XiaoMi-AI文件搜索系统
World File Search Systemartifacts
Direct File 试点成功部署
TIGTA 提出了六项建议。TIGTA 建议首席信息官确保指南提供在独立核实和确认过程中审查和分析工件的具体政策和程序。TIGTA 还建议首席信息官和 Direct File 主管确保在未来部署之前完成并签署 Direct File 工件；更新现有的谅解备忘录，以包括管理纳税人数据交换的安全和技术细节，并确保这些细节包含在与参与国的未来协议中；确保需求存储库包含可追溯性和自动报告功能；确保开发人员记录他们的测试计划，该计划可以追溯到测试类型、测试用例和测试结果；并标准化和记录有关如何使用需求存储库的程序。
关于在线用户表示的效力：共享经济的见解
抽象在线用户表示（UR）是共享经济中平台介导的交互的基石。广泛认可和理解了UR工件在线和互动相互作用的一般实用性，但基本机制和操作原则通常需要进行更详细的分析。在本章中，我们介绍了一个基于信号传导和社会存在理论的系统框架，用于分析整个在线平台的文物，尤其是共享经济。我们将我们的框架作为结构镜头在有关Airbnb的用户填充的案例研究中，揭示了相对市场方面的结构相似性和差异。我们在新兴信息系统研究方向的背景下讨论了我们的发现，并为共享经济的未来工作提出了途径。
抗噪声且可解释的癫痫发作检测
摘要 — 深度卷积神经网络最近已成为检测癫痫发作的先进工具。此类模型能够提取脑电图 (EEG) 信号的复杂非线性表示，与依赖手工制作特征的方法相比，其准确性更高。然而，神经网络容易受到脑电图信号中常见的混杂伪影的影响，并且难以解释。在这项工作中，我们提出了一种基于神经网络的癫痫发作检测算法，该算法利用信息论的最新进展来构建信号表示，其中包含区分癫痫发作和正常大脑活动所需的最少信息。我们展示了我们的方法自动学习忽略常见信号伪影并从原始信号中编码医学相关信息的表示。
AI 扬声器生态系统中基于证书注入的加密流量取证
AI 扬声器是典型的基于云的物联网 (IoT) 设备，可在云上存储有关用户的各种信息。虽然从基于云的 IoT 取证的角度来看，分析这些设备与云之间的加密流量以及存储在那里的工件是一个重要的研究课题，但直接分析 AI 扬声器与云之间的加密流量的研究仍然不足。在本研究中，我们提出了一种取证模型，可以基于证书注入收集和分析 AI 扬声器与云之间的加密流量。提出的模型包括在 Android 设备上移植 AI 扬声器映像、使用 QEMU（Quick EMUlator）移植 AI 扬声器映像、使用 AI 扬声器应用程序漏洞运行漏洞利用、使用 H/W 接口重写闪存以及重新制作和更新闪存。这五种取证方法用于将证书注入 AI 扬声器。提出的模型表明，我们可以分析针对各种 AI 扬声器（例如 Amazon Echo Dot、Naver Clova、SKT NUGU Candle、SKT NUGU 和 KT GiGA Genie）的加密流量，并获取存储在云上的工件。此外，我们还开发了一个验证工具，用于收集存储在 KT GiGA Genie 云上的工件。© 2020 作者。由 Elsevier Ltd 代表 DFRWS 发布。保留所有权利。这是一个开放的
关于知识和使用的研究要求...
