XiaoMi-AI文件搜索系统
World File Search Systemconvolutional
黎曼方法与卷积神经网络
摘要 目的。迄今为止，在基于 EEG 的脑机接口中，黎曼解码方法与深度卷积神经网络的全面比较仍未在已发表的研究中出现。我们使用 MOABB（所有 BCI 基准之母）来解决这一研究空白，将新型卷积神经网络与最先进的黎曼方法进行比较，这些方法涉及广泛的 EEG 数据集，包括运动想象、P300 和稳态视觉诱发电位范式。方法。我们使用 MOABB 处理管道系统地评估了卷积神经网络（特别是 EEGNet、浅层 ConvNet 和深度 ConvNet）与成熟的黎曼解码方法的性能。该评估包括会话内、跨会话和跨受试者方法，以提供模型有效性的实用分析，并找到在不同实验设置中表现良好的整体解决方案。主要结果。我们发现在会话内、跨会话和跨受试者分析中，卷积神经网络和黎曼方法之间的解码性能没有显着差异。意义。结果表明，在使用传统的脑机接口范式时，在许多实验环境中，CNN 和黎曼方法之间的选择可能不会对解码性能产生重大影响。这些发现为研究人员提供了灵活性，可以根据诸如易于实施、计算效率或个人偏好等因素选择解码方法。
LCASPMDA：一种计算模型，用于预测基于可学习的图形卷积注意网络和自定进度的迭代采样集合
人体包含数万亿个微生物，包括细菌，古细菌，真菌，原生动物和病毒，它们构成人类微生物群，并与人类宿主紧密相互作用（人类微生物组项目联盟，2012; Sommer和Bäckhed，2013年）。这些微生物可以在皮肤，口腔，鼻腔，胃肠道，泌尿生殖道和人体其他部位发现，并在调节人类健康中起重要作用。例如，他们可以调节胃肠道的病理，并协调内部环境的体内平衡，以促进人体的代谢功能（Gill等，2006; Ventura等，2009）。微生物组和宿主粘膜位点以协同的方式相互作用，以防止病原体（Macpherson和Harris，2004）。微生物促进了糖代谢的合成，并促进了T细胞反应所需的维生素的合成（Kau等，2011）。，但微生物也对人体产生不利影响。例如，研究证明，微生物群落的营养不良可以诱导糖尿病（Wen等，2008），炎症性肠病（Durack和Lynch，2019年），甚至癌症（Schwabe和Jobin，2013）。此外，已证明细菌和病毒等病原体能够引起多达27种传染病，例如Covid-19（Xiang等，2020）。此外，近年来，由于药物的滥用和非理性使用，微生物对某些药物产生了抗药性，这给临床医学和药物开发带来了严重的挑战。Concetta等。此外，最近的研究还表明，药物的功效受到微生物代谢的显着影响（McCoubrey等，2022）。当药物在人体中起作用时，微生物在药物吸收和代谢中起着重要作用，从而调节药物疗效和毒性（Zimmermann等，2019）。报道肠道菌群可以与抗癌药物相互作用，从而影响药物的治疗效率和毒性副作用。他们将益生菌，益生元，合成药，生物制剂和抗生素作为微生物群的新兴策略，可以改善治疗结果或确保患者在抗癌治疗期间的生活质量更好（Panebianco等人，2018年）。因此，发现潜在的微生物 - 药水关联是在精密医学领域要解决的关键问题之一，并且需要开发有效的计算模型以发现潜在的微生物 - 药水关联变得越来越紧迫。
deepCac：基于多头自我注意和连接卷积神经网络的DNA转录因子分类的深度学习方法
©作者2023。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免（http：//创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。
使用EEG
音乐是唤起人类情感的主要方式之一。但是，音乐的感觉是主观的，这使得确定哪些情感音乐在给定的人中触发了哪些情感。为了正确识别由不同类型的音乐引起的情绪问题，我们首先创建了一个脑电图（EEG）数据集，该数据集受到四种不同类型的音乐（恐惧，幸福，镇定和悲伤）的刺激。其次，提取了脑电图的差分熵特征，然后建立了情绪识别模型CNN-SA-BILSTM以提取EEG的时间特征，并通过使用自我关注机制的全球感知能力来提高模型的识别性能。通过消融实验进一步验证了模型的有效性。该方法在价和唤醒维度中的分类准确性分别为93.45％和96.36％。通过将我们的方法应用于公开可用的EEG数据集DEAP，我们评估了方法的概括和可靠性。此外，我们还进一步研究了不同的脑电带和多波段组合对音乐情绪识别的影响，结果结果证实了相关的神经科学研究。与其他代表性的音乐情感识别作品相比，该方法具有更好的分类性能，并为基于大脑计算机界面的情感识别系统的未来研究提供了有希望的框架。
深度卷积神经网络的合奏比董事会认证的眼科医生更准确和可靠，在视网膜眼底照片中检测多种疾病
