XiaoMi-AI文件搜索系统
World File Search Systemconvolutional
使用时间卷积网络的动态功能连通性分析，用于注意力缺陷/多动症疾病识别
活动）（美国精神病学协会等，2013）。估计，多动症影响大约7.2％的全球人（Thomas等，2015）。当前对ADHD的诊断主要依赖于行为评估和临床措施来量化该疾病的严重程度（Sayal等，2018; Chan等，2023），这是由于其病理机制和临床症状的复杂性而成为一项艰巨的任务（USAMI，2016年）。因此，高度可取的任何计算机辅助诊断方法的出现，该方法支持一种客观和定量方法以自动识别ADHD。静止状态功能磁共振成像（RS-FMRI）是一种非侵入性神经影像学技术，在休息时测量了血氧水平依赖性（BOLD）信号的自发性波动，已广泛用于研究人类的脑功能（Lee等人，2013; cortese et; cortese et and an e an e an e an e an e an。Functional connectivity (FC) derived from rs-fMRI is able to characterize brain function abnormality and thus has been widely used for diagnosis of psychiatric diseases, such as schizophrenia, autism spectrum disorders (ASD), and attention deficit/hyperactivity disorders (ADHD) ( Du et al., 2018 ; Wang et al., 2019c ; Canario et al., 2021 ）。在fMRI分析的领域中，通常假定大脑FC在整个扫描过程（通常几分钟）中是固定的。实际上，越来越多的证据表明，FCS在短时间内发生了很大变化（Zhang等，2016; Jie等，2018; Ding等，2022; Huang等，2023），并且静态FC分析不能充分地感知这些动态的这些动态变化。滑动窗口方法是量化动态FC（DFC）的常用技术。根据此方法，从每个主题中提取的粗体时间序列首先使用固定大小的滑动窗口将每个主题分配为多个重叠或非重叠段，然后将基于每个段的FC网络构建以进行后续分析。基于滑动窗口的DFC分析的现有方法可以大致分为两类：（1）传统的机器学习方法和（2）深度学习方法。In the first category, low-level measures (i.e., clustering coefficients) of FCs are first extracted as new representations of the data, and then the corresponding classifier (i.e., support vector machine, SVM) is trained for final prediction ( Wee et al., 2016 ; Jie et al., 2018 ; Wang et al., 2021 ).例如，Wee等人。（2016）提议使用融合的多组套索算法同时生成这些子细分市场的DFC网络。然后，从每个生成的FC网络计算聚类系数。最后，所有这些段的串联系数都用于训练SVM分类器进行疾病诊断。Jie等。 （2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。 最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。 Luo等。 但是，基于传统的现有方法Jie等。（2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。Luo等。但是，基于传统（2023）提议计算时间微晶格动力学和光谱功率特征，以分析ADHD和正常对照（NCS）及其亚型之间的组差异。这些研究表明，考虑动态特性有助于改善疾病诊断的性能，而发现的FC的变化可能是将患者与正常对照区分开的潜在生物标志物。
多视图卷积神经网络方法结合了诊断自闭症谱系障碍的注意机制
