XiaoMi-AI文件搜索系统
World File Search Systemepochs
神经科学方法杂志
背景：要了解单个神经元中的信息编码，需要分析阈下突触事件、动作电位 (AP) 及其在不同行为状态下的相互关系。然而，由于突触事件的信噪比不佳、频率高、幅度波动和时间过程多变，检测行为动物的兴奋性突触后电位 (EPSP) 或电流 (EPSC) 仍然具有挑战性。新方法：我们开发了一种突触事件检测方法，称为 MOD（机器学习最优滤波检测程序），它结合了监督机器学习和最优维纳滤波的概念。要求专家手动对短时间的数据进行评分。该算法经过训练以获得维纳滤波器的最优滤波系数和最优检测阈值。然后使用最优滤波器处理评分和未评分的数据，并将事件检测为高于阈值的峰值。结果：我们在小鼠体内空间导航过程中用 EPSP 轨迹测试 MOD，并在增强递质释放的条件下用切片体外 EPSC 轨迹测试 MOD。受试者工作特征 (ROC) 曲线下面积 (AUC) 平均为体内数据集 0.894 和体外数据集 0.969，表明检测精度高、效率高。与现有方法的比较：当使用 (1 − AUC) − 1 指标进行基准测试时，MOD 在体内数据集上的平均性能比以前的方法 (模板拟合、反卷积和贝叶斯方法) 高出 3.13 倍，但显示出相当 (模板拟合、反卷积) 或更高 (贝叶斯) 的计算效率。结论：MOD 可能成为大规模实时分析突触活动的重要新工具。
已发布版本 (APA) 引用：Asif, AR、Waris, A.、Gilani, SO、Jamil, M.、Ashraf, H.、Shafique, M. 和 Niazi, IK (2020)。性能特点
摘要：肌电图 (EMG) 是肌肉收缩产生的电活动的量度。基于非侵入性表面肌电图 (sEMG) 的模式识别方法已显示出上肢假肢控制的潜力。然而，它仍然不足以进行自然控制。深度学习的最新进展表明生物信号处理取得了巨大进步。已经提出了多种架构，可为离线分析提供高精度 (> 95%)，但由于系统优化而导致的延迟仍然是实时应用的挑战。由此产生了对基于微调超参数的优化深度学习架构的需求。尽管实现收敛的机会是随机的，但重要的是要注意，所获得的性能提升足以证明额外的计算是合理的。在本研究中，我们利用卷积神经网络 (CNN) 解码 18 位受试者记录的 sEMG 数据中的手势，以研究超参数对每个手势的影响。结果表明，将学习率设置为 0.0001 或 0.001，并进行 80-100 次训练，其效果显著优于其他考虑因素 (p < 0.05)。此外，我们还观察到，无论网络配置如何，某些动作（握紧手、屈手、伸手和细握）在整个研究过程中表现更好（分别为 83.7% ± 13.5%、71.2% ± 20.2%、82.6% ± 13.9% 和 74.6% ± 15%）。因此，可以根据表现最佳的手部动作设计出稳健稳定的肌电控制。随着识别能力的提高和性能的统一提升，基于深度学习的方法有可能成为传统机器学习算法的更强大的替代方案。
大鼠心脏灌注作为I1型糖原病中酶替代疗法的模型系统
摘要。使用R波之间的SD（R-R间隔），R-R Inter-Val直方图，光谱分析和POINCARC POINCARC绘图，使用24-H时期的RAMB lave posential R Wife 在12例先天性中央中央次数不足综合征（CCHS）以及年龄和性别匹配的对照中评估了心率变异性。 CCH患者的平均心率为103.3 F 17.7 SD，对照组为98.8 F 21.6 SD（P> 0.5，NS）。 R-R间隔的SD分析在两组中都显示出相似的结果（CCHS 102.2 F 36.0 ms与对照126.1 F 43.3 ms; P> 0.1，NS）。 光谱分析表明，对于在安静的睡眠和清醒中采样的类似时期，低频带与高频频段光谱功率的比率增加了，在睡眠期间，有12例CCH患者中有11例增加了，而这些比率的比率均在所有对照中始终降低。 在清醒期间，在CCH和对照组的患者中，低频带与高频带光谱功率的比率相似。 