摘要旨在开发一种算法，以准确可靠地从眼底照片中对多种视网膜病理进行分类，并验证其针对人类专家的绩效。方法，我们训练了一个深卷积合奏（DCE），这是五个卷积神经网络（CNN）的集合，将视网膜眼底照片分类为糖尿病性视网膜病（DR），青光眼，与年龄相关的黄斑变性（AMD）和正常眼睛。CNN体系结构基于InceptionV3模型，并且在Imagenet数据集上预估计了初始权重。我们使用了来自12个公共数据集的43 055底面图像。然后在100张图像的“看不见”集上测试了五个训练有素的合奏。要求七位认证的眼科医生对这些测试图像进行分类。结果认证的眼科医生在所有类别中达到72.7％的平均准确性，而DCE的平均准确性为79.2％（p = 0.03）。与眼科医生相比，DCE对DR分类的平均F1得分平均得分更高（76.8％vs 57.5％； P = 0.01），但在统计学上更高，但统计学上不显着的F1得分的F1得分（83.9％vs 75.7％； P = 0.10）和正常（85.9％vs; amd; 85.9％vs; （73.0％vs 70.5％; p = 0.39）。DCE在准确性和自信之间具有更大的平均一致性，而自信为81.6％vs 70.3％（p <0.001）。讨论我们开发了一个深度学习模型，发现与董事会认证的眼科医生相比，它可以更准确，可靠地对四类眼底图像进行分类。这项工作提供了算法能够仅使用眼底照片对多种视网膜疾病进行准确和可靠的识别的原则证明。
计算机的完全双曲线卷积神经网络...
现实世界的视觉数据具有固有的层次结构，可以在双曲线空间中有效地代表。双曲神经网络（HNN）是在此类空间中学习特征表示的有前途的方法。然而，计算机视觉中的当前HNN依赖于欧几里得主链，并且仅在任务头中的双曲线空间唯一的项目功能，从而限制了它们充分利用双曲线几何的好处的能力。为了解决这个问题，我们提出了HCNN，这是一种全均匀的卷积神经网络（CNN），专为计算机视觉任务而设计。基于Lorentz模型，我们概括了CNN的基本组合，并提出了卷积层，批准归一化和多项式逻辑回归的新型公式。对标准视频任务的实验证明了在混合和完全双曲的设置中我们的HCNN框架的有希望的性能。总体而言，我们认为我们的贡献为开发更强大的HNN提供了基础，这些HNN可以更好地代表图像数据中发现的复杂结构。我们的代码可在https://github.com/kschwethelm/hyperboliccv上公开获取。
基于双向特征金字塔注意的时间卷积网络模型用于运动想象脑电图分类
脑机接口 (BCI) 是一种新兴的交互式通信方法，通过解码大脑活动产生的信号，实现对假肢和外部设备的神经控制，以及中风后运动康复。这种最先进的技术有可能彻底改变生活的各个方面，并显着提高整体生活质量。BCI 具有广泛的应用范围，从医疗援助到人类增强（Ahmed 等人，2022 年；Altaheri 等人，2023 年）。通常，脑电图 (EEG) 信号反映大脑的电活动，并通过在头皮上放置电极阵列来非侵入式地记录。获得真实值（时间和通道）二维 EEG 信号矩阵使人与外部设备之间的直接通信成为可能（Graimann 等人，2010 年）。运动想象 (MI) 是一种思考如何移动身体的某个部位而不移动身体的活动。基于 EEG 的 MI 活动已广泛应用于车辆控制、无人机控制、环境控制、智能家居、安全和其他非医疗领域（Altaheri 等人，2023 年）。然而，解码 MI-EEG 信号仍然是一项具有挑战性的任务。在此任务中，其他生理信号（例如面部肌肉活动、眨眼和环境中的电磁干扰）会污染记录的 MI-EEG 信号并导致信噪比低（Lotte 等人，2018 年）。MI-EEG 模式的个体差异受到参与者大脑结构和功能差异的影响。此外，EEG 系统在信号通道之间表现出一定程度的相关性，这进一步使信号处理过程复杂化（Altaheri 等人，2022 年）。在对 EEG 信号进行分类和识别的传统方法中，通常依赖于领域特定知识。这导致人们更加关注开发有效的特征提取和分类技术，这主要是由于 EEG 信号固有的低信噪比（ Huang et al., 2019 ）。人们通常使用各种特征提取方法，包括独立成分分析（ Barbati et al., 2004 ； Delorme and Makeig, 2004 ； Porcaro et al., 2015 ； Ruan et al., 2018 ）、小波变换（ Xu et al., 2018 ）、共同空间模式（ Gaur et al., 2021 ）和经验模态分解（ Tang et al., 2020 ）。在对 EEG 信号进行预处理后，从处理后的信号中提取基本特征并输入分类器以确定输入实例的类别（ Vaid et al., 2015 ）。传统的特征提取方法通常涉及手工设计的特征提取器，例如滤波器组共享空间模式 (FBCSP) (Ang et al., 2008) 或黎曼协方差 (Hersche et al., 2018) 特征。Ang et al.（2012）使用滤波器组公共空间模式（FBCSP）算法来优化MI-EEG上公共空间模式（CSP）的受试者特定频带，然后采用基于互信息的最佳个体特征（MIBIF）算法和基于互信息的粗糙集约简（MIRSR）算法从信号中提取判别性的CSP特征。最后，我们使用CSP算法进行分类并获得了良好的性能。值得注意的是，所有这些步骤都非常耗时。虽然传统方法通过预处理方法提高了EEG信号的信噪比，但从不同时间戳和受试者采集的EEG信号通常
