XiaoMi-AI文件搜索系统
World File Search SystemTempo
EEG-TCNet：用于嵌入式运动想象脑机接口的精确时间卷积网络
摘要 —近年来，深度学习 (DL) 对基于脑电图 (EEG) 的运动想象脑机接口 (MI-BMI) 的改进做出了重大贡献。在实现高分类准确率的同时，DL 模型的规模也不断扩大，需要大量的内存和计算资源。这对嵌入式 BMI 解决方案提出了重大挑战，该解决方案应通过本地处理数据来保证用户隐私、减少延迟和低功耗。在本文中，我们提出了 EEG-TCN ET，一种新颖的时间卷积网络 (TCN)，它在只需要少量可训练参数的情况下实现了出色的准确率。其低内存占用和低推理计算复杂度使其适合在资源有限的边缘设备上进行嵌入式分类。在 BCI 竞赛 IV- 2a 数据集上的实验结果表明，EEG-TCN ET 在 4 类 MI 中实现了 77.35% 的分类准确率。通过为每个受试者找到最佳网络超参数，我们进一步将准确率提高到 83.84%。最后，我们在 Mother of All BCI Benchmarks (MOABB) 上展示了 EEG-TCN ET 的多功能性，这是一个包含 12 个不同 EEG 数据集和 MI 实验的大规模测试基准。结果表明，EEG-TCN ET 成功地推广到单个数据集之外，在 MOABB 上的表现比目前最先进的 (SoA) 好 0.25 倍。索引术语 — 脑机接口、运动意象、深度学习、卷积神经网络、边缘计算。
临时和访问教师广告和信息...
临时教员人数：05 访问教员人数：03 专业：控制系统、仪器仪表、电力系统、能源系统、电机、电力电子、电气驱动、照明工程。 教授科目：理论：1. 电力系统运行与控制 2. 先进过程控制与仪器仪表。3. 采矿电气技术，4. 电气和电子测量，5. 物理系统建模与控制，6. 照明科学、工程与设计，7. 其他部门的基础电气工程。学期：1. 电工技术实验室，2. DC-II/III（PES 的先进电力系统分析和电力系统运行与控制）学期，3. 控制系统仿真实验室，4. 过程控制和仪表实验室，6. 测量实验室，8. 物理系统建模与控制实验室，9. 数值仿真和应用工具实验室，10. 电机实验室，11. 新能源和可再生能源实验室，12. DC-I（状态变量分析）学期，13. 不同部门不同科室的基础电气工程实验室，14. CSI（离散和数字系统理论和先进过程控制与仪表）的 DC-II/III 学期，15. 先进过程控制与仪表实验室，16. 先进电力系统分析实验室。
增量动作分割的连贯的时间合成
数据重播是图像的成功增量学习技术。它通过保留原始或合成的先前数据的储存库来防止灾难性的遗忘，以确保模型在适应新颖概念的同时保留过去的知识。但是，它在视频域中的应用是基本的，因为它只是存储了框架以进行动作识别。本文首次探讨了视频数据重播技术的递增动作分割，重点是动作时间段。我们提出了一个时间连贯的动作（TCA）模型，该模型代表使用生成模型而不是存储单个帧的动作。捕获时间连贯性的调节变量的集成使我们的模型了解随着时间的流逝的作用进化。因此，TCA为重播产生的动作段是多种多样的，并且在时间上是连贯的。在早餐数据集上的10任任务增量设置中，与基准相比，我们的AP可以显着提高准确性高达22％。
归纳时空的临时性克里格，具有物理学引导的增量训练策略
摘要 - 用于空气质量的传感器的部署受到高成本的限制，导致网络覆盖不足和某些领域的数据缺陷。利用现有的观察结果，时空kriging是一种在特定时期估算未观察到位置空气质量的方法。具有增量训练策略的归纳时空kriging已证明了其使用虚拟节点模拟未观察到的节点的有效性。但是，虚拟节点和真实节点之间的差异仍然存在，这使从虚拟节点到实际未观察到的学习模式的应用变得复杂。To address these limitations, this paper presents a Physics- Guided Increment Training Strategy (PGITS).具体来说，我们设计了一个动态图生成模块，以将空气颗粒作为物理知识的对流和扩散过程纳入图形结构，并动态调整邻接矩阵以反映节点之间的物理相互作用。通过将物理原理用作虚拟节点和真实节点之间的桥梁，该策略可确保虚拟节点及其伪标签的特征更接近实际节点。Consequently, the learned patterns of virtual nodes can be applied to actual unobserved nodes for effective kriging.Index Terms —Air quality inference, sensors, inductive spatio- temporal kriging, physics principles, increment training strategy
在中颞叶癫痫中的高磷酸化tau
