XiaoMi-AI文件搜索系统
World File Search Systemconvolutional
卷积神经网络基于电生理信号识别神经状态的潜力：对合成和真实患者数据的实验
自适应深部脑刺激 (aDBS) 和其他脑机接口 (BCI) 应用通常需要实时处理传入的神经振荡信号并从中解码相关的行为或病理状态。大多数当前方法依赖于首先提取一组预定义特征，例如标准频带中的功率或各种时域特征，然后训练机器学习系统，这些系统使用这些预定义特征作为输入并推断每个给定时间点的底层大脑状态。然而，这种算法方法是否最适合提取神经波形中包含的所有可用信息仍是一个悬而未决的问题。在这里，我们旨在探索不同的算法方法，看看它们是否有可能根据神经活动（例如通过局部场电位 (LFP) 记录或脑电图 (EEG) 测量）提高解码性能。具体来说，我们旨在探索端到端卷积神经网络的潜力，并将这种方法与基于提取预定义特征集的其他机器学习方法进行比较。为此，我们实施并训练了许多机器学习模型，这些模型要么基于手动构建的特征，要么在基于深度学习的模型的情况下，基于直接从数据中学习的特征。我们使用模拟数据识别神经状态的任务对这些模型进行了基准测试，该数据结合了先前与生理和病理功能相关的波形特征。然后，我们根据从特发性震颤患者运动丘脑记录的局部场电位评估这些模型在解码运动方面的表现。我们的研究结果来自模拟和真实患者数据，表明端到端基于深度学习的方法可能超越基于特征的方法，特别是当波形数据中的相关模式未知、难以量化或从预定义特征提取的角度来看可能存在时
使用量子卷积的多类分类...
多类分类对于各种应用程序非常感兴趣，例如，它是计算机视觉中的常见任务，其中一个需要将图像分为三个或更多类。在这里，我们提出了一种基于量子卷积神经网络来解决多类分类问题的量子机学习方法。相应的学习过程是通过TensorFlowquantum作为混合量子 - 古典（变化）模型实现的，其中量子输出结果通过优化量子电路的参数优化跨熵损失的随后最小化量符号。我们在这里的构思改进包括量子感知器的新模型和量子电路的优化结构。我们使用建议的方法来解决MNIST数据集的4类分类问题，使用八个量子位用于数据编码和四个Ancilla Qubits；三级分类问题已经获得了先前的结果。我们的结果表明，解决方案的准确性类似于具有相当数量的可训练参数的经典卷积神经网络。我们期望我们的发现将为使用量子神经网络朝着解决NISQ时代及其他地区的相关问题提供新的一步。
基于卷积神经网络（CNN）的癫痫发作间期放电（IED）自动检测
1 湖北科技大学创新创业学院，咸宁，中国，2 湖北科技大学咸宁医学院生物医学工程与医学影像学院，咸宁，中国，3 华中科技大学同济医学院武汉儿童医院临床神经电生理科，武汉，中国，4 厦门市第三医院神经内科，厦门，中国，5 福建医科大学协和医院福建省老年医学研究所神经病学与老年病科，福州，6 厦门大学国家健康与医学数据科学研究所，厦门，7 厦门大学医学院血液学系，厦门，中国，8 南京中医药大学人工智能与信息技术学院，南京
基于对数梅尔频谱图和卷积循环神经网络的脑电驾驶疲劳检测
驾驶员疲劳检测是减少事故、提高交通安全的重要手段之一，其主要挑战在于如何准确识别驾驶员的疲劳状态。现有的检测方法包括基于面部表情和生理信号的打哈欠、眨眼等，但基于面部表情的检测结果会受到光照和环境影响，而脑电信号是直接反应人的精神状态的生理信号，对检测结果的影响较小。本文提出一种基于EEG的对数梅尔语谱图和卷积循环神经网络(CRNN)模型来实现驾驶员疲劳检测，这种结构可以发挥不同网络的优势，克服单独使用各个网络的劣势。其流程为：首先将原始脑电信号经过一维卷积的方法实现短时傅里叶变换（STFT），并经过梅尔滤波器组得到对数梅尔谱图，然后将得到的对数梅尔谱图输入到疲劳检测模型中，完成脑电信号的疲劳检测任务。疲劳检测模型由6层卷积神经网络（CNN）、双向循环神经网络（Bi-RNN）和分类器组成。在建模阶段，将谱图特征输送到6层CNN自动学习高级特征，从而在双向RNN中提取时间特征，得到谱图-时间信息。最后，通过由全连接层、ReLU激活函数和softmax函数组成的分类器得到警觉或疲劳状态。本研究的实验是在公开可用的数据集上进行的。结果表明，该方法能够准确区分警觉与疲劳状态，且稳定性较高；此外，还将四种现有方法的性能与本文方法的结果进行了比较，均表明本文方法能够取得目前为止的最好效果。
卷积神经网络的语言识别
摘要。语音识别是计算机与人类之间的一种交流方式，是计算语言学或自然语言处理的一个分支，有着悠久的历史。自动语音识别 (ASR)、文本转语音 (TTS)、语音转文本、连续语音识别 (CSR) 和交互式语音响应系统是解决该领域问题的不同方法。性能的提高部分归因于深度神经网络 (DNN) 对语音特征中复杂相关性进行建模的能力。在本文中，与使用循环神经网络 (RNN) 处理语音等序列数据的传统模型不同，随着深度网络中不同架构的出现以及传统神经网络 (CNN) 在图像处理和特征提取中的良好性能，CNN 在其他领域的应用得到了发展。结果表明，可以通过 CNN 提取波斯语的韵律特征，对短文本进行语音分段和标记。通过使用 128 和 200 个滤波器作为 CNN 和特殊架构，检测率的误差为 19.46，并且比 RNN 更节省时间。此外，CNN 简化了学习过程。实验结果表明，CNN 网络可以成为各种语言语音识别的良好特征提取器。