使用脑电信号和卷积神经网络自动分类睡眠阶段
睡眠阶段分类是研究人类生活质量的新课题之一，因为它在养成健康的生活方式方面起着至关重要的作用。睡眠异常变化或缺乏正常睡眠可能导致不同的疾病，如心脏相关疾病、糖尿病和肥胖症。一般来说，睡眠分期分析可以使用脑电图 (EEG) 信号进行。本研究提出了一种基于卷积神经网络 (CNN) 的睡眠阶段分类方法，使用六个通道采集的 EEG 信号将其转换为时频分析图像。所提出的方法包括三个主要步骤：(i) 将 EEG 信号分割成 30 秒长的时期，(ii) 使用时频分析将时期转换为 2D 表示，以及 (iii) 将 2D 时频分析输入到 2D CNN。结果表明，所提出的方法是稳健的，对通道 C4-A1 实现了 99.39% 的非常高的准确率。所有其他通道的准确率均超过 98.5%，这表明任何通道都可用于高精度的睡眠阶段分类。所提出的方法在总体准确率或单通道准确率方面优于文献中的方法。它有望为医生，尤其是神经科医生带来巨大益处；为他们提供一种新的强大工具来支持睡眠相关疾病的临床诊断。
利用熔池图像数据开发定向能量沉积工艺中基于一维卷积神经网络的高度轮廓预测模型
摘要 定向能量沉积 (DED) 工艺是一种代表性的金属增材制造技术，它使用柔性沉积头，主要用于航天和海洋工业的维修。DED 工艺节省时间和金钱，因为它只修复受损的零件和部件。因此，几何控制对于经济准确地填充目标受损区域的体积非常重要。然而，效率取决于激光功率、扫描速度等工艺参数。本研究提出了一种一维卷积神经网络 (1D-CNN) 模型，利用熔池图像数据预测 DED 部件的高度轮廓。首先，对总共 9 种情况进行了 DED 实验，考虑了激光功率和扫描速度作为参数。对收集到的熔池图像数据进行预处理，只提取与感兴趣区域相关的数据。最初，从熔池图像中提取了大小、形状、位置和亮度等共 15 个特征。然后，通过置换特征重要性评估方法选择 10 个关键特征，将其输入到 1D-CNN 算法中，以预测沉积层的高度轮廓。在测试阶段，平均绝对百分比误差（MAPE）为9.55％，验证了所提模型的适用性。
AutoSourceId分类器 - 使用带有空间信息的卷积神经网络的星形 - 加拉克斯分类
1 Department of Astrophysics/IMAPP, Radboud University, PO Box 9010, 6500 GL Nijmegen, The Netherlands e-mail: f.stoppa@astro.ru.nl 2 Center for Astrophysics and Cosmology, University of Nova Gorica, Vipavska 13, 5000 Nova Gorica, Slovenia 3 High Energy Physics/IMAPP, Radboud University, PO Box 9010，6500 Gl Nijmegen，荷兰4 Nikhef，科学园，105，1098 XG阿姆斯特丹，荷兰5.荷兰太空研究所，索邦纳兰2，3584 Ca Utrecht，荷兰8荷兰8天文学研究所，库伊文氏库文氏库素，Celestijnenlaan 200d，3001比利时卢芬，比利时9号卢文9 Astronomy, University of Cape Town, Private Bag X3, Rondebosch 7701, South Africa 11 South African Astronomical Observatory, PO Box 9, Observatory, Cape Town 7935, South Africa 12 Dipartimento di Fisica, Universitá di Trieste, 34127 Trieste, Italy 13 Istituto Nazionale di Fisica Nucleare, Sezione di Trieste，34127意大利Trieste，14 Erlangen Astroparpicle Physics中心，Nikolaus-Fiebiger-STR。2，Erlangen 91058，德国