XiaoMi-AI文件搜索系统
World File Search SystemT8
Jaydeep P. Kulkarni研究兴趣：教育
T1。 研讨会，“有效机器学习硬件的模拟计算技术和电路”，《技术与电路》的VLSI研讨会，2020年6月T2。 “使用双向记忆延迟线进行节能边缘计算的全数字时域CNN发动机”硅实验室，奥斯汀，德克萨斯州，2019年11月，T3。 邀请了Talk，“使用RRAM和Selector作为技术辅助的高密度非挥发性SRAM”，IEEE非挥发记忆技术研讨会（NVMTS），北卡罗来纳州达勒姆，2019年10月，T4。 “使用双向内存延迟线进行节能边缘计算，北卡罗来纳州罗利市高通公司，2019年10月，T5。 主题演讲“高级CMO中的能源有效嵌入式记忆：趋势和前景”，VLSI设计与测试会议，印度技术研究院（IIT），印度印度印度印度印度，2019年7月，T6。 邀请谈话“高级CMO中的嵌入式记忆：ML/AI加速器的趋势和机遇”，印度理工学院（IIT）孟买，印度，2019年7月，T7。 “高级CMO中的嵌入式记忆：ML/AI加速器的趋势和机会”，印度班加罗尔的三星研发研究所，2019年7月，T8。 “高级CMO中的嵌入式记忆：趋势和前景”，印度高通班加罗尔，2019年7月T9。 “高级CMO中的嵌入式记忆：ML/AI加速器中的趋势和机遇”，印度班加罗尔，2019年7月，T10。 邀请演讲“高级CMO中的嵌入式记忆：ML/AI 中的趋势和机会T1。研讨会，“有效机器学习硬件的模拟计算技术和电路”，《技术与电路》的VLSI研讨会，2020年6月T2。“使用双向记忆延迟线进行节能边缘计算的全数字时域CNN发动机”硅实验室，奥斯汀，德克萨斯州，2019年11月，T3。邀请了Talk，“使用RRAM和Selector作为技术辅助的高密度非挥发性SRAM”，IEEE非挥发记忆技术研讨会（NVMTS），北卡罗来纳州达勒姆，2019年10月，T4。“使用双向内存延迟线进行节能边缘计算，北卡罗来纳州罗利市高通公司，2019年10月，T5。主题演讲“高级CMO中的能源有效嵌入式记忆：趋势和前景”，VLSI设计与测试会议，印度技术研究院（IIT），印度印度印度印度印度，2019年7月，T6。邀请谈话“高级CMO中的嵌入式记忆：ML/AI加速器的趋势和机遇”，印度理工学院（IIT）孟买，印度，2019年7月，T7。“高级CMO中的嵌入式记忆：ML/AI加速器的趋势和机会”，印度班加罗尔的三星研发研究所，2019年7月，T8。“高级CMO中的嵌入式记忆：趋势和前景”，印度高通班加罗尔，2019年7月T9。“高级CMO中的嵌入式记忆：ML/AI加速器中的趋势和机遇”，印度班加罗尔，2019年7月，T10。邀请演讲“高级CMO中的嵌入式记忆：ML/AI
第 8 章 A 节 准尉科和 AOC ...
A6 D1 D2 D6 E2 E4 E9 J1 J6 K9 P4 S8 T1 T6 T7 T8 T9 U1 U5 U9 V8 V9 X3 X4 X5 X6 Z1 Z2 Z3 1B 1E 1H 1Q 1R 1S 1T 1X 1Y 1Z 2B 2J 2K 2L 2U 2V 3C 3R 3Y 4P 4Q 4U 5C 5F 5G 5J 5L 5M 5N 5W 6D 6M 6P 6Q 6T 6Z 7G 7J 7Q 7Y 8J 8K 8L 8R ASI/ SI 定义 A1 区域支持单元 (RSE)（待批准）( ) A2 OH-58A/C 侦察机飞行员( ) A6妊娠产后体能训练 (P3T) 领导( ) B2 UH-60 飞行员( ) B3 UH-60M 飞行员( ) B4 UH-72A 飞行员( ) C3 CH-47F 飞行员( ) C8 AD 空域管理 (ADAM)/BDE AVN 分队 (BAE)( ) D1 反大规模杀伤性武器 (CWMD)( ) D2 军事骑兵( ) D4 传感器管理领导( ) D5 区域支援分队 (RSE)( (添加 2510) ) D5 区域支援分队 (RSE)( (添加 2410) ) D6 作战数据分析员（待定）（ ） D7 AH-64D 飞行员( ) D8 政府飞行代表( ) D9 AH-64E 飞行员( ) E1 UC-35 飞行员( ) E2 北极飞行员/操作员( ) E4 网络任务部队服务( ) E7 C-23 飞行员( ) E8 C-26 飞行员( ) E9 北极领导人( ) F3 RC-12D/G/H 飞行员( )
