XiaoMi-AI文件搜索系统
World File Search SystemWeighted
基于加权多项式的运动想象脑电图分类...
摘要—目的：基于深度学习技术的脑电信号识别需要充足数据的支持，然而在特定受试者的运动想象任务中通常会出现训练数据稀缺的情况，除非能使用多受试者数据来扩充训练数据。遗憾的是，由于不同受试者的数据分布差异很大，仅在多受试者数据上进行训练只能使模型性能得到微小的提高甚至更差。方法：为解决该问题，本文提出了一种新的加权多分支（WMB）结构来处理多受试者数据，其中每个分支负责拟合一对源-目标受试者数据，并使用自适应权重来整合所有分支或选择权重最大的分支来做出最终决策。将提出的 WMB 结构应用于六种著名的深度学习模型 (EEGNet、Shallow ConvNet、Deep ConvNet、ResNet、MSFBCNN 和 EEG_TCNet)，并在 EEG 数据集 BCICIV-2a、BCICIV-2b、高伽马数据集 (HGD) 和两个补充数据集上进行了全面的实验。结果：与最先进模型相比的优异结果证明了所提方法在特定受试者运动想象 EEG 分类中的有效性。例如，提出的 WMB_EEGNet 在 BCICIV-2a、BCICIV-2b 和 HGD 上分别实现了 84.14%、90.23% 和 97.81% 的分类准确率。结论：很明显，提出的 WMB 结构能够很好地利用具有较大分布差异的多受试者数据进行特定受试者的 EEG 分类。
通过加权特性的方法选择髋关节假体的材料
摘要 - 在体内种植的人工部分的材料选择过程一直是至关重要的程序。植入物的生产和施工要求将涉及从机械规格到医疗限制的各种考虑。从机械的角度来看，需要植入物表现出尽可能近的骨骼的机械性能，以降低失败的风险并为患者提供高水平的舒适度。假肢必须拥有的最大胆的医学特征是生物相容性存在的质量；意思是，它们必须被人体的生物体接受。In this paper, five common biocompatible materials as candidates for hip prostheses production namely, 316L St Steel (cold worked, ASTM F138), Co–28Cr–6Mo (cast, ASTM F75), Ti–6Al–4V (hot forged, ASTM F620), Zirconia (ceramic, 3Y-TZP) and Alumina (ceramic, ZTA)通过加权特性的方法选择和评估，以缩小搜索范围，以找到最适合真正骨骼机械性状的候选者。进行分析，考虑了六个属性，并相互加权，即弹性模量，屈服强度，拉伸强度，疲劳强度，腐蚀速率和密度。从结果中，氧化铝和不锈钢显示出最高的性能索引，但由于所需的生物相容性的重要性，因此在实用中所需的生物相容性的重要性，排名在钴和钛合金的第四和第五位的材料分别是与该行业中最可取的选择。的确，生物相容性特征超过与真实骨骼的最高机械相似性。将得出结论，在植入物材料选择过程中，WPM不能仅仅预测最佳候选人，除非将结果与有关身体对候选材料的反应的实验数据进行比较。版权所有©2015 Penerbit Akademia Baru-保留所有权利。
基于加权的生成性学习损失的基于扩散的语音增强
基于扩散的生成模型最近在语音增强（SE）方面获得了研究，为常规监督方法提供了替代方案。这些模型将干净的语音训练样本转化为高斯噪声，通常以嘈杂的语音为中心，随后学习了一个典型的模型以扭转这一过程，从而有条件地在嘈杂的语音上。与受监督的方法不同，基于生成的SE通常仅依赖于无监督的损失，这可能会导致条件嘈杂的语音效率较低。为了解决这个问题，我们提议以ℓ2的损失来增加原始的扩散训练目标，以测量地面真相清洁语音与每个扩散时间阶段的估计之间的差异。实验结果证明了我们提出的方法的有效性。