繁殖图显示，CCHS患者的心率较慢（XZ = 24.0; p <0.000001）显着降低了Beat-Beat变化。 CCHS中点的点散射很容易与对照区分开。 所有CCHS患者均通过一项或多项措施均表现出干扰的变异性。 瞬间心率变异性的变化表明，除了通气控制损失外，CCHS患者还表现出自主神经系统心脏控制的功能障碍。 （Pediafr Res 31：291-296，1992）在12例先天性中央中央次数不足综合征（CCHS）以及年龄和性别匹配的对照中评估了心率变异性。CCH患者的平均心率为103.3 F 17.7 SD，对照组为98.8 F 21.6 SD（P> 0.5，NS）。R-R间隔的SD分析在两组中都显示出相似的结果（CCHS 102.2 F 36.0 ms与对照126.1 F 43.3 ms; P> 0.1，NS）。光谱分析表明，对于在安静的睡眠和清醒中采样的类似时期，低频带与高频频段光谱功率的比率增加了，在睡眠期间，有12例CCH患者中有11例增加了，而这些比率的比率均在所有对照中始终降低。在清醒期间，在CCH和对照组的患者中，低频带与高频带光谱功率的比率相似。繁殖图显示，CCHS患者的心率较慢（XZ = 24.0; p <0.000001）显着降低了Beat-Beat变化。CCHS中点的点散射很容易与对照区分开。所有CCHS患者均通过一项或多项措施均表现出干扰的变异性。瞬间心率变异性的变化表明，除了通气控制损失外，CCHS患者还表现出自主神经系统心脏控制的功能障碍。（Pediafr Res 31：291-296，1992）
使用基于深度学习的无标记跟踪在深脑刺激植入帕金森氏病的过程中自动提取上limb运动学活性：概念验证研究
最佳的深脑刺激（DBS）治疗治疗运动障碍通常依赖于术中运动测试来确定目标测定。但是，在当前的实践中，运动测试依赖于主观解释和电机信息的相关性。计算机视觉的最新进展可以提高评估准确性。我们描述了我们对基于深度学习的计算机视野的应用，以进行无标记的跟踪，以测量接受DBS手术的患者的运动行为，以治疗帕金森氏病。视频记录是在术中术中获得的（n = 5患者），作为精确植入DBS电极的护理标准的一部分。运动学数据。手动和自动化（精度为80.00％）的方法都用于从阈值衍生的运动学幻觉中提取运动学发作。通过对抛物线贴合拟合进行建模上肢挠度来压缩主动运动时期。半监督分类模型，支持向量机（SVM），对抛物线拟合拟合定义的参数进行了训练，可靠地预测运动类型。在所有情况下，跟踪均经过良好的校准（即，重新投影像素误差0.016-0.041;准确性> 95％）。SVM预测的分类表现出很高的精度（85.70％），包括两个常见的上肢运动，臂链拉力（92.30％）和手工夹（76.20％），并使用每位患者的剩余过程验证了精度。常规电机测试程序这些结果表明，对于评估DBS手术的最佳大脑目标至关重要的运动行为的成功捕获和分类。
受大脑启发的稀疏训练使 Transformers 和 LLM 能够像全连接模型一样运行
本研究旨在扩大我们目前对脑启发网络科学原理在训练具有稀疏连接的人工神经网络（ANN）中的应用的认识。动态稀疏训练（DST）可以减少ANN训练和推理的计算需求，但现有方法在高连接稀疏度水平下难以保持最佳性能。Cannistraci-Hebb训练（CHT）是一种受大脑启发的增加DST连接的方法。CHT利用无梯度、拓扑驱动的链接再生机制，与完全连接的网络相比，该机制已被证明可以在各种任务中实现超稀疏（1％连接或更低）的优势。然而，CHT有两个主要缺点：（i）它的时间复杂度为O（N·d3） - N节点网络大小，d节点度 - 因此它只能有效地应用于超稀疏网络。 (ii) 它严格选择最高的链接预测分数，这不适合早期的训练阶段，因为此时网络拓扑结构中存在许多不可靠的连接。在这里，我们提出了一个矩阵乘法 GPU 友好的 CH 链接预测器近似值，它将计算复杂度降低到 O(N3)，从而能够在大型模型中快速实现 CHT。此外，我们引入了 Cannistraci-Hebb 训练软规则 (CHTs)，它采用灵活的策略在链接移除和重新生长中采样连接，平衡网络拓扑的探索和利用。为了进一步提高性能，我们将 CHT 与 S 型逐渐密度衰减策略相结合，称为 CHTss。经验