3D‐MASNet：针对 6 个月大婴儿脑部 MRI 图像的 3D 混合尺度非对称卷积分割网络
图 4 3D-MASNet 框架中五种候选 CNN 架构的分割性能改进箱线图。第一列显示 DICE 的测量值，以表示每种组织类型的分割准确度。第二列显示 MHD 的结果。在每个子图中，我们使用两个相邻箱线图来表示候选模型（第一条）及其对应的 3D-MASNet（第二条）。通过两重交叉验证评估模型比较的重要性。“ * ”表示 .01 ≤ p < .05，“ ** ”表示 .001 ≤ p < .01，“ *** ”表示 p < .001。
使用圆形扩张卷积网络的DNA序列的自我监督学习
由于其内在特性，DNA分子通常沿线性序列表示表现出远距离相互作用。因此，当建模DNA序列对于获得更准确的基于序列的推断很重要。最近为此目的开发了许多深度学习方法，但它们仍然遭受两个主要问题的困扰。首先，现有的方法只能handle短DNA片段，从而失去更长的范围相互作用。第二，当前方法需要大量的监督标签，同时错过序列中的大多数订单信息。因此，有必要开发有效的深度神经网络建模框架，以提取广泛的上下文信息，以实现基于序列的推理任务。我们的新框架（名为Revolution）将完整的DNA序列作为输入，无需任何凝结，可以对高达10KBP的DNA序列进行准确的预测。在变异效应预测中，我们的方法平均在49种人体组织中增加了接收器工作特征（AUROC）下的面积19.61％。革命还通过预测开放染色质区域（OCR）的平均为2.36％的AUROC来提高植物序列的作用。可以在https：// github上自由访问数据，模型和代码。com/wiedersehne/Revolution-dnapretraining。
基于深图卷积神经网络
MDD患者的连通性。 通过将人脑视为功能上相互作用的大脑区域并将其与人类行为相关联的全面网络，我们可以了解脑组织如何在精神疾病中的变化，这可能有效地有助于MDD诊断方法（He et ne.MDD患者的连通性。通过将人脑视为功能上相互作用的大脑区域并将其与人类行为相关联的全面网络，我们可以了解脑组织如何在精神疾病中的变化，这可能有效地有助于MDD诊断方法（He et ne.，2017年）。近年来，大规模研究讨论了精神病的病理机制，并试图寻找其生物标志物。大多数人确认脑疾病的生物病理学主要与脑FC的异常有关。Cattarinussi等。 （2022）收集了双相情感障碍的静止状态fMRI，研究了皮质边缘结构之间大脑功能网络的改变。 Park等。 （2022）表明，普遍焦虑症患者的临床症状严重程度与在负面情绪状况下大脑区域的FC强度有很强的相关性。 Hirshfeld-Becker等。 （2019）通过内在的脑FC对青春期的MDD预测进行了试点研究。 Long等。 （2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。 Shen等。 （2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。 早在2011年，Brier等人。 ，2017年）。Cattarinussi等。（2022）收集了双相情感障碍的静止状态fMRI，研究了皮质边缘结构之间大脑功能网络的改变。Park等。 （2022）表明，普遍焦虑症患者的临床症状严重程度与在负面情绪状况下大脑区域的FC强度有很强的相关性。 Hirshfeld-Becker等。 （2019）通过内在的脑FC对青春期的MDD预测进行了试点研究。 Long等。 （2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。 Shen等。 （2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。 早在2011年，Brier等人。 ，2017年）。Park等。（2022）表明，普遍焦虑症患者的临床症状严重程度与在负面情绪状况下大脑区域的FC强度有很强的相关性。Hirshfeld-Becker等。（2019）通过内在的脑FC对青春期的MDD预测进行了试点研究。Long等。 （2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。 Shen等。 （2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。 早在2011年，Brier等人。 ，2017年）。Long等。（2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。Shen等。（2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。早在2011年，Brier等人。，2017年）。