EGNN-C+：可解释的演化粒状神经网络及其在弱监督 EEG 数据流分类中的应用
摘要 — 我们引入了一种改进的增量学习算法，用于进化粒神经网络分类器 (eGNN- C+)。我们使用双边界超框来表示颗粒，并定制自适应程序以增强外框对数据覆盖和噪声抑制的鲁棒性，同时确保内框保持灵活性以捕获漂移。分类器从头开始发展，动态合并新类别，并执行局部增量特征加权。作为一种应用，我们专注于脑电图 (EEG) 信号中与情绪相关的模式的分类。情绪识别对于增强计算机系统的真实感和交互性至关重要。挑战恰恰在于开发高性能算法，能够有效地管理生理数据中的个体差异和非平稳性，而无需依赖特定于受试者的校准数据。我们从 28 名玩电脑游戏的人获得的 EEG 信号的傅里叶频谱中提取特征 - 这是一个公共数据集。每个游戏都会引发不同的主要情绪：无聊、平静、恐惧或快乐。我们分析单个电极、时间窗口长度和频带，以评估由此产生的独立于用户的神经模型的准确性和可解释性。研究结果表明，两个大脑半球都有助于分类，尤其是颞叶 (T8) 和顶叶 (P7) 区域的电极，以及额叶和枕叶电极的贡献。虽然模式可能出现在任何波段中，但 Alpha (8-13Hz)、Delta (1-4Hz) 和 Theta (4-8Hz) 波段按此顺序与情绪类别表现出更高的对应性。eGNN-C+ 证明了学习 EEG 数据的有效性。即使面对高度随机的时变 4 类分类问题，它也能使用 10 秒时间窗口实现 81.7% 的准确率和 0.0029 II 的可解释性。
使用机器学习方法和 LIME 的可解释 EEG 人类活动识别模型
摘要：脑电图 (EEG) 是一种非侵入性方法，通过监测认知和运动任务期间的神经反应来辨别人类行为。机器学习 (ML) 是一种很有前途的人类活动识别 (HAR) 工具，可解释人工智能 (XAI) 可以阐明 EEG 特征在基于 ML 的 HAR 模型中的作用。本研究的主要目的是调查基于 EEG 的 ML 模型对日常活动（例如休息、运动和认知任务）进行分类的可行性，并通过 XAI 技术对模型进行临床解释，以阐明对不同 HAR 状态贡献最大的 EEG 特征。该研究涉及对 75 名健康个体的检查，这些个体之前没有神经系统疾病的诊断。在静息状态、两种运动控制状态（行走和工作任务）和认知状态（阅读任务）期间获得了 EEG 记录。电极被放置在大脑的特定区域，包括额叶、中央叶、颞叶和枕叶（Fz、C1、C2、T7、T8、Oz）。使用 EEG 数据训练了几种 ML 模型以进行活动识别，并采用 LIME（局部可解释模型不可知解释）对 HAR 模型中最具影响力的 EEG 频谱特征进行临床解释。HAR 模型的分类结果，尤其是随机森林和梯度提升模型，在区分所分析的人类活动方面表现出色。ML 模型在人类活动识别方面表现出与 EEG 频谱带的一致性，这一发现得到了 XAI 解释的支持。总之，将可解释人工智能（XAI）纳入人类活动识别（HAR）研究可能会改善患者康复、运动意象、医疗保健元宇宙和临床虚拟现实设置的活动监测。
研发公告
摘要 - 有几种培养方法可以评估和选择体外条件下的溶解剂Mi-钾岩石。尽管多年来，它们的成分经过了修改，以增加筛查的筛查和微生物检测时间的减少，但是板测试方法仍然存在一些局限性和很多可变性，尤其是当光环形成谨慎或不存在时。从这个意义上讲，本研究提出了基于不同物种的农艺重要性细菌对盆栽岩石进行最准确评估的方法学调整。在存在四个岩石柱的情况下，在Aleksandrov，Basak，Basak和Misk种植中评估了11克阳性细菌和阴性细菌物种的研究。Basak培养培养基和模量Biswars（B＆B）OI，在连续调整后，为Halos的可视化提供了更好的清晰度，在测试中可变较小。结果表明，钾溶解能力的变化，菌株呈现出无视，生长，Masausne的溶解度，生长和溶解度的弱晕，以及突出的溶解度的生长和光环。两种菌株（PPE8 = BR 11366和T8 = BR 15417）在板中呈现了突出的光环，因此用于在液体B＆B中栽培5天后在四个岩石粉末的液体B＆B中进行量化Kiosolubyized KS。PPE8菌株脱颖而出，能够生存长达35天的孵育，中间pH的变化很少，并且在存在样品岩石灰尘3.再次测试了应变的方法验证，结果证实了菌株溶解钾岩石的潜力。基于此结果，我们建议在其组成中修改的B＆B培养基（Basak; Bisk，010），使您可以在体外评估属于不同物种的技能（革兰氏阴性和革兰氏阴性>
（截至2024年6月3日），第1页，共2页海洋气候...
