XiaoMi-AI文件搜索系统
World File Search Systemartifacts
基于EEG的BCI疗法中的工件：朋友还是敌人？
1蒂宾根大学医院神经和中风系，德国图宾根72076； eric-james.mcdermott@medizin.uni-tuebingen.de（E.J.M.）; philipp.raggam@univie.ac.at（P.R.）; paolo.belardinelli@unitn.it（P.B.）2赫蒂临床脑研究所，图宾根大学，72076德国Tubingen 3研究小组神经信息学，计算机科学学院，维也纳大学，维也纳大学，1010 Wien，Wien，奥地利4InstitutFürGames，Hochschule derien，70569 Stuttgart，70569 Stuttgart，Germany，Fermany; kirsch@hdm-stuttgart.de 5 CIMEC，特伦托大学的思维/脑科学中心，38123，意大利特伦托38123，多伦多大学多伦多大学精神病学系，在多伦多大学，多伦多大学，M5T 1R8，M5T 1R8，加拿大7 Temerty temerty temerty脑干预中心，用于成立和心理健康，M6J ulf.ziemann@uni-tuebingen.de（U.Z）; Christoph.zrenner@utoronto.ca（C.Z.）
基于学习的运动伪影在fnirs中的处理
本文对功能性近红外光谱（FNIRS）中基于学习的运动伪影（MA）处理方法进行了简要审查，强调了在受试者运动期间保持最佳接触的挑战，这可能导致MA并损害数据完整性。传统策略通常会导致血液动力学反应和统计能力的可靠性降低。认识到着重于基于学习的MA的研究有限的研究，我们研究了315项研究，确定了与我们的重点领域相关的七个研究。我们讨论了基于学习的MA校正方法的当前格局，并突出了研究差距。注意到缺乏用于MA校正质量评估的标准评估指标，我们建议一个新颖的框架，整合信号和模型质量考虑因素，并采用1个信噪比（1 SNR），混淆矩阵和平均平方误差等指标。这项工作旨在促进基于学习的方法在FNIRS上的应用，并提高神经血管研究的准确性和可靠性。
RNA 测序中逆转录反应的伪影和偏差
近年来，RNA 测序激发了大量的研究领域。大多数方案依赖于在逆转录反应过程中合成更稳定的 RNA 分子互补 DNA (cDNA) 拷贝。结果 cDNA 池经常被错误地认为在数量和分子上与原始 RNA 输入相似。遗憾的是，偏差和伪影会混淆结果 cDNA 混合物。依赖逆转录过程的人们在文献中经常忽视或忽略这些问题。在这篇评论中，我们向读者展示了 RNA 测序实验过程中逆转录反应引起的样本内和样本间偏差和伪影。为了打消读者的疑虑，我们还提供了大多数问题的解决方案并介绍了良好的 RNA 测序实践。我们希望读者能够利用这篇评论，从而为科学合理的 RNA 研究做出贡献。
Telelife：远程生活的未来 - Small Artifacts Lab
近年来，工作和社交等日常活动已逐渐转向更远程和虚拟的环境。随着 COVID-19 疫情的爆发，从实体到虚拟的转变加速了，这几乎影响了我们生活的方方面面，包括商业、教育、贸易、医疗保健和个人生活。这种从面对面互动到远程互动的快速大规模转变加剧了我们当前技术缺乏功能性且在重现人际互动方面能力有限的事实。为了帮助解决未来的这些限制，我们推出了“Telelife”，这是一个近期和远期的愿景，描绘了改善远程生活的潜在手段，并使其更好地与我们在现实世界中的互动、生活和工作方式保持一致。Telelife 包含了技术和概念的全新协同作用，例如数字孪生、虚拟/物理快速原型设计以及注意力和情境感知用户界面，以及可以支持超逼真图形和触觉反馈、用户状态检测等的创新硬件。这些想法将很快引导我们日常生活和惯例的转变，目标是到 2035 年。此外，我们还在与 Telelife 这一愿景相关的领域中确定了影响深远的应用机会。除了最近对人机交互、普适计算和虚拟现实等相关领域的调查外，我们在本文中提供了一个元合成，以指导未来对远程生活的研究。
mc-former：使用...
