XiaoMi-AI文件搜索系统
World File Search Systemconvolutional
使用结构 MRI 图像对阿尔茨海默病中的渐进性 MCI 进行分类的多流卷积神经网络
摘要 — 早期诊断阿尔茨海默病及其前驱期（也称为轻度认知障碍 (MCI)）至关重要，因为一些患有进行性 MCI 的患者会患上这种疾病。我们提出了一种多流深度卷积神经网络，该网络以基于块的图像数据为输入，以对稳定性 MCI 和进行性 MCI 进行分类。首先，我们将阿尔茨海默病的 MRI 图像与认知正常受试者的 MRI 图像进行比较，以使用多元统计检验识别不同的解剖标志。然后使用这些标志提取块，并将其输入到所提出的多流卷积神经网络中以对 MRI 图像进行分类。接下来，我们使用来自阿尔茨海默病图像的样本在单独的场景中训练架构，这些样本在解剖学上与进行性 MCI 图像和认知正常图像相似，以弥补进行性 MCI 训练数据的不足。最后，我们将训练好的模型权重转移到所提出的架构，以便使用进行性 MCI 和稳定 MCI 数据对模型进行微调。在 ADNI-1 数据集上的实验结果表明，我们的方法优于现有的 MCI 分类方法，F1 分数为 85.96%。
使用卷积神经网络进行头皮脑电图疼痛检测...
摘要——疼痛是一种综合现象，伴随着大脑中感觉和情境过程的动态相互作用，通常与可检测到的神经生理变化有关。大脑活动记录工具和机器学习技术的最新进展引起了用于客观和基于神经生理学的疼痛检测的神经计算技术的研究和开发。本文提出了一种基于脑电图 (EEG) 和深度卷积神经网络 (CNN) 的疼痛检测框架。通过招募 10 名慢性背痛患者，研究了 CNN 用于区分诱发疼痛状态和静息状态的可行性。实验研究分两个阶段记录 EEG 信号：1. 运动刺激 (MS)，通过执行预定义的运动任务来诱发背痛；2. 视频刺激 (VS)，通过观看一组视频片段来诱发背痛感知。多层 CNN 对静息状态和疼痛状态下的 EEG 片段进行分类。这种新方法具有高性能和稳定性，因此对于构建强大的疼痛检测算法具有重要意义。我们的方法的受试者工作特征曲线下面积 (AUC) 分别为 MS 和 VS 中的 0.83 ± 0.09 和 0.81 ± 0.15，高于最先进的方法。还分析了亚脑区，以检查与疼痛检测相关的不同脑拓扑结构。结果表明，MS 引起的疼痛
锂离子电池容量估算——一种辅助迁移学习的修剪卷积神经网络方法
重复使用本文根据 Creative Commons 署名-非商业-禁止演绎 (CC BY-NC-ND) 许可条款发布。此许可仅允许您下载此作品并在注明作者的情况下与他人共享，但您不得以任何方式更改本文或将其用于商业用途。更多信息和许可条款的完整内容请参见：https://creativecommons.org/licenses/
基于语言经验的卷积层和脑干中的语音编码
将人工神经网络 (ANN) 与脑成像技术的输出进行比较，最近在 (计算机) 视觉和基于文本的语言模型方面取得了实质性进展。在这里，我们提出了一个框架来比较口语语言表征的生物和人工神经计算，并提出了对这一范式的几个新挑战。使用 Beguˇs 和 Zhou (2021b) 提出的技术，我们可以分析人工神经网络中间卷积层中任何声学属性的编码。这使我们能够以一种比大多数现有专注于相关性和监督模型的提案更易于解释的方式测试大脑和人工神经网络之间语音编码的相似性。我们将对原始语音进行训练的完全无监督深度生成模型（生成对抗网络架构）引入大脑和 ANN 比较范式，这使得可以测试人类语音的产生和感知原理。我们提出了一个框架，将测量人脑复杂听觉脑干反应 (cABR) 的电生理实验与深度卷积网络中的中间层并行。我们比较了 cABR 相对于脑干实验中的刺激的峰值延迟，以及中间卷积层相对于深度卷积网络中的输入/输出的峰值延迟。我们还检查并比较了之前的语言接触对 cABR 峰值延迟和语音属性的中间卷积层的影响。具体而言，英语和西班牙语使用者对语音属性 (即 VOT =10 毫秒) 的感知不同，有声 (例如 [ba]) 和无声 (例如 [pa])。至关重要的是，英语和西班牙语使用者的 cABR 峰值延迟到 VOT 语音属性是不同的，并且英语训练的计算模型和西班牙语训练的计算模型之间的中间卷积层的峰值延迟也不同。根据八个训练网络（包括复制实验）的结果，人类大脑和中间卷积网络在峰值延迟编码方面表现出了相当大的相似性。所提出的技术可用于比较人类大脑和中间卷积层之间对任何声学特性的编码。