自闭症谱系障碍（ASD）是一种神经发育疾病，其当前精神诊断过程是主观的，并且基于行为。相比之下，功能磁共振成像（fMRI）可以客观地测量脑活动，对于识别脑部疾病很有用。但是，迄今为止采用的ASD诊断模型尚未达到令人满意的准确性水平。这项研究提出了使用MAACNN的使用，MAACNN是一种与注意力机构识别多规模fMRI中识别ASD的识别Mecha-Nisisms相结合的多视图卷积神经网络（CNN）的方法。所提出的算法有效地结合了无监督和监督的学习。在初始阶段，我们采用了堆叠的denoising自动编码器，这是一种无监督的学习方法，用于特征提取方法，该方法提供了不同的节点以适应多尺度数据。在随后的阶段，我们通过采用多视图CNN进行分类并获得最终结果来进行监督学习。最后，使用注意融合机制可以实现多尺度数据融合。遵守数据集用于评估我们提出的模型。实验结果表明，MAACNN的准确性为75.12％，AUC在Abide-I方面取得了出色的性能，而Abide-I的准确性为72.88％，在Abide-II上可以实现0.76 AUC。所提出的方法与ASD的临床诊断显着结合。
CRISPR-CAS9基因组编辑在steinernema昆虫病毒线虫
。CC-BY-NC 4.0国际许可证的永久性。根据作者/资助人提供了预印本（未经同行评审证明）提供的，他已授予Biorxiv的许可证，以在2023年11月17日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2022.05.16.492029 doi：Biorxiv Preprint
使用深卷积神经网络进行面部识别
这项研究旨在使用深卷积神经网络（CNN）开发实时戴面膜检测系统。这在2019年冠状病毒病（Covid-19）中至关重要，这是对那些不早些时候不戴口罩的人提醒的，从而减少了病毒的传播。由于Covid-19通过呼吸液滴和戴面膜涂抹的杂志扩散，我们提出的研究利用计算机视觉技术，特别是图像过程来检测掩盖和未掩盖的面孔。我们采用定制的CNN体系结构，该体系结构由五个卷积层组成，其次是最大层和完全连接的（FC）层。最终输出层利用SoftMax激活进行分类。该模型使用优化的图层组合和参数值进行更新。我们正在开发使用数码相机作为输入设备的应用程序。该应用程序利用一个包含11,792个图像样本的数据集，该数据集用于80:20的比例训练和测试目的。实时测试是使用相机捕获的人类受试者进行的。实验结果表明，在实时视频测试中，CNN方法在培训数据上达到了99％的分类精度，而98.83％的分类精度为98.83％。这些发现表明，使用CNN的实时面膜检测系统有效地性能。
深度筛分卷积神经网络，用于从3D超声图像中进行总脑体积估计
早产儿是一个高度脆弱的人群。这些婴儿的总脑体积（TBV）可以通过脑超声（US）成像来准确估算，从而可以对新生儿重症监护（NICU）入院期间对早期大脑生长进行纵向研究。对3D图像的TBV自动估算可提高诊断速度，并逃避专家手动分段3D图像的必要性，这是一项精致且耗时的任务。我们开发了一种深入学习方法来从3D超声图像中估算TBV。它从深度卷积神经网络（CNN）带来了延伸的残留连接和额外的层，灵感来自模糊C均值（FCM），以进一步将特征分离为不同的区域，即筛分层。因此，我们称此方法为深卷积神经网络（DSCNN）。使用从两个不同的超声设备中获取的两个数据集进行了TBV估计，以包括Alexnet-3D，Resnet-3D和VGG-3D在内的三种最新方法进行验证。结果突出显示了预测与观察到的TBV值之间的密切相关性。回归激活图用于解释DSCNN，从解剖学的角度探索那些更一致和合理的像素来允许TBV估计。因此，它可用于从3D图像中直接估算TBV，而无需进一步的图像分割。
SnCQA：一种硬件高效的等变量子卷积电路架构
摘要 —我们提出了 SnCQA，这是一组硬件高效的等变分电路，分别针对置换对称性和空间格子对称性，量子比特数为 n。通过利用系统的置换对称性（例如许多量子多体和量子化学问题中常见的格子哈密顿量），我们的量子神经网络适用于解决存在置换对称性的机器学习问题，这可以大大节省计算成本。除了理论上的新颖性之外，我们发现我们的模拟在量子计算化学中学习基态的实际实例中表现良好，我们可以通过几十个参数实现与传统方法相当的性能。与其他传统变分量子电路（如纯硬件高效假设（pHEA））相比，我们表明 SnCQA 更具可扩展性、准确性和抗噪声能力（在 3 × 4 方格上的性能提高了 20 倍，在我们的案例中，在各种格子尺寸和关键标准（例如层数、参数和收敛时间）下节省了 200% - 1000% 的资源），这表明在近时间量子设备上进行实验可能是有利的。
基于自我注意的卷积神经网络和时间...