*通讯作者Eliana Cristina de Brito Toscano博士（联邦联邦De Juiz de Fora的教授），Elianacbtoscano@gmail.com，完整的邮政地址：Faculdade de Medicina，Faculdade de Medicina，Federal De Juiz de Juiz de Fora -av。eugêniodo nascimento，s/n°-36038-330 -dom bosco，juiz de fora -mg。作者贡献Eliana Toscano和ÉricaVieira设计了这项研究，收集，分析和解释了临床数据。Eliana Toscano进行了组织学检查，免疫组织化学反应，形态学评估，统计分析和手稿起草。Lea Grinberg支持组织病理学评估和数据解释。Natalia Rocha和Regina Paradela支持统计分析和数据解释。Joseane Brant应用了神经心理学家测试。Alexandre Giannetti为收集硬化海马的收集做出了贡献。Claudia Suemoto，Renata Leite和Ricardo Nitrini提供了Hippocampi。Milene Rachid和AntônioTeixeira协调了这项研究并支持数据解释。所有作者均贡献并批准了最终手稿。
NeuroMorse：用于神经形态计算的时间结构化数据集
神经形态工程旨在通过模仿大脑的有效处理来推动计算，其中数据被编码为异步时间事件。这消除了对同步时钟的需求，并在不存在数据时最小化功耗。但是，神经形态算法的许多基准主要集中在空间特征上，忽略了大多数基于序列任务的时间动力学。此差距可能导致评估无法完全捕获神经形态系统的独特优势和特征。在本文中，我们提出了一种旨在基准神经形态学习系统的时间结构化数据集。Neuromorse将英语的前50个单词转换为暂时的摩尔斯密码峰序列。尽管仅使用两个输入尖峰通道来用于摩尔斯点和破折号，但通过数据中的时间模式对复杂的信息进行了编码。所提出的基准在多个时间尺度上包含特征层次结构，这些时间尺度测试了神经形态算法将输入模式分解为空间和时间层次结构的能力。我们证明，使用线性分类器对我们的训练集进行挑战，并且使用常规方法很难识别测试集中的关键字。NeuroMorse数据集可在10.5281/Zenodo.12702379上获得，我们的随附代码在https://github.com/jc427648/neuromorse上获得。
来自光子门的多个时间顺序的量子叠加中的计算优势
1DeFísica研究所，里约热内卢联邦大学，P。O. Box 68528, Rio de Janeiro 21941-972, Brazil 2 ICFO-Institut de Ciencies Photoniques, The Barcelona Institute of Science and Technology, Castelldefels, Barcelona 08860, Spain 3 Departament de Física, Universidad de Concepción, Concepción 160-C, Chile 4, Chile 4 Anid-Millennium Science Iniative Program Millennium Opitics研究所，DeConcepción大学，Concepción，Concepción160-C，智利5 Depranciment deIngenieríaEléctric，Catulica de la laSantísimaConcepción，Alonso de ribera de Ribera 2850，concepcioun，Chilepción日内瓦大学应用物理学，日内瓦大学1211，瑞士7大学。 Grenoble Alpes，Inria，Grenoble 3800，法国8量子光学和量子信息研究所（IQOQI），奥地利科学学院，Boltzmanngasse 3，维也纳1090，奥地利，奥地利9 Univ Grenoble Alpes，CNRS，Grenoble INP，InstitutNél，Grenoble 38000，法国10量子研究中心，技术创新研究所，阿布扎比，阿拉伯联合酋长国，阿拉伯联合酋长国1DeFísica研究所，里约热内卢联邦大学，P。O.Box 68528, Rio de Janeiro 21941-972, Brazil 2 ICFO-Institut de Ciencies Photoniques, The Barcelona Institute of Science and Technology, Castelldefels, Barcelona 08860, Spain 3 Departament de Física, Universidad de Concepción, Concepción 160-C, Chile 4, Chile 4 Anid-Millennium Science Iniative Program Millennium Opitics研究所，DeConcepción大学，Concepción，Concepción160-C，智利5 Depranciment deIngenieríaEléctric，Catulica de la laSantísimaConcepción，Alonso de ribera de Ribera 2850，concepcioun，Chilepción日内瓦大学应用物理学，日内瓦大学1211，瑞士7大学。 