水质请注意，常见问题解答将定期更新。请参阅MCCS 2 nd Grant Call网站和IGMS网站以获取最新版本的FAQS。T8。呼叫主题8 T8.1在项目实施中将在多大程度上涉及机构？（2024年5月20日）机构将大力参与指导研究方向，以确保研究结果与他们的需求的相关性。在进行实际的研究活动方面，机构一般可能少参与；通常根据授予项目本身的性质确定参与的确切程度。也请参考问题1.7。和1.12。代理机构可以为MCCS项目提供的有关支持的相关疑问，通用行政常见问题解答。t8.2代理商是否会提供对其全球气候投影模型的访问权限，以供项目团队在其项目中使用？（2024年5月20日）申请人可以使用最适合其提案方法的气候投影模型自由提议。如果拟议研究需要代理机构的全球气候投影模型，则应在提案提交期间清楚地表明这在完整的建议模板（表格A）中，并且机构将有助于促进这些模型的数据请求，并在适当的情况下（相关且相关）。也请参考问题1.7。通用管理常见问题解答与机构对MCCS项目的数据共享相关查询。t8.3这个呼叫主题的地理范围是什么？（2024年5月20日）项目提案有望覆盖新加坡的整个沿海水域。t8.4代理商将开放，分享自己的水质模型，以供项目团队作为项目可交付成果之一进行工作并返回？（2024年6月3日）机构开放，根据MCCS授予的呼叫主题8与授予的研究团队共享我们的DELFT3D模型文件，但要遵守研究团队的理由
Matheus Henrique Cardoso dearaújo生物控制...
柠檬酸是全球经济和食品安全中的重要农业部门，但柑橘的障碍之一是疾病的发生，尤其是真菌起源的疾病。由青霉造成的绿色霉菌是橙色培养物（柑橘Sinensis）的主要后疾病，损失可达到90％。化学控制，使用杀菌剂是最常用的方法，可以最大程度地降低柑橘类属于柑橘类的影响。这项工作的目的是确定商业生物产品对a）橙色“梨”中绿模的严重程度的影响； b）在体外控制数字假单胞菌； c）水果的理化质量； d）评估抗性诱导。实验是在位于帕拉伊巴大学/CCA/校园II的植物病理学实验室（LAFIT）进行的。用典型的绿色霉菌症状从鼻梭化水果中分离出所使用的小假单胞菌。治疗由：T1：灭菌的蒸馏水（ADE）组成； T2：Natucontrol®（Trichoderma harzianum）; T3：Shocker®（枯草芽孢杆菌）； T4：Bio-Imune®（ayloliquefaciens and T. harzianum）； T5：Ecotrich®（T。Harzianum）; T6：Tricho-Turbo®（Trichoderma aspllum）； T7：Auin-CE®（Beauveria bassiana）； T8：MacCafé®（cladosporiumsp。）; T9：罗密欧SC®（酿酒酵母）； T10：杀菌剂（Tiabendazol- Benzimidazole）。处理的水果中绿色霉菌的严重程度降低了69％。，其中平均菌落直径（DM），菌丝体生长速率（IVCM），生长抑制（PIC）的百分比，并评估了（PIE）的繁殖抑制（PIE）。在先前损伤的西南梭状芽孢杆菌的果实中进行体内对照，并用椎间盘菌落的椎间盘接种。将水果经过潮湿室24小时，并每天评估绿色模具的严重程度。物理化学分析是：质量损失，壳牢固，可溶性固体含量，可滴定酸度，SS/AO比，pH和维生素C。酶活性酶活性对应于苯丙氨酸 - 氨基氨基症酶（PAL）（PAL），过氧化物酶（POX）和多酚氧化酶（PPO）。治疗增加了PAL，PPO和POX的活性。所有处理都显着降低了与证人不同的DM，IVCM，PIC和PIE。处理之间的pH和维生素C值有所不同。生物产品不会改变质量后质量参数。在体外和体内条件下，生物学处理，控制疟原虫，并减少橙色“梨”中绿色模具的严重程度。关键词：柑橘sinensis;抗性诱导； digitatum; thevest。
机器学习和复杂网络测量在 DMT 实验的 EEG 数据集中的应用
