XiaoMi-AI文件搜索系统
World File Search SystemTCN
MASA-TCN - DR-NTU
摘要 — 从脑电图 (EEG) 信号中进行情绪识别是生物医学研究的一个重要领域，其应用范围广泛，从精神障碍调节到人机交互。在本文中，我们讨论了 EEG 情绪识别的两个基本方面：情绪状态的连续回归和情绪的离散分类。虽然分类方法已经引起了广泛关注，但回归方法仍然相对未被充分探索。为了弥补这一差距，我们引入了 MASA-TCN，这是一种新颖的统一模型，它利用时间卷积网络 (TCN) 的空间学习能力进行 EEG 情绪回归和分类任务。关键创新在于引入了空间感知时间层，使 TCN 能够捕捉 EEG 电极之间的空间关系，从而增强其辨别细微情绪状态的能力。此外，我们设计了一个具有注意力融合的多锚块，使模型能够自适应地学习 EEG 信号中的动态时间依赖性。在两个公开数据集上的实验表明，MASA-TCN 在 EEG 情绪回归和分类任务中都取得了比最先进方法更高的结果。
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
根据不完整心电图信号估计心率
摘要：心率作为生理健康状况最显著的指标之一，成为研究者们必研究的对象。与许多现有方法不同，本文提出了一种在时间序列缺失模式下从心电图中实现短时心率估计的方法。得益于深度学习的快速发展，我们采用双向长短期记忆模型 (Bi-LSTM) 和时间卷积网络 (TCN) 从持续时间小于一个心动周期的心跳信号中恢复完整的心跳信号，并从恢复的片段中结合输入和预测输出估计心率。我们还比较了 Bi-LSTM 和 TCN 在 PhysioNet 数据集上的性能。通过在没有明显心律失常的数据库中的静息心率范围 60–120 bpm 和有心律失常的数据库中的相应范围 30–150 bpm 上验证该方法，我们发现网络为固定格式的不完整信号提供了一种估计方法。这些结果与正常心跳数据集 (γ > 0.7, RMSE < 10) 和心律失常数据库 (γ > 0.6, RMSE < 30) 中的真实心跳一致，验证了可以通过模型提前估计心率。我们还讨论了预测模型的短期限制。它可以用于生理目的，例如时间受限场景中的移动感应，并为缺失数据模式中更好的时间序列分析提供有用的见解。
模式识别
视觉方式是当前连续情绪识别方法的最主要方式之一。与脑电图的内在限制（如受试者偏置和低空间分辨率）相比，脑电图的声音相对较小。这项工作试图通过使用视觉模态的黑暗知识来改善脑电图模式的持续预测。教师模型是由级联卷积神经网络建立的 - 时间卷积网络（CNN -TCN）体系结构，学生模型由TCN构建。它们分别由视频框架和EEG平均频带功率功能馈送。采用了两个数据分配方案，即试验级随机shu ffl ing（TRS）和剩余的受试者（LOSO）。独立的老师和学生可以产生优于基线方法的连续预测，而视觉到EEG跨模式KD的使用进一步改善了统计学意义的预测，即p-value <0。01对于TRS和P值<0。05用于LOSO分区。受过训练的学生模型的显着性图表明，与活动价状态相关的大脑区域不在精确的大脑区域。相反，它是由于各个大脑区域之间的同步活动而引起的。和快速β和伽马波的频率为18-30 Hz和30-45 Hz，对人类的情感过程贡献最大。该代码可在https://github.com/sucv/visual _ to _ eeg _ cross _ modal _ kd _ for _ cer上获得。
Q-PPG：可穿戴设备上基于节能 PPG 的心率监测
摘要 — 使用低成本光电容积描记法 (PPG) 传感器，越来越多地在腕戴式设备中执行心率 (HR) 监测。然而，由受试者手臂运动引起的运动伪影 (MA) 会影响基于 PPG 的心率跟踪的性能。这通常通过将 PPG 信号与惯性传感器的加速度测量相结合来解决。不幸的是，大多数此类标准方法都依赖于手动调整的参数，这会削弱它们的泛化能力及其对现场真实数据的适用性。相比之下，基于深度学习的方法尽管具有更好的泛化能力，但被认为过于复杂，无法部署在可穿戴设备上。在这项工作中，我们解决了这些限制，提出了一种设计空间探索方法来自动生成丰富的深度时间卷积网络 (TCN) 系列用于心率监测，所有这些网络都来自单个“种子”模型。我们的流程涉及两个神经架构搜索 (NAS) 工具和一个硬件友好的量化器的级联，它们的组合可以产生高度准确和极其轻量级的模型。在 PPG-Dalia 数据集上进行测试时，我们最准确的模型在平均绝对误差方面创下了新的最高水平。此外，我们将 TCN 部署在具有 STM32WB55 微控制器的嵌入式平台上，证明了它们适合实时执行。我们最准确的量化网络实现了 4.41 每分钟 (BPM) 的平均绝对误差 (MAE)，能耗为 47.65 mJ，内存占用为 412 kB。同时，在我们的流程生成的网络中获得 MAE < 8 BPM 的最小网络的内存占用为 1.9 kB，每次推理仅消耗 1.79 mJ。
尼日利亚的工商业可再生能源项目
尼日利亚可再生能源法律框架 尼日利亚电力市场支持并网发电、离网发电以及自用发电。电网发电高度集中，政府通过尼日利亚输电公司 (TCN) 拥有并运营中央输电网。向中央电网供电的发电厂超过 25 个，这些发电厂要么是私营的，要么是政府所有的。11 家私营公司向最终消费者出售电力，并且是某些地区唯一的电力供应商。离网发电是分散的，但微电网的发展受到监管。1 兆瓦以上的电力自给自足也受到监管。由于电网供应不足，自给自足在市场上发挥着重要作用，占尼日利亚总电力需求的约 68.5%。
非机密美国非洲司令部...