使用加权单元格 -
单细胞RNA测序（SCRNA-SEQ）已成为理解细胞异质性的强大工具，在分子调节分析中提供了前所未有的分辨率。现有的细胞类型注释的监督学习方法主要利用SCRNA-SEQ数据中的基因表达式。尽管某些方法包含了基因相互作用网络信息，但它们无法使用细胞特异性基因关联网络。此限制忽略了单个细胞内的独特基因相互作用模式，可能会损害细胞类型分类的准确性。我们介绍了WCSGNET，这是一种基于图神经网络的算法，用于自动细胞类型注释，利用加权细胞特异性网络（WCSN）。这些网络是基于高度可变基因构建的，并固有地捕获基因表达模式和基因关联网络结构特征。广泛的实验验证表明，WCSGNET始终达到卓越的细胞类型分类性能，在最佳的方法中排名，同时保持各种数据集的稳健稳定性。值得注意的是，WCSGNET在处理不平衡数据集方面具有明显的优势，在这些挑战性的情况下表现优于现有方法。复制这项工作的所有数据集和代码都存放在GitHub存储库中（https://github.com/yi-elen/wcsgnet）。
加权复杂网络中主干提取技术的评估工具
网络对于分析复杂系统至关重要。然而，网络规模的不断扩大需要采用旨在减小网络规模同时保留关键特征的主干提取技术。在实践中，选择、实施和评估最合适的主干提取方法可能具有挑战性。本文介绍了 netbone，这是一个用于评估加权网络中主干提取技术性能的 Python 包。它的比较框架是 netbone 的突出特点。事实上，该工具采用了最先进的主干提取技术。此外，它提供了一套全面的评估指标，允许用户评估不同的主干技术并根据他们的案例研究选择最佳技术。我们通过美国航空运输网络分析说明了 netbone 的灵活性和有效性。我们使用评估指标比较了不同主干提取技术的性能。我们还展示了用户如何将新的主干提取方法集成到比较框架中。Netbone 作为一个开源工具向公众开放，确保研究人员和从业人员可以使用它。推广标准化评估实践有助于主干提取技术的进步，并促进研究工作的可重复性和可比性。我们预计，netbone 将成为研究人员和从业人员的宝贵资源，使他们能够在选择主干提取技术时做出明智的决策，从而深入了解复杂系统的结构和功能特性。
加权最大割和Ising问题的通用量子算法
我们提出了一种混合量子经典算法来计算二元组合问题的近似解。我们采用浅深度量子电路来实现一个幺正算子和厄米算子，该算子对加权最大割或伊辛汉密尔顿量进行块编码。测量该算子对变分量子态的期望可得出量子系统的变分能量。通过使用归一化梯度下降优化一组角度，该系统被迫向问题汉密尔顿量的基态演化。实验表明，我们的算法在随机全连通图上的表现优于最先进的量子近似优化算法，并通过产生良好的近似解向 D-Wave 量子退火器发起挑战。源代码和数据文件可在 https://github.com/nkuetemeli/UQMaxCutAndIsing 下公开获取。
TW-Net：用于新生儿脑部 MRI 分割的 Transformer 加权网络
摘要 — 准确的新生儿脑部 MRI 分割对于研究脑部生长模式和追踪神经发育障碍的进展非常有价值。然而，使用基于强度的方法来分割新生儿脑结构是一项具有挑战性的任务，因为固有的髓鞘形成过程导致脑区之间的对比度差异很小。尽管卷积神经网络提供了以强度无关的方式分割脑结构的潜力，但它们缺乏分割所必需的平面内长距离依赖性。为了解决这个问题，我们提出了一种新颖的 Transformer 加权网络 (TW-Net) 来整合平面内长距离依赖信息。TW-Net 采用传统的编码器-解码器架构，中间有一个 Transformer 模块。Transformer 模块使用旋转和翻转层来更好地计算切片中两个斑块之间的相似性，以利用脑结构内相似的几何和纹理特征模式。此外，还引入了深度监督模块和挤压和激励块来整合脑结构的边界信息。与最先进的深度学习算法相比，TW-Net 在两个独立的公共数据集上 2D 和 2.5D 配置的多标签任务中表现优于这些方法，表明 TW-Net 是一种很有前途的新生儿脑部 MRI 分割方法。