基于蚂蚁的神经拓扑搜索（ANTS）用于优化循环网络
摘要。为循环神经网络 (RNN) 手工制作有效且高效的结构是一个困难、昂贵且耗时的过程。为了应对这一挑战，我们提出了一种基于蚁群优化 (ACO) 的新型神经进化算法，称为基于蚂蚁的神经拓扑搜索 (ANTS)，用于直接优化 RNN 拓扑。该过程从多种现代循环细胞类型中进行选择，例如 ∆ -RNN、GRU、LSTM、MGU 和 UGRNN 细胞，以及可能跨越多个层和/或时间步骤的循环连接。为了引入鼓励形成更稀疏的突触连接模式的归纳偏差，我们研究了核心算法的几种变体。我们主要通过制定不同的函数来驱动底层信息素模拟过程（模仿标准机器学习中的 L1 和 L2 正则化）以及引入具有专门角色的蚂蚁代理（受真实蚁群运作方式的启发），即构建初始前馈结构的探索蚁和从前馈连接中选择节点以随后制作循环记忆结构的社会蚁。 我们还结合了社区智慧，其中最佳权重由蚁群共享以进行权重初始化，从而减少本地训练候选 RNN 所需的反向传播时期数，从而加快神经进化过程。 我们的结果表明，ANTS 进化的稀疏 RNN 明显优于由现代记忆细胞组成的传统一层和两层架构以及众所周知的 NEAT 算法。 此外，我们还改进了实验中使用的时间序列数据集的先前最新结果。
现实主义中的现实主义：使用Yolov8和Deit
在医学领域，由于患者人群中肿瘤的稀有性，对图像的可靠检测和分类仍然是巨大的挑战。在异常情况下检测肿瘤病例的能力对于确保及时干预和改善患者预后至关重要。这项研究通过利用深度学习（DL）技术来检测和分类具有挑战性的情况下的脑肿瘤来解决这一挑战。本研究采用深度学习（DL）技术来应对这一挑战，利用来自国家脑图实验室（NBML）的数据集，其中包括约81例患者，其中包括30例患者，其中包括30例肿瘤病例和51例正常情况。我们的方法包括两个阶段：检测和分类。在第一阶段，广泛的数据预处理模拟现实世界的条件，调整数据集以反映每种1例肿瘤病例的9例正常情况的异常分布。接下来，对Yolov8n模型进行了微调以检测肿瘤区域。为了评估该模型在患者水平上的表现，我们引入了患者对患者（PTP）度量，该指标评估了在整个人群中识别肿瘤病例的能力，而不是测量单个切片的性能。这种方法提供了模型可靠性更临床相关的评估。该模型的F1得分为0.98，PTP-F1得分为1.0，正确分类了测试人群中的所有患者。在分类阶段，数据有效的图像变压器（DEIT）用于从RESNET152教师模型中提取视觉变压器（VIT）模型。DEIT被选为其在小数据集上有效训练的能力。蒸馏分类器在20个时期后达到0.92，而RESNET152模型达到0.97，尽管计算成本较高，但达到了0.97。这项研究表明，在具有挑战性的情况下对脑肿瘤的可靠检测和分类方面有了显着的进步，从而提供了实用应用的潜力。
对导航级 RLG SIMU 类型 iNAV-RQH 的调查
本研究介绍了使用我们的环形激光陀螺仪 ( RLG ) 导航级捷联惯性测量单元 ( SIMU ) 类型 iNAV-RQH 进行的特性和一些评估实验结果，精度为 1 nmi/h。在简要介绍 SIMU 的主要特征后，给出了惯性传感器构造原理和误差模型的描述。为了评估我们的捷联 IMU，我们设计了实验室和现场测试，在中等精度转盘和汽车导航任务框架内进行，使用 DGPS（差分 GPS）参考解决方案（在我们的案例中，是一种即时 ( OTF ) 运动学 DGPS 解决方案，在整数秒的常规时期提供精确的位置参考）。使用专用软件 Kingspad 获得后处理的 3-D 惯性或集成 GPS/INS 解决方案。还介绍了噪声和误差分析，以及实验室和现场测试的具体结果。