3.适用性。本指示适用于 USAFRICOM 总部和分配给或通过 USAFRICOM 总部报告的联合活动，包括安全合作办公室、安全援助办公室、非洲特种作战司令部 (SOCAFRICA)、联合/联合特遣部队和分配给 USAFRICOM 的服务组成部分。本指示适用于因公或休闲旅行的军事人员、国防部 (DoD) 文职人员、国防部承包商、国防部分包商和因公前往 USAFRICOM AOR 或目前在国防部主持下在 USAFRICOM AOR 的志愿者。当地国民 (LN) 或第三国国民 (TCN) 和国防部承包商人员的医疗要求在适用合同规定的范围内包括在内（参考 a）。
NETANTICIPATE：终极网络 AI 平台
支持的 ML 算法包括：1. 监督/分类 - AdaBoost、卷积神经网络 (CNN)、决策树、广义线性模型 (GLM)、K-最近邻 (KNN)、逻辑回归、多层感知器 (MLP)、朴素贝叶斯、随机森林、循环神经网络 (RNN)、支持向量回归 (SVM)、XGBoost。2. 监督/回归 - AdaBoost、卷积神经网络 (CNN)、决策树、广义线性模型 (GLM)、K-最近邻 (KNN)、线性回归、多层感知器 (MLP)、朴素贝叶斯、随机森林、循环神经网络 (RNN)、支持向量回归 (SVM)、XGBoost。 3. 时间序列/预测 - 自回归综合移动平均线 (ARIMA)、长短期记忆 (LSTM)、Prophet、Seq2Seq、时间卷积网络 (TCN)、NBeats、Autoformer、TCMF。4. 时间序列/异常 - 自动编码器、DBSCAN、椭圆包络、孤立森林、K-Means、一类 SVM。
Best Buy 青少年科技中心征求建议书
百思买青少年科技中心征求建议书百思买和俱乐部网络支持青少年拥有更美好的未来：在全国范围内，许多社区缺乏支持，无法获得可以开启更美好未来和让青少年为未来挑战做好准备的工具和经验。有色人种的年轻人受到这些差异的影响尤为严重。百思买相信科技可以让人们敢于梦想、成就伟业。在百思买青少年科技中心，青少年可以通过基于项目的学习探索自己的兴趣，开展实践活动，从而培养关键技能。每个中心都致力于缩小数字鸿沟，让年轻人能够接受科技教育和导师指导，同时建立他们在学校和未来职业生涯中取得成功所需的信心。2012 年，百思买启动了一项计划，旨在在北美各地社区建立最先进的“百思买青少年科技中心”。这些青少年科技中心是免费的课后项目，提供富有创意且安全的学习环境。为了继续推动该计划的发展，百思买与国际知名的俱乐部网络 (TCN) 合作，该组织与麻省理工学院媒体实验室合作成立。TCN 拥有 27 年的成功经验，为数千名青少年提供服务，并为他们提供改变生活的信心和资源，为全球社区组织提供了可复制的技术学习模式。如今，20 多个国家/地区的 100 多个俱乐部为青少年提供服务，主要来自历史上被边缘化的社区。俱乐部曾获得 1997 年彼得·德鲁克非营利创新奖和 2019 年 STEM 指导杰出总统奖，不仅为青少年提供机会，还提供文化相关且具有挑战性的学习内容，并得到富有爱心的成年导师的支持，他们充当榜样。在目前蓬勃发展的 50 多家百思买青少年科技中心成功的基础上，百思买的目标是在北美开设 100 家分店。为了实现这一目标，我们正在寻求寻找非营利组织作为我们的合作伙伴，以建立和运营每个新的青少年科技中心。我们理想的合作伙伴是拥有专门空间的现有课后青少年计划，并致力于服务于服务不足社区的青少年。百思买青少年科技中心计划概述：我们的使命是提供一个有趣的互动学习空间，青少年可以在这里探索技术以发现新的兴趣、相互合作并为未来做好准备。
通过跨数据集迁移学习增强脑电信号通路中的病理检测
基于脑电信号和解码大脑活动的病理诊断对于理解神经系统疾病具有重要意义。随着人工智能方法和机器学习技术的进步，准确的数据驱动诊断和有效治疗的潜力显着增长。然而，将机器学习算法应用于现实世界的数据集在多个层面上提出了不同的挑战。标记数据的稀缺性，特别是在低水平场景中，由于招募成本高，真实患者队列的可用性有限，凸显了扩展和迁移学习技术的重要性。在本研究中，我们探索了一个现实世界的病理分类任务，以突出数据和模型扩展以及跨数据集知识转移的有效性。因此，我们观察到通过数据扩展可以获得不同的性能改进，这表明需要仔细评估和标记。此外，我们确定了可能的负转移挑战，并强调了一些关键成分对克服分布偏移和潜在的虚假相关性并实现正转移的重要性。当可用的标记数据量较少时，通过使用源数据集 (TUAB) 中的知识，我们发现目标模型在目标 (NMT) 数据集上的性能有所提高。我们的研究结果表明，小型通用模型（例如 ShallowNet）在单个数据集上表现良好，而大型模型（例如 TCN）在从大型多样化数据集进行迁移和学习方面表现更好。