MC形式是从带有编码器编码器结构和跳过连接的基于视觉变压器的模型得出的。我们从T1加权轴向清洁图像中随机掩盖了50％的补丁，并使用自我监督的预训练重建了缺失的补丁。T1加权轴向脑图像被合成运动污染，以训练MC-前者去除运动伪影。评估在训练过程中使用了模拟的T1加权轴向图像。将MC形式与MC-NET 1和RESTORMER 2进行了比较，后者是运动校正和运动去膨胀的最新方法。
使用深度学习去除脑电图中的眼部伪影
摘要 —EEG 信号是复杂的低频信号。因此，它们很容易受到外界因素的影响。EEG 伪影去除在神经科学中至关重要，因为伪影会对 EEG 分析结果产生重大影响。在这些伪影中，眼部伪影的去除最具挑战性。在本研究中，通过开发基于双向长短期记忆 (BiLSTM) 的深度学习 (DL) 模型，提出了一种新颖的眼部伪影去除方法。我们通过结合 EEGdenoiseNet 和 DEAP 数据集创建了一个基准数据集来训练和测试所提出的 DL 模型。我们还通过在不同 SNR 水平下用 EOG 污染地面真实干净的 EEG 信号来增强数据。然后使用通过小波同步压缩变换 (WSST) 获得的高度局部化时频 (TF) 系数将 BiLSTM 网络馈送到从增强信号中提取的特征。我们还将基于 WSST 的 DL 模型结果与传统 TF 分析 (TFA) 方法，即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强原始信号进行了比较。首次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明，与传统 TF 和原始信号方法相比，WSST-Net 模型显著提高了伪影去除性能。此外，所提出的 EOG 去除方法表明，它优于文献中许多传统和基于 DL 的眼部伪影去除方法。索引词 —EEG、眼部伪影、深度学习、LSTM、BiLSTM、WSST、STFT、CWT。
用于验证纤维束成像和评估伪影的物理和数字模型
纤维束成像广泛用于通过扩散加权磁共振成像 (dMRI) 在体内非侵入性地绘制白质束。与所有科学方法一样，无论是在基础神经科学领域还是在临床环境中，适当的验证都是成功应用纤维束成像的关键先决条件。众所周知，从局部扩散信号间接估计纤维束非常模糊且极具挑战性。此外，纤维束成像方法的验证因缺乏真实的基础事实而受到阻碍，这是由极其复杂的大脑微结构造成的，这种微结构无法通过非侵入性直接观察到，而大脑中庞大的长距离纤维连接网络的基础正是纤维束成像方法的实际目标。作为可用于验证的真实基础事实的体内数据的替代品，一种广泛且成功采用的方法是使用合成幻影。在这项工作中，我们概述了物理和数字幻影领域的最新技术，回答了以下指导性问题：“什么是 dMRI 幻影，它们有什么用处？”，“用于验证纤维束成像的理想幻影是什么样的？”和“研究界可以使用哪些幻影、幻影数据集和用于创建它们的工具？”。我们将进一步讨论使用 dMRI 幻影的局限性和机遇，以及该研究领域未来可能的发展方向。
重播：通过...
摘要。3 D传感是自动驾驶汽车的基本任务。其部署通常依赖于对齐的RGB摄像机和激光镜头。谨慎的同步和校准，在LiDAR投影的深度图中，系统的错位持续存在。这是由于两个传感器之间的物理基线距离所致。工件通常反映为背景激光雷达错误地投射到前景上，例如汽车和行人。KITTI数据集使用立体声摄像机作为启发式解决方案来删除工件。但是，大多数AV数据集（包括Nuscenes，Waymo和DDAD）都缺少立体声图像，使Kitti解决方案不适用。我们提出了Replay，这是一种无参数的分析解决方案，用于删除投影伪像。我们在假设的虚拟LiDAR相机和RGB摄像机之间构建了一个Binocular视觉系统。然后，我们通过使用拟议的分析溶液确定面孔闭塞来删除投影伪影。我们显示出具有无伪像的深度图的最先进（SOTA）单眼估计器和3 d对象探测器的一致改进。
工件社会机构：聊天机器人和人工智能的伦理
人为智能文物的抽象在道德上具有重要意义的后果将源于它们对现有社会关系的影响。文物将担任各种社会重要角色，作为个人同伴，在商业，教育和其他对社会敏感的环境中为老年人和虚弱的人服务。这些技术将造成社会规范，机构和社区的不可避免的破坏值得仔细考虑。当我们开始评估这些效果时，将需要对学位和类型的社会代理人进行反思，以做出有关在重要环境中人工智能文物部署的适当知情决定。这些系统的社会代理与人类社会代理不同，本文提供了一个方法论框架，该框架比对代理概念的传统哲学治疗更适合于对人工社会代理人进行调查。可以研究代理的单独方面和维度，而无需假设代理必须始终看起来像成人人类代理。对工件的这种修订的方法有利于AI伦理研究的主题的进步。
将有偏见的数据视为人工智能辅助医疗中的信息来源
医学中使用的人工智能 (AI) 工具与其他领域中使用的 AI 一样，都是通过检测大量数据中的模式来工作的。AI 工具之所以能够检测到这些模式，是因为它们可以“学习”或被训练来识别数据中的某些特征。然而，使用某种程度上存在偏差的数据训练的医疗 AI 工具可能会出现偏见，当这种偏见与不公正的模式相匹配时，使用这些工具可能会导致不公平和歧视。试图修复用于 AI 训练的有偏见的临床数据等技术解决方案是出于好意，但所有这些举措的基础是这样的观念：有偏差的临床数据是“垃圾”，就像计算机科学谚语所说的“垃圾进，垃圾出”。相反，我们建议将临床数据视为人工制品，经过检查，可以提供有关其所在的社会和机构的信息。