人们对迷幻药的医疗用途越来越感兴趣，因为使用迷幻药治疗精神疾病的初步研究已显示出积极的结果。具体来说，这些物质之一是 N,N-二甲基色胺 (DMT)，它是一种激动剂血清素迷幻药，可以引起意识状态的重大改变。在这项工作中，我们提出了一种基于机器学习的计算方法，作为一种探索性工具，使用 EEG 数据揭示 DMT 引起的大脑活动变化，并为这种迷幻药的作用机制提供新的见解。为了回答这些问题，我们提出了一种两类分类，基于 (A) 连接矩阵或 (B) 从中得出的复杂网络度量作为支持向量机的输入我们发现这两种方法都能够自动检测大脑活动的变化，其中案例 (B) 显示出最高的 AUC (89%)，表明复杂网络测量最能捕捉由于使用 DMT 而发生的大脑变化。在第二步中，我们对对此结果贡献最大的特征进行了排名。对于案例 (A)，我们发现高 alpha、低 beta 和 delta 频带的差异对于区分吸入 DMT 之前和之后的状态最为重要，这与文献中描述的结果一致。此外，颞叶 (TP8) 和中央皮质 (C3) 之间的连接以及中央前回 (FC5) 和侧枕叶皮质 (T8) 之间的连接对分类结果贡献最大。文献中发现 TP8 和 C3 区域之间的连接与 DMT 消费期间可能发生的手指运动有关。然而，文献中没有发现皮质区域 FC5 和 P8 之间的连接，推测与志愿者在 DMT 消费期间的情感、视觉、感官、知觉和神秘体验有关。对于案例 (B)，接近中心性是最重要的复杂网络度量。此外，我们发现使用 DMT 时社区更大、平均路径更长，而没有使用 DMT 时则相反，这表明功能分离和整合之间的平衡被破坏了。这一发现支持了以下观点：在迷幻药的作用下，大脑皮层活动变得更加熵大。总体而言，我们开发了一种强大的计算工作流程，可以解释 DMT（或其他迷幻药）如何改变大脑网络，并深入了解其作用机制。最后，这里应用的相同方法可能有助于解释服用其他迷幻药的患者的 EEG 时间序列，并有助于详细了解服用药物后大脑神经网络的功能变化。
使用事件相关的潜在p300响应对BCI进行研究
1简介日本有近10,000例肌萎缩性侧索硬化症患者。 ALS患者的体育锻炼困难。因此，正在对大脑计算机接口（BCI）进行研究，该脑电波使用脑电波来与他人和计算机操作进行沟通。有一种使用P300的BCI方法。 p300是外部视觉和听觉刺激引起的一种潜力，在刺激后300毫秒至500毫秒内出现。通过捕获所选对象的P300，您可以选择目标并输入文本。 p300-播种机是使用p300拼写字符的系统。与字母数字字符排列的矩阵的每一行或列都以伪随机为基础点亮，以使所有字符在有限的时间内发光相同的次数。通过检测光刺激引起的P300，用户可以识别他们想要拼写的角色。使用非侵入装置测量脑波。这次，我们将报告p300-Speller实验的结果和P300的检测。 2在P300串联实验中进行的2个实验，捕获了与事件相关的电势，它是由用户打算的字符的照明引起的。这次，将字母数字字符放在6x6矩阵中，字母为蓝色，刺激为绿色。这是因为有报道说，与使灰色文本发光白色的常规方法相比，右脑的视觉皮层有所增加[1]。 图1显示了实验中使用的p300销售器。平均刺激时间和刺激间隔均为173.7 ms。一种尝试是眨眼每行30次，并要求对象计算指示字符（目标）点亮的次。 EPOC+用于测量脑波。采样频率为128Hz。 3预处理在实验中获得的脑波对每个试验进行带通滤波器（1.0至15.0Hz）。接下来，为了消除闪烁的噪声，在25μV的上限和下限为-25μV的情况下进行剪辑。此后，将基线设置为刺激力矩之前约102 ms（13点），从刺激时刻开始，将基线平均值从波形中减去1秒（128点）。 脑波中有很多噪音，很难用单个波形区分p300。因此，加法平均方法用于清楚提取对刺激的反应。添加和平均的波形数量越大，p300更容易区分，但是确定歧视和用户所需的时间将承受负担。因此，有必要确定p300的平均额外算术数量。图2显示了目标为O时T8通道的五个波形的平均值（第3行，第三列）。在刺激后250 ms的行属性的行和柱中可以看到电峰。这被认为是P300。 4。歧视方法分类目标和非目标字符（非目标）。作为BCI的CNN，已经提出了使用可分离卷积的“ EEGNET” [2]。深度