XiaoMi-AI文件搜索系统
World File Search SystemSoroush
Soroush Saghafian的课程
First Name: Soroush Last Name: Saghafian Phone: 617-496-0668 Fax: 617-496-8753 Address: Mailbox 37, 79 JFK Street, Cambridge, MA02138 E-mail (main, Harvard): soroush_saghafian@hks.harvard.edu E-mail (secondary, MGH): ssaghafian@mgh.harvard.edu电子邮件（中学，麻省理工学院）：saghaf@mit.edu web：http：//scholar.harvard.edu/saghafian wikipedia：wikipedia wikipedia page Lab Lab（创始人和导演） catherine_kearns@hks.harvard.edu）
第11 WTR国会组织
Zahra Abdollahi，Sara Azadeh，Zahra Bozorgkhoo，Aria derakhshesh，Sohrab Ekhtiyari，Haleh Fateh，Mahmoud Firoozi，博士Mahmoud Hesaraki，博士Sobhan Kazemi，Mojtaba Khayyat Ajami，Zahra Mirzaei，Masoumeh Nouri，Saah Moradi，Hamed San`Ati，Zahra Shahravi，Sajjad Siavoshi，Soroush Shams div> div> div> div>
第30届年度Optec会议议程，2024年10月10日
Mohammad Soroush, 1 Matthew Strasbourg, 4 Kiyoung Jo, 3 Emanuil Yanev, 4 P. James Schuck, 4 Deep Jariwala, 3 David Dickensheet, 1 Nicholas J. Borys 2 1 Electrical and Computer Engineering Department, Montana State University 2 Department of Physics, Montana State University 3 Department of Electrical and Systems Engineering, University of Pennsylvania,宾夕法尼亚州费城4机械工程系，哥伦比亚大学，纽约，纽约7。在短波中运行的被动纳米结构极化过滤器的设计和模拟和
Yuke Zhu
[97] Soroush Nasiriany*，Fei Xia*，Wenhao Yu*，Ted Xiao*，Jacky Liang，Ishita Dasgupta，Annie Xie，Danny Driess，Ayzaan Wahid，ayzaan Wahid，Zhuo XU，Zhuo Xu，Quan Vuong，Quan Vuong，Quan Vuong，Tingnan Zhang，tingnan Zhang pere pere，pere pere，pere thang pere des pere gee deed pere， Xu，Sean Kirmani，Yuke Zhu，Andy Zeng，Karol Hausman，Nicolas Heess，Chelsea Finn，Sergey Levine，Brian Ichter*。Pivot：迭代视觉提示引起了VLMS的知识知识。国际机器学习会议（ICML），2024年。
通过长短期记忆循环深度神经网络提高基于脑电图的情绪识别的准确性
人们已经采用了多种方法来辨别人类的情绪，包括分析语音模式和语调（ Moriyama 和 Ozawa，2003；Zeng 等人，2009）。然而，值得注意的是，这种身体状态很容易被操纵或模仿（ Schuller 和 Schuller，2021）。面部表情及其变化通常用于情绪识别；然而，这些表情可以被个人有意修改，这对准确辨别他们的真实情绪提出了挑战（ Aryanmehr 等人，2018； Dzedzickis 等人，2020； Harouni 等人，2022）。 EEG（脑电图）是一种通过测量大脑内集体神经活动产生的电压变化来监测大脑活动的技术（San-Segundo 等人，2019 年；Dehghani 等人，2020 年、2022 年、2023 年；Sadjadi 等人，2021 年；Mosayebi 等人，2022 年）。脑电图是大脑活动和功能的反映，具有多种应用，包括但不限于情绪识别（Dehghani 等人，2011a、b、2013；Ebrahimzadeh 和 Alavi，2013；Nikravan 等人，2016；Soroush 等人，2017、2018a、b、2019a、b、2020；Bagherzadeh 等人，2018；Alom 等人，2019；Ebrahimzadeh 等人，2019a、b、c、2021、2022、2023；Bagheri 和 Power，2020；Karimi 等人，2022；Rehman 等人，2022；Yousefi 等人，2022， 2023 年）。
机器人：一个大规模的野外机器人操纵数据集