背景：基于运动图像（MI）的脑部计算机界面（BCIS）在神经护理领域具有有希望的潜力。然而，由于MI任务期间活跃大脑区域的个体变化，解码MI EEG信号的挑战需要改善分类性能以进行实际应用。新方法：本研究提出了一个基于自我注意力的卷积神经网络（CNN），并结合使用时间频率的常见空间模式（TFCSP）来增强MI分类。由于培训数据的可用性有限，因此采用了数据增强策略来扩大MI EEG数据集的规模。基于自我注意力的CNN经过训练，可以自动从EEG SIG NALS中提取时间和空间信息，从而可以通过计算EEG通道权重来选择活动通道。TFCSP进一步实施，以从EEG数据中提取多尺度的时空空间。最后，从TFCSP得出的EEG特征与基于自我注意的CNN进行MI分类的脑电图串联。结果：提出的方法将在两个公共访问数据集（BCI竞争IIA和BCI竞争III IIII IIIA）上进行评估，分别得出79.28％和86.39％的平均准确性。结论：与最先进的方法相比，我们的方法实现了卓越的分类导致准确性。基于自我注意力的CNN与TFCSP结合可以充分利用脑电图形成的时空空间，并增强分类性能。
基于本地和全球卷积变压器的机车图像EEG分类
Transformer是一种具有自我注意力机制的深度学习模型，结合了卷积神经网络（CNN），已成功应用于运动成像（MI）脑部计算机界面（BCI）中的解码脑电图（EEG）信号。然而，EEG的极其非线性的非平稳性特征限制了深度学习方法的效果和效率。此外，多种受试者和实验会议都会影响模型适应性。在这项研究中，我们提出了一种基于本地和全球卷积变压器分类的方法。将局部变压器编码器组合在一起，以动态提取时间特征并弥补CNN模型的缺点。获得了所有通道的空间特征和半球的差异以提高模型的鲁棒性。为了获取足够的时间空间特征表示，我们将全局变压器编码器和密集连接的网络结合在一起，以改善信息流和重复使用。为了验证拟议模型的性能，设计了三种包括会议，跨课程和两协议的情况。在实验中，与当前的最新模型相比，在三种情况下，提出的方法在三种情况下分别实现了高达1.46％，7.49％和7.46％的精度。在BCI竞争IV 2A数据集中，拟议的模型还分别为跨课程和两场比赛的情况提高了2.12％和2.21％。结果证实了所提出的方法可以从EEG信号中提取更丰富的MI特征，并改善BCI应用程序中的性能。
通过准共形几何和卷积神经网络自动检测和注册大脑皮层表面标志
在医学成像中，表面配准被广泛用于对解剖结构进行系统比较，一个典型的例子是高度复杂的大脑皮层表面。为了获得有意义的配准，一种常见的方法是识别表面上的突出特征，并在它们之间建立低失真映射，将特征对应关系编码为界标约束。之前的配准工作主要集中在使用手动标记的界标和解决高度非线性的优化问题，这非常耗时，因此阻碍了实际应用。在这项工作中，我们提出了一种使用准共形几何和卷积神经网络自动检测和配准大脑皮层表面界标的新框架。我们首先开发了一个界标检测网络 (LD-Net)，该网络允许根据表面几何形状在给定两个规定的起点和终点的情况下自动提取界标曲线。然后，我们利用检测到的界标和准共形理论实现表面配准。具体来说，我们开发了一个系数预测网络 (CP-Net)，用于预测与所需基于地标的配准相关的 Beltrami 系数，以及一个名为磁盘 Beltrami 求解器网络 (DBS-Net) 的映射网络，用于从预测的 Beltrami 系数生成准共形映射，其中双射性由准共形理论保证。实验结果证明了我们提出的框架的有效性。总之，我们的工作为基于表面的形态测量和医学形状分析开辟了新途径。
使用卷积神经网络的多跳图注意模块（MGA）预测
样本），2）验证数据集（419个样本），3）测试数据集（418个样本）。我们首先检查了MGA的关键参数，即Hop尺寸M，斑块比γ，分支K的数量和多跳权重量β，其中结果显示在图2中。图2（a）表明，M <5的MGA测试MAS低于多头自我注意力（MSA）的MAE，这表明仅考虑重要的嵌入而不是全部计算自我注意事项系数时，这是有益的。最终网络是根据验证数据集的性能选择的。我们还将我们的模型与5种不同的CNN模型进行了比较（Peng etal。，2021）和tsan（Cheng等人，2021）是大脑年龄预测场中的状态模型。在图3（1）中，MGA-SSE-RESNET18在比较中获得了最低的MAE（2.822年）和最高的PCC（0.968）。还评估了其他预测模型，例如视觉变压器（VIT）或图形注意网络（GAT），但表现较差，大概是由于训练数据不足所致。还表明，实施MGA模块会减少模型偏差和方差（图3（2））。从结果中，我们表明，将MGA与常规CNN交织可以提高准确性，从而有效地对脑年龄预测有效。