使用具有像素变化检测的深信信矛盾神经网络对MRI进行有效的脑肿瘤分类
脑肿瘤是一种癌症，其中大脑中的组织在大脑中迅速而不均匀地生长，并对人类生命造成巨大威胁。脑肿瘤被认为是成年人中常见可怕的癌症之一，它也会影响儿童。这种癌症分为两种类型，例如良性肿瘤和恶性肿瘤。然而，良性肿瘤是可以治愈的，而恢复受恶性肿瘤影响的患者的生存机会较小。如今，通常使用MR图像来检测脑肿瘤的种类。早期分类和肿瘤的鉴定对于治疗肿瘤并从早期死亡中挽救了人类生命很重要。然而，使用术前和术后MR图像的脑肿瘤分类和变化检测百分比是一项非常具有挑战性的任务。为了克服此类问题，这项研究提出了一种新的有效技术，用于使用拟议的深信念网络（DBN） +深卷积神经网络（DCNN）来确定像素变化检测。该过程涉及四个阶段，例如预处理，分割，特征提取和分类。DBN + CNN的组合用于基于错误函数的决策。DBN + CNN通过开发的横梁算法进行了训练。此外，提出的方法的最大准确度为0.957，灵敏度为0.967，特异性为0.918。
使用数字图像相关和卷积神经网络自动检测疲劳裂纹路径
到实验数据集。13,14 副作用是，裂纹尖端载荷以及高阶项也由该方法确定。15 与直流电位降 (DCPD) 16,17 或柔度法等经典裂纹长度方法相比，18,19 图像分析技术能够检测各种形状的裂纹。20,21 然而，由于 DIC 数据集中的实验散射或伪影，裂纹路径（尤其是裂纹尖端）的全自动检测通常受到限制。22,23 因此，在 fcp 实验期间将 DIC 应用于大量（几百张）图像总是伴随着大量的手动工作，这构成了研究过程中的瓶颈。机器学习，更具体地说是深度学习，正在成为土木工程结构健康监测的有前途的工具。这涉及特定表面检查以检测建筑物中的裂缝，24,25
使用卷积神经网络的 EEG 多用途眨眼检测器
摘要 眼球运动发出的电信号由于与传感器的距离很近且出现频率很高，会在脑电信号上产生非常强烈的伪影。在检测脑电波形中的眨眼伪影以进一步去除和净化信号方面，文献中提出了多种策略。最常用的方法需要使用大量电极、复杂的设备来采样和处理数据。这项工作的目标是创建一种可靠且独立于用户的算法，用于使用 CNN（卷积神经网络）检测和去除脑电信号中的眨眼。为了进行训练和验证，使用了三组公共脑电数据。这三组数据都包含在招募的受试者执行指定任务时获得的样本，这些任务包括在特定时刻自愿眨眼、观看视频和阅读文章。本研究中使用的模型能够全面理解将普通脑电信号与受眨眼伪影污染的信号区分开来的所有特征，而不会被仅在信号被记录的情况下出现的特定特征过度拟合。关键词：伪影去除技术；信号处理；眨眼；BCI。
利用卷积神经网络识别脑电信号中的想象词语法类别
在本文中，我们提出了一个使用多通道卷积神经网络 (MC-CNN) 的框架，用于从脑电图 (EEG) 信号中识别隐性口语单词的语法类别（动词或名词）。我们提出的网络通过考虑 EEG 信号的空间、时间和频谱特性来提取特征。此外，从大脑不同区域获取的信号集在所提出的框架内分别处理，然后在分类阶段组合。这种方法使网络能够有效地从处理想象语音的大脑位置学习判别特征。我们的网络经过了具有挑战性的实验测试，包括测试对象未参与系统训练的情况。在我们的主要应用场景中，训练期间未使用任何特定名词或动词的实例，我们的方法实现了 85.7% 的识别率。此外，我们提出的方法在公开可用的 EEG 数据集上进行了评估，并在二元分类中实现了 93.8% 的识别率。这些结果证明了我们方法的潜力。 2021 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可 (http://creativecommons.org/licenses/by/4.0/) 开放获取的文章。
