脑电和语音的潜在空间分布。所提出的框架既简单又高效，允许单步推理，并且在客观指标上优于以前的工作。进行了细粒度的音素分析以揭示语音解码的模型特征。源代码可在此处获取：github.com/lee-jhwn/fesde。索引词：语音解码、语音合成、脑电图、神经活动、脑信号