摘要 — 背景。标准的使用被视为任何工程学科的重要组成部分。因此，我们可以预期标准在需求工程 (RE) 中也发挥着重要作用。然而，人们对行业中 RE 相关标准的实际知识和使用知之甚少。目标。在本文中，我们调查了 RE 从业者对标准和相关工件（如模板或指南）的了解和使用程度。方法。为此，我们进行了一项基于问卷的在线调查。我们可以使用封闭式和开放式问题的组合来分析 90 名 RE 从业者的答复。结果。我们的结果表明，从工程角度来看，标准和相关工件的知识和使用并不像人们所预期的那样广泛。例如，大约 47% 的需求工程师或业务分析师受访者不了解 RE 的核心标准 ISO/IEC/IEEE 29148。我们研究中的参与者大多是出于个人决定使用标准，而不是由各自的公司、客户或监管机构强加的。除了知识不足之外，我们还发现文化和组织因素阻碍了 RE 标准的广泛采用。结论。总体而言，我们的研究结果提供了实证见解，有助于了解 RE 实践中标准和相关工件的实际使用情况，并间接了解当前标准为 RE 从业者创造的价值。
卷积神经网络
脑电图 (EEG) 使用放置在头皮上的传感器实时测量大脑电活动。必须识别并消除由于眼球运动和眨眼、肌肉/心脏活动和一般电干扰而产生的伪影，以便正确解释 EEG 的有用脑信号 (UBS)。独立分量分析 (ICA) 可有效地将信号分成独立分量 (IC)，这些分量在 2D 头皮地形图 (图像)（也称为地形图）上的重新投影允许识别/分离伪影和 UBS。到目前为止，IC 地形图分析（EEG 的黄金标准）一直由人类专家以视觉方式进行，因此无法用于自动、快速响应的 EEG。我们提出了一个基于 2 D 卷积神经网络 (CNN) 的 IC 拓扑图脑电图伪影识别的完全自动化和有效框架，能够将拓扑图分为 4 类：3 种伪影类型和 UBS。描述了框架设置，并展示、讨论了结果，并将其与其他竞争策略的结果进行了比较。在公共脑电图数据集上进行的实验表明，总体准确率超过 98%，在标准 PC 上用 1.4 秒对 32 个拓扑图进行分类，即驱动一个由 32 个传感器组成的脑电图系统。虽然不是实时的，但提出的框架足够高效，可用于基于快速响应脑电图的脑机接口 (BCI)，并且比其他基于 IC 的自动方法更快。
通过封闭式CT
冠状动脉钙评分（CCS）可以通过用于筛查心血管疾病（CVD）的非门控或门控计算机断层扫描（CT）进行量化。和非门控的CT用于常规冠状动脉钙（CAC）筛查，原因是其可负担性。但是，非门控CT成像的伪影对自动评分构成了重大挑战。为了应对由工件引起的评分偏见，我们开发了一种新颖的语义提示得分暹罗（SPSS）网络，用于非门控CT的自动CC。在SPSS中，我们建立了一个共享网络，该网络具有回归监督学习和语义监督学习。我们通过混合不带CAC掩模的非门控CT并用CAC掩模将CT训练SPS。在回归监督学习中，该网络经过培训，可以预测非门控CT的CC。为了打击运动伪像的影响，我们引入了语义范围的学习。 我们利用门控CT来训练网络以学习更准确的CAC语义功能。 通过整合回归监督学习和语义监督学习，语义信息可以促使重新调查监督的学习，以准确预测非门控CT的CC。通过在公开可用的数据集上进行广泛的实验，我们证明SPS可以减轻像素化文物标签引入的潜在评分偏差。 此外，我们的实验结果表明，SPSS建立了最先进的性能。在回归监督学习中，该网络经过培训，可以预测非门控CT的CC。为了打击运动伪像的影响，我们引入了语义范围的学习。我们利用门控CT来训练网络以学习更准确的CAC语义功能。通过整合回归监督学习和语义监督学习，语义信息可以促使重新调查监督的学习，以准确预测非门控CT的CC。通过在公开可用的数据集上进行广泛的实验，我们证明SPS可以减轻像素化文物标签引入的潜在评分偏差。此外，我们的实验结果表明，SPSS建立了最先进的性能。
来自恶化视频的非接触性心率测量
摘要 - 转机光绘画学（RPPG）提供了一种最先进的非接触式方法，用于通过分析面部视频来估算人类脉搏。尽管具有潜力，但RPPG方法仍可能会受到各种伪影的影响，例如噪声，倾斜度和其他由太阳镜，口罩甚至非自愿面部接触引起的障碍物，例如个人无意间接触脸。在这项研究中，我们将图像处理转换应用于有意降低视频质量，模仿这些具有挑战性的条件，并随后评估非学习和基于学习的RPPG方法在衰落的数据上的表现。我们的结果表明，在存在这些人工制品的情况下，准确性显着降低，促使我们提出了恢复技术的应用，例如denois和inpainting，以改善心率的估计结果。通过解决这些具有挑战性的条件和遮挡伪像，我们的方法旨在使RPPG方法更加健壮，适合现实情况。为了评估我们提出的方法的有效性，我们对三个公开可用的数据集进行了全面的实验，其中包括各种场景和人工制品类型。我们的发现强调了通过采用最佳恢复算法和RPPG技术的最佳组合来构建强大的RPPG系统的潜力。此外，我们的研究为注重隐私意识的RPPG方法的发展做出了贡献，从而在现实和多样化的条件下加强了这项创新技术在远程心率估计领域的总体实用性和影响。索引术语 - 记录光摄影学，图像变速器，插入，远程医疗
Bich（2024）生物组织剑桥元素。 ...