在3 Tesla和7 Tesla
大脑磁共振成像（MRI）提供了详细的软组织对比，这对于疾病诊断和神经科学研究至关重要。较高的MRI分辨率通常以信噪比（SNR）和组织对比为代价，特别是对于更常见的3 Tesla（3T）MRI扫描仪。在超高磁场强度下，7 Tesla（7T）MRI允许具有更高的组织对比度和SNR的更高分辨率。但是，7T MRI扫描仪的高昂成本阻止了其在临床和研究中心中的广泛采用。要获得没有7T MRI扫描仪的高质量图像，可以合成3T MR图像的7T MR图像的算法正在积极发展。在这里，我们提供了一个配对的T1加权和T2加权MR图像的数据集，在10个健康受试者中，在3T和7T中提供了7T，以促进3T到7T MR图像合成模型的开发和评估。使用MRIQC中实现的图像质量指标评估数据集的质量。
使用k-neartift加权融合的人重新识别*
摘要：亲自识别，重新排列是通过完善检索结果的初始排名来提高整体准确性的关键步骤。先前的研究主要集中在单视图像的特征上，这些特征可能会导致偏见和诸如姿势变化，观点变化和遮挡等问题。使用多视图来介绍一个人可以帮助减少视图偏差。在这项工作中，我们提出了一种有效的重新级别方法，该方法通过使用K-Neartivt加权融合（KWF）方法来汇总邻居的功能来生成多视图特征。具体来说，我们假设从重新识别模型中提取的特征在表示相同的身份时高度相似。因此，我们以无监督的方式选择K相邻功能来生成多视图功能。此外，本研究探讨了特征聚合过程中的重量选择策略，从而使我们能够确定有效的策略。我们的重新排列方法不需要模型进行微调或额外的注释，因此它适用于大规模数据集。我们在重新识别数据集Market1501，MSMT17和遮挡的dukemtmc上评估我们的方法。结果表明，从初始排名结果中重新列出顶级M候选者时，我们的方法会显着提高列表@1并映射。具体而言，与初始结果相比，我们的重新排列方法在具有挑战性的数据集中，等级@1的提高分别为9.8％ / 22.0％：MSMT17和闭塞性dukemtmc。此外，我们的方法证明了与其他重新排列方法相比，计算效率的实质性提高。
使用新型加权食品的基因 - 迪埃特相互作用分析...
糖尿病是全球最重要的公共卫生问题之一，对全球公共卫生和社会经济发展造成了沉重的负担。尽管某些国家的发病率已经开始降低，但近几十年来，其他发达国家和发展中国家的糖尿病患病率也有所增加（1）。2型糖尿病（T2D）约占糖尿病病例的90％（2），根据世界卫生组织的说法，即使在年轻人中，被诊断为T2D的人数也在增加（2）。T2D的发展主要是由不健康的生活方式以及环境和遗传因素的相互作用引起的。尽管其中一些因素受到个人控制，例如生活方式，但其他因素却没有，例如年龄，性别和遗传学的增加。饮食也归因于T2D的风险（3，4）。在许多前瞻性研究中已经确认了这种关联（5-8）。此外，T2D是一种越来越普遍的代谢疾病，引起严重的微血管并发症，即心血管疾病（CVD），视网膜病变，神经病和肾病（3，9）。此外，据报道，减肥或生活方式改良的有益影响可以预防，延迟和减少疾病的发生率（2，10）。因此，对整体饮食模式（习惯食品和营养摄入量）的有效估计已成为研究饮食与健康状况之间关系的基本方面（8）。一般饮食习惯可以提供超出营养和单一食物作用的见解（2，11）。基于食品和食物组的RF，MDS和AMDS某些指数基于国家营养建议和国家饮食指南，这些指南评估了整体营养模式，包括健康饮食指数，替代健康饮食指数，健康饮食指标，推荐食品评分（RFS），饮食质量指数，饮食质量指数，饮食质量质量评分，地中海饮食评分（MDS）以及替代地中海饮食（MDS）和替代饮食（AMDS）。