位置精度在亚 dm 域内（与 cm 精度 DGPS 参考轨迹的差异，1-σ 相对误差约为 1 cm），驱动轨迹周长分别为数百米。加速度误差在 mGal 域内（经过约 60…100 秒的适当过滤后），姿态误差在角秒范围内，iMAR 的 RLG SIMU 类型 iNAV-RQH 被认为完全适合精确导航、测量和精确重力测定。[Dorobantu et al., 2004] 中已经给出了一些初步结果，目前的扩展形式包括传感器技术和误差模型的更多内部内容，以及使用 ZUPT s（惯性导航系统零速度更新）的室内 INS 导航实验。附录中介绍了补充实验，如静态倾斜、阻尼测试或 SIMU 的静态评估，以及对 ISA（惯性传感器组件）的更多了解，或从已注册的 SIMU 数据直接推导大地测量参数。
并行计算模式下的传感器生物医学信号采集
摘要：有几种病症会攻击中枢神经系统，每种病症都有不同的治疗方法。这些治疗方法尽可能地减少或抵消这些类型的病症和疾病对患者造成的后果。因此，神经康复疗法提供了全面的神经护理，以提高患者的生活质量并促进他们在社会中的表现。了解神经康复疗法如何帮助患者的一种方法是通过脑电图 (EEG) 测量他们的大脑活动变化。EEG 数据处理应用程序已在神经科学研究中使用，具有高度计算和数据密集型。我们的提案是一个集成的脑电图、心电图、生物声学和数字图像采集分析系统，为神经科学专家提供工具来评估各种疗法的效率。该提案的三个主要轴是：并行或分布式捕获、生物医学信号的过滤和调整以及实际采样时期的同步。因此，本提案奠定了一个通用系统的基础，该系统的主要目标是成为该领域的无线基准。通过这种方式，该提案可以获得并提供一些生物医学信号的分析工具，用于测量大脑在治疗期间受到外部系统刺激时的相互作用。因此，该系统在必要时支持极端环境条件，从而扩大了其应用范围。此外，根据研究需要，可以根据本提案添加或删除传感器，从而产生受 CPU 内核数量限制的广泛配置，即生物传感器越多，所需的 CPU 内核就越多。为了验证所提出的集成系统，它被用于海豚辅助治疗，用于治疗婴儿脑瘫和强迫症患者以及神经典型患者。样本周期的事件同步有助于隔离相同的治疗刺激，并允许通过功率谱或分形几何等工具对其进行分析。
补充信息
在训练前后的离线脑电图期间，使用多通道脑电图放大器 (BrainAmp DC, Brain Products) 记录和放大脑活动，该放大器带有 63 个被动 Ag/AgCl 电极 (EasyCap)，在线训练期间则带有 31 个被动电极。通道按照 10-20 系统放置，参考鼻子，并在通道 AFz 接地。采样率为 1 kHz。阻抗始终保持在 20 k Ω 以下。使用右眼下方的电极通过眼电图记录眼部信号。使用三阶 Chebyshev II 型滤波器将数据带通滤波至 [0.5, 8] Hz 进行分类，并使用 [0.5, 12] Hz 进行平均 ERP 时期的可视化，然后将其下采样至 100 Hz。为了提取 ERP，EEG 信号在刺激开始时的 -200 毫秒和 1200 毫秒之间进行。在 [-200, 50] 毫秒的间隔内对数据段进行了基线校正。作为分类特征，在相对于刺激开始的十个间隔 [80, 150; 151, 210; 211, 280; 271, 350; 351, 440; 450, 560; 561, 700; 701, 850; 851, 1000; 1001, 1200] 毫秒内提取平均振幅。对于在线会话，这导致每个刺激时期产生 310 维特征向量（31 个通道）。在离线会话中，我们使用相同的预处理和特征提取程序获得了 630 维特征向量，但通道数为 63 个而不是 31 个。在在线会话期间，只要收集的分类器输出的单侧 Welch t 检验表明目标词和最佳非目标词之间存在显著差异，就可以在呈现至少 42 个单词后触发所谓的动态停止策略 (Schreuder 等人，2013)。显著性水平设置为 0.05，实验者可以进一步降低，作为一种可能性，以随着时间的推移调整整体任务难度。