有机体是由易于降解的软材料制成的复杂系统，但是它们通过恒定的组件营业额来维护自己。首先，与其他自然系统或人工制品相比，它们似乎非常脆弱。工件可以具有非常抗性的部分，可以长期保持不变。有机体会受到其组件的持续降解和转化，需要连续更换或修复。它们是由高度动态的蛋白质等组件制成的，其寿命很短，并且会不断变化。蛋白质会自发降解，或者由于周围环境的特性（例如温度，pH值和与其他分子的相互作用）的变化，它们可能会失去功能形状（变性）。此外，当它们不再执行活动或不需要这种活动时，它们可能会被生物体降解，并且可以将其部分回收以构建新蛋白质。另一个重要区别是，虽然岩石甚至大多数伪像这样的实体可以持续很长一段时间而不会进行任何活动，但生命有机体无法关闭自己的过程 - 除了细菌孢子等极端情况外，甚至只有部分情况，但在某些情况下，相反，他们需要从能量和需要的群体中恢复过来，以确保自己的养分和物质相互作用，并且要及时又有必要的群体，或者要搬迁，或者要逐渐融合。 环境。虽然伪影（一旦被损坏，保持不变），但生命有机体可以修复或更换其零件。尽管其组成部分的脆弱性以及需要连续行动（或者，凭借这些特性更好），但地球上的个别生物和生命更广泛地表现出显着的韧性。他们可以关闭一些更苛刻的活动，并动员他们的资源来应对压力，并且可以从严重的损害中恢复过来。重要的是，尽管在一套固定的条件下使工件工作 - 尽管在最近的趋势中，目的是设计更多灵活的伪影，但在不同条件下，有机体可以以不同的方式起作用。由于这些能力，植物可以在被有毒废物污染的区域生存，或者细菌可以抵抗抗生素，并且几乎可以生活在从平流层到地壳深度的所有环境中，在包括极端温度，pH，压力等的各种情况下。与植物，真菌和单细胞生物一起，动物的生命甚至能够幸存于小行星影响的后果。有机体，单独或分组，表现出极大的灵活性，使他们能够应对环境中不断变化的条件
基于学习的基于学习的运动伪影在功能近红外光谱中的去除
尽管多年来FNIRS技术得到了改进，但FNIRS数据集的处理仍然是一项艰巨的任务。尤其是，由于Optodes和Scalp之间的耦合变化而导致的运动伪影识别并纠正并纠正了很难且耗时。此类伪影表示为时间序列信号中的峰值或偏移。由于峰或移位的幅度通常比血液动力学反应功能（HRF）高得多，因此FNIRS信号被显着污染，并且不会反映皮质激活。当头部和四肢的运动在实验方案中不可避免甚至需要时，这种现象就会更明显，例如语音，17个步行，18和手术任务。11，12最近，由于可穿戴或无线FNIRS设备（19，20）的升高，该问题加剧了这些设备的移动范围，用于跑步或团队工作，这些设备更容易受到运动文物的影响。因此，消除运动伪影的有效方法对于在这些情况下利用FNIR是必不可少的。多年来开发的一些策略包括在数据处理过程中保留任何具有运动伪像的试验。仅当收集大型数据集并且不是当前的主要实践时才使用。另一种策略是通过视觉检查识别具有运动伪影的试验/通道，或在普遍的FNIRS数据处理工具箱Homer2中使用诸如HMRMotionArtifact功能之类的功能，然后从进一步分析中丢弃它们。为例，参考。35最近的研究36不过，最合适的方法是使用高级时间序列数据处理方法处理这些试验/通道。这些包括样条插值，21小波滤波，22个主成分分析（PCA），23 Kalman滤波，24和基于相关的信号改进（CBSI）。25这些方法的性能在很大程度上取决于一组假设，以描述运动伪影和参数相关调整的主观选择（表1）。29证明，选择PCA参数，即PCA删除27为0.80和0.97的数据中的方差百分比产生了显着不同的结果。因此，高度可取的方法，不需要对参数的主观微调或不依赖严格的假设的方法。在这里，我们提出了一种自动学习噪声特征的深度学习方法。在过去十年中，深度神经网络已成为一种强大的工具，可以快速有效地抑制图像数据集中的噪声。深度学习模型已被证明可以增强竞争性降解结果，同时与召开方法相比，保留了更多纹理细节。30 - 33深度学习网络在应用于医学成像问题时也表现出卓越的性能。例如，denoising自动编码器（DAE）模型可以Denoise乳房X线照片[结构相似性指数量度（SSIM）从0.45到0.73]和Dental X射线数据（SSIM从0.62到0.86）。34 A DAE模型的峰值信噪比（PSNR）和SSIM高10％，而SSIM比胸部辐射图中的常规算法高。