Alexander Khazatsky ∗, 1, Karl Pertsch ∗, 1, 2, Suraj Nair 1, 3, Ashwin Balakrishna 3, Sudeep Dasari 1, Siddharth Karamcheti 1, Sorous Nasiranya 5, Mohan Kumar Srirama 4, LawprenCe Yunliang Chen 2, Kirsty Ellis 6, Peter David Fagan 7, Joey Hejna 1, Masha Itkina 3, Marion Lepert 1, Jason Ma 14, Patrick TREE Miller 3, Jimmy Wu 8, Suneel Belkhale 1, Shivin Dass 5, Huy Ha 1, Abraham Lee 2, Youngwoon Lee 2, 16, Arhan Jain 9, Marius Memmel 9, Sungjae Park 10, Ilija Radosavovic 2, Kaiyuan Wang 11，Albert Zhan 6，Kevin Black 2，Cheng Chi 1，Kyle Hatch 3，San Lin 11，Jingpei Lu 11，Abdul Rehman 7，Pannag r Sanketi 12，Archide Sharma 1，Cody Simpson 3，Cody Simpson 3，Quan Vuong 12，Quan Vuong 12，Quan Vuong 12，Homer Walke 2，Blake Wulfe 3，Blake Wulfe 3，Te Xiao 12 Z. Charlotte Le 2, Yunshuang Li 14, Kevin Lin 1, Roy Lin 2, Zehan Ma 2, Abhiram Maddukuri 5, Suvir Mirchandani 1, Daniel Morton 1, Tony Nguyen 3, Abby O'Neill 2, Rosario Scalise 9, Derick Seale 3, Victor Son 1, Stephen Tian 1, Andrew Wang 2, Yilin Wu 4, Annie XIIE 1，Jingyun Yang 1，Patrick Yin 9，Yunchu Zhang 9，Osbert Bastani 14，Glen Berseth 6，Jeannette Bohg 1，Ken Goldberg 2，Abhinav Gupta 4，Abhishek Gupta 9，Abhishek Gupta 9，Dinesh Jayaraman 14 Rammamoorthy 7，Dorsa Sadigh 1，Shuran Song 1，15，Jiajun Wu 1，Yuke Zhu 5，Thomas Kollar 3，Sergey Levine 2，Chelsea Finn 1
E2ENNet：用于情感脑机接口的端到端神经网络
情绪的反映有两种，包括外部反应和内部反应：外部反应包括人的面部表情、手势或言语等；内部反应包括皮肤电反应、心率、血压、呼吸频率、脑电图（EEG）、脑电图（EOG）（Yu et al., 2019）、脑磁图（MEG）（Christian et al., 2014）。从神经科学的角度（Lotfiand Akbarzadeh-T., 2014）发现，大脑皮层的主要区域与人的情绪密切相关（Britton et al., 2006; Etkin et al., 2011; Lindquist and Barrett, 2012），这启发我们通过在头皮上放置脑电电极来收集脑电信号，记录大脑的神经活动，从而识别人的情绪。脑电信号蕴含着情绪信息，近年来在情绪识别领域得到了广泛的应用（Soroush et al.，2017；Sulthan et al.，2018；Alarcao and Fonseca，2019）。在传统的脑电情绪识别过程中，特征提取是至关重要的步骤。如图1所示，在对脑电信号进行预处理后，通常需要从原始脑电信号中提取特征，然后输入到网络进行分类识别（Duan et al.，2013；Chen et al.，2021；Ma et al.，2021）。Duan等（2013）提出了五频带的差分熵（DE）特征，并利用DE特征获得了满意的分类结果。Li et al. (2019) 利用短时傅里叶变换提取时频特征，计算 theta、alpha、beta、gamma 波段的功率谱密度 (PSD) 特征，并使用 LSTM 进行情绪判别，取得了显著的分类结果。马等 (2021) 提出了一种甲虫天线搜索 (BAS) 算法，该算法在三个不同波段和六个通道中提取三个不同的特征，并采用 SVM 分类器进行分类。与传统 SVM 方法相比，BAS-SVM 方法的分类准确率提高了 12.89%。近年来，深度学习方法被广泛应用于情绪识别 (Jia et al.，2020a；Li et al.，2020；Zhou et al.，2021)。宋等 (2021) (2018) 根据电极位置设计 DE 特征，并使用图卷积神经网络 (GCNN) 作为分类器。张等 (2019) 创新性地将从脑电数据集中提取的 DE 特征与从面部表情数据集中提取的特征相结合，构建了时空循环神经网络 (STRNN) 用于情绪识别。李等 (2018) 提出了一种双半球域对抗神经网络 (BiDANN)，以 DE 作为输入特征，在 SEED 数据集上进行了受试者相关和受试者独立的实验，取得了相对最佳的性能。郝等 (2021) 提出了一种提取 PSD 特征作为输入的轻量级卷积神经网络，并在 DEAP 数据集上进行了实验，分别取得了 82.33 和 75 的成绩。Valance 和 Arousal 分别为 46%。Chen 等人 (2021) 提出了一种集成胶囊卷积神经网络 (CapsNet)，该网络使用小波包变换 (WPT) 进行特征提取。平均