Grenoble Alpes，Inria，Grenoble 3800，法国8量子光学和量子信息研究所（IQOQI），奥地利科学学院，Boltzmanngasse 3，维也纳1090，奥地利，奥地利9 Univ Grenoble Alpes，CNRS，Grenoble INP，InstitutNél，Grenoble 38000，法国10量子研究中心，技术创新研究所，阿布扎比，阿拉伯联合酋长国，阿拉伯联合酋长国Box 68528, Rio de Janeiro 21941-972, Brazil 2 ICFO-Institut de Ciencies Photoniques, The Barcelona Institute of Science and Technology, Castelldefels, Barcelona 08860, Spain 3 Departament de Física, Universidad de Concepción, Concepción 160-C, Chile 4, Chile 4 Anid-Millennium Science Iniative Program Millennium Opitics研究所，DeConcepción大学，Concepción，Concepción160-C，智利5 Depranciment deIngenieríaEléctric，Catulica de la laSantísimaConcepción，Alonso de ribera de Ribera 2850，concepcioun，Chilepción日内瓦大学应用物理学，日内瓦大学1211，瑞士7大学。Grenoble Alpes，Inria，Grenoble 3800，法国8量子光学和量子信息研究所（IQOQI），奥地利科学学院，Boltzmanngasse 3，维也纳1090，奥地利，奥地利9 UnivGrenoble Alpes，CNRS，Grenoble INP，InstitutNél，Grenoble 38000，法国10量子研究中心，技术创新研究所，阿布扎比，阿拉伯联合酋长国，阿拉伯联合酋长国
使用多元EEG分析解码秘密空间注意的时间动态：原始振幅和α功率的贡献
可以在不需要眼动的而无需眼睛运动的情况下将注意力定向在空间中。我们使用多元模式分类分析（MVPA）来研究是否可以从EEG Alpha Power和原始活动痕迹中解码秘密空间注意的时间过程。从这些信号中解码注意力可以帮助确定原始的EEG信号和α功率是否反映了注意选择的相同或不同特征。使用经典的提示任务，我们证明了秘密空间注意力的方向可以通过两个信号来解码。但是，原始活动和α功率可能反映出空间注意力的不同特征，而α功率与空间中秘密注意力的方向和原始活动的方向相关，而对感知过程的关注感也影响。
供体衍生的多重白血病抗原特异性T细胞疗法，以防止所有
美国路易斯维尔大学医学院肝病学和营养学系医学系，美国肯塔基州路易斯维尔；美国肯塔基州路易斯维尔市路易斯维尔大学医学院B UOFL酒精研究中心； C诺顿神经科学研究所，4915 Norton Healthcare Blvd，美国肯塔基州路易斯维尔； D UOFL HEPATOBIOLOGY COBRE，美国路易斯维尔大学医学院，美国肯塔基州路易斯维尔； E美国路易斯维尔大学医学院解剖科学与神经生物学系；美国德克萨斯州休斯敦市贝勒医学院分子病毒与微生物学系宏基因组学与微生物组研究中心； G，美国路易斯维尔大学医学院生理学系，美国肯塔基州路易斯维尔； H美国路易斯维尔路易斯维尔大学医学院药理学与毒理学系； i路易斯维尔大学医学院神经外科系，美国肯塔基州路易斯维尔；美国肯塔基州路易斯维尔的Robley Rex VA医学中心医学系J
使用面部表情的时空深度学习方法改善疼痛分类
疼痛管理和严重性检测对于有效的治疗至关重要，但是传统的自我报告方法是主观的，并且可能不适合非语言个体（口语有限的人）。为了解决此限制，我们使用面部表情探索自动疼痛检测。我们的研究利用深度学习技术来通过分析来自疼痛情感面孔数据库（PEMF）的面部图像来改善疼痛评估。我们提出了两种新颖的方法1：（1）混合交通模型与长期短期记忆（LSTM）块相结合，以分析视频框架并预测疼痛的存在，以及（2）与LSTM集成的时空图形卷积网络（STGCN），与LSTM集成在一起，以从面部图像中为疼痛图像进行过程地标。我们的工作代表了PEMF数据集进行二进制疼痛分类的首次使用，并通过广泛的实验证明了这些模型的有效性。结果突出了结合空间和时间特征以增强疼痛检测的潜力，从而在客观疼痛评估方法中提供了有希望的进步。