由静止状态fMRI数据构建的大脑网络FC数据也是MDD诊断的可靠数据源。（2011）通过血氧水平依赖性静止状态功能连接网络系统地研究了阿尔茨海默氏病。然后，Shi等。（2021）使用静止状态FC数据进行了渐进的三步机学习分析，以调查多中心大型样本数据集中机器学习模型的分类性能。此外，他们基于静止状态FC数据应用了极端梯度增强模型，以对MDD患者和正常对照进行分类，并评估了MDD中数据的临床应用值。大脑网络分类研究主要在两个流中：传统的机器学习和深度学习。到目前为止，最广泛使用的机器学习是支持向量机（SVM）（Rathore等人早在2009年，Craddock等。（2009）使用线性SVM分类了20个受试者的感兴趣区域（ROI）FC。目前，该领域的研究越来越多。Ichikawa等。 （2020）通过逻辑回归对65例患者的整个大脑FC进行了分类。 Zhu等。 （2021）通过线性SVM实现了31个受试者的分类。 Yan等。 （2021）使用SVM对32名患者的区域均匀性进行了分类。 但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。 秦等人。Ichikawa等。（2020）通过逻辑回归对65例患者的整个大脑FC进行了分类。Zhu等。 （2021）通过线性SVM实现了31个受试者的分类。 Yan等。 （2021）使用SVM对32名患者的区域均匀性进行了分类。 但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。 秦等人。Zhu等。（2021）通过线性SVM实现了31个受试者的分类。Yan等。 （2021）使用SVM对32名患者的区域均匀性进行了分类。 但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。 秦等人。Yan等。（2021）使用SVM对32名患者的区域均匀性进行了分类。但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。秦等人。（2022）指出，尽管出版物数量越来越多，但结果与报告的分类准确性的不一致从61.7％到98.4％不等。此外，机器学习模型的优化通常需要足够的培训数据以在不同样本中安装可推广性。大型样本量对于确保人口代表性模型的性能和提供有关生物基础的可靠信息至关重要。使用具有较小样本量的单站点数据集进行了实质性的先前机器学习研究，从而导致模型性能的巨大可变性和差的生成性。为了消除小型数据集带来模型性能带来的这个问题，我们为以下研究选择了大型和多站点数据集。
使用卷积进行心算任务分类......
摘要 — 近年来，神经科学家一直对脑机接口 (BCI) 设备的开发很感兴趣。运动障碍患者可能受益于 BCI 作为一种交流方式和运动功能恢复。脑电图 (EEG) 是评估神经活动最常用的方法之一。在许多计算机视觉应用中，深度神经网络 (DNN) 显示出显着的优势。为了最终使用 DNN，我们在此介绍一种浅层神经网络，它主要使用两个卷积神经网络 (CNN) 层，具有相对较少的参数并能快速从 EEG 中学习频谱时间特征。我们将此模型与其他三种具有不同深度的神经网络模型进行了比较，这些模型应用于适合患有运动障碍和视觉功能下降患者的闭眼状态心算任务。实验结果表明，浅层 CNN 模型优于所有其他模型，并实现了 90.68% 的最高分类准确率。它在处理跨主题分类问题时也更加强大：准确率标准差仅为 3%，而传统方法的准确率标准差为 15.6%。
使用基于 U-Net 的深度卷积神经网络自动分割 MRI 图像上的颅咽管瘤
摘要 目的 开发一种基于U-Net的颅咽管瘤自动分割深度学习模型。方法 本研究纳入264例确诊为颅咽管瘤的患者。收集、注释治疗前的MRI图像，并将其作为基本事实来学习和评估深度学习模型。来自其他机构的38名患者用于独立的外部测试。提出的分割模型基于U-Net架构构建。计算每例的骰子相似系数（DSC）、95%百分位数（95HD）的Hausdorff距离、Jaccard值、真阳性率（TPR）和假阳性率（FPR）。使用单因素方差分析来探讨模型性能是否与肿瘤的放射学特征有关。结果所提出的模型在分割方面表现出良好的性能，平均 DSC 为 0.840、Jaccard 为 0.734、TPR 为 0.820、FPR 为 0.000、95HD 为 3.669 毫米。它在独立的外部测试集中表现良好，平均 DSC 为 0.816、Jaccard 为 0.704、TPR 为 0.765、FPR 为 0.000、95HD 为 4.201 毫米。此外，单因素方差分析表明，该性能与放射学特征无统计学相关性，包括主要成分（p = 0.370）、分叶形状（p = 0.353）、受压或封闭的 ICA（p = 0.809）和海绵窦侵犯（p = 0.283）。结论 提出的深度学习模型在颅咽管瘤自动分割方面表现出良好的效果。要点 • 基于 U-Net 的分割模型在颅咽管瘤分割中表现出良好的性能。 • 无论颅咽管瘤的放射学特征如何，提出的模型都表现出良好的性能。 • 该模型在从另一个中心获得的独立外部数据集中实现了可行性。