端到端3D卷积神经网络，用于解码细心的精神状态
对待精神状态的检测在神经反馈过程以及注意力缺陷和多动症（ADHD）中起着至关重要的作用。但是，检测方法的性能仍然不满意。挑战之一是为脑电图（EEG）数据找到适当的表示，该数据可以保留时间信息并保持空间拓扑特征。受到大脑 - 计算机界面（BCI）领域研究中的深度学习（DL）方法的启发，提出了提出了带有级联和平行卷积操作的3D卷积神经网络模型的EEG信号的3D表示。该模型利用了三个级联块，每个级联块由两个平行的3D卷积分支组成，以同时提取多尺度特征。在包含26名受试者的公共数据集上进行了评估，与对象内，受试者间和受试者自适应分类方案相比，所提出的模型的性能更好。这项研究证明了3D CNN模型检测细心状态的有希望的潜力。©2021 Elsevier Ltd.保留所有权利。
与免疫介导的炎症性疾病和免疫修饰疗法相关的严重共同互联19结果的风险：一项全国范围的研究COVID-19疫苗在六家以色列医院（Covehpi）的医疗保健人员中的疫苗有效性疫苗优先级策略对减轻COVID-19的影响：基于代理的模拟研究使用美国的城市地区基于功能性MRI和多级功能连通性，用图卷积网络预测脑淀粉样蛋白-βPET表型
广州大学的实验中心，中国广州B，上海上海上海大学生物医学工程学院。 Zhangjiang Lab，上海，中国，201204电话。 ：+86 21 38176043电子邮件：hanzhang.bit@gmail.com（H。Zhang），上海上海上海大学生物医学工程学院，中国，2011年。 ：+86 21 20685265传真：+86 21 20685265电子邮件：dinggang.shen@gmail.com（D。Shen）摘要。 大脑中淀粉样蛋白-β（Aβ）沉积的检测为阿尔茨海默氏病临床诊断（AD）提供了关键证据。 然而，当前基于宠物的大脑Aβ检查的效率遭受了粗糙的，基于视觉检查的双级分层以及高扫描成本和风险。 在这项工作中，我们探讨了使用非侵入性功能磁共振成像（fMRI）在AD连续体中使用脑网络上的图形学习来预测Aβ-PET表型的可行性。 首先，通过聚类来鉴定三个全脑Aβ-PET表型，并研究了它们与临床表型的关联。 第二，使用静止状态fMRI构建常规功能连通性（FC）网络，并通过图形卷积网络（GCN）学习了网络拓扑结构，以预测此类Aβ-PET表型。 这可能是一种有前途的技术，用于对AD的高通量筛查，成本和限制更少。广州大学的实验中心，中国广州B，上海上海上海大学生物医学工程学院。 Zhangjiang Lab，上海，中国，201204电话。：+86 21 38176043电子邮件：hanzhang.bit@gmail.com（H。Zhang），上海上海上海大学生物医学工程学院，中国，2011年。：+86 21 20685265传真：+86 21 20685265电子邮件：dinggang.shen@gmail.com（D。Shen）摘要。大脑中淀粉样蛋白-β（Aβ）沉积的检测为阿尔茨海默氏病临床诊断（AD）提供了关键证据。然而，当前基于宠物的大脑Aβ检查的效率遭受了粗糙的，基于视觉检查的双级分层以及高扫描成本和风险。在这项工作中，我们探讨了使用非侵入性功能磁共振成像（fMRI）在AD连续体中使用脑网络上的图形学习来预测Aβ-PET表型的可行性。首先，通过聚类来鉴定三个全脑Aβ-PET表型，并研究了它们与临床表型的关联。第二，使用静止状态fMRI构建常规功能连通性（FC）网络，并通过图形卷积网络（GCN）学习了网络拓扑结构，以预测此类Aβ-PET表型。这可能是一种有前途的技术，用于对AD的高通量筛查，成本和限制更少。对来自AD连续的258个样品的Aβ-PET表型预测的实验表明，我们的算法达到了较高的fMRI-to-to-pet预测准确性（78.8％）。结果表明，AD连续体中存在可区分的脑Aβ沉积表型，以及使用人工智能和非侵入性脑成像技术来近似基于PET的评估的可行性。关键字：功能连通性，大脑网络，淀粉样蛋白β，PET，图形卷积网络。