XiaoMi-AI文件搜索系统
World File Search Systemica
几何优化和 FastICA 算法
摘要 — 独立成分分析是无监督自适应滤波领域的一个难题。最近，人们对使用几何优化进行自适应滤波的兴趣日益浓厚。ICA 算法的性能在很大程度上取决于对比函数的选择以及用于获得分离矩阵的优化算法。本文从优化的角度关注标准线性 ICA 问题。众所周知，经过预白化过程后，可以通过在合适流形上进行优化的方法来解决该问题。我们提出了一种在单位球面上的近似牛顿法来解决单单位 ICA 问题。讨论了局部收敛性质。通过数值实验研究了所提算法的性能。结果表明，著名的 FastICA 算法可以看作是我们算法的一个特例。此外，还讨论了所提算法的一些概括。关键词——几何优化，独立成分分析，FastICA，标量移位策略，局部收敛
TL1 团队通过脑电图预测疼痛的方法：了解慢性腰痛
图 4. EEG 采集到预处理的流程图。1) EEG 以 128 电极阵列的形式采集。2) 数据通过一系列过滤、采样和独立成分分析 (ICA) 进行预处理。使用 ICA 手动提取重要成分以线性解混信号。3) 按电极组织特征并输入机器学习算法 SVM。训练数据集用于开发模型。测试集用于评估模型的性能，而无需事先查看。
使用优化的量子神经网络对脑电图信号进行分类
近年来，机器学习的算法被用于脑信号识别，作为诊断阿尔茨海默氏病和癫痫等疾病的有用技术。在本文中，脑电图（EEG）信号在标准化这些信号后使用优化的量子神经网络（QNN）进行分类。将小波变换（WT）和独立组件分析（ICA）用于特征提取。这些算法用于降低数据的尺寸，这是对优化QNN的输入，目的是在特征提取过程后执行分类过程。这项研究使用了优化的QNN，一种馈电神经网络（FFNN）的形式，以识别脑电图信号。使用粒子群优化（PSO）算法来优化量子神经网络，从而改善了系统性能的训练过程。优化的QNN为我们提供了更快，更现实的结果。根据模拟结果，ICA的总分类为82.4％，而WT的总分类为78.43％；从这些结果中，使用ICA进行特征提取比使用WT更好。
通过添加 EMG 源 (ERASE) 去除肌电图 (EMG) — 一种基于 ICA 的新型算法，用于从 EEG 中去除肌电伪影
脑电图 (EEG) 记录经常会受到肌电图 (EMG) 伪影的污染，尤其是在运动期间记录时。现有的去除 EMG 伪影的方法包括独立成分分析 (ICA) 和其他高阶统计方法。然而，这些方法不能有效去除大多数 EMG 伪影。在这里，我们提出了一种改进的 ICA 模型来去除 EEG 中的 EMG 伪影，这称为通过添加 EMG 源去除 EMG (ERASE)。在这种新方法中，来自颈部和头部肌肉的真实 EMG 的额外通道（参考伪影）被添加作为 ICA 的输入，以便将 EMG 伪影的大部分功率“强制”到几个独立成分 (IC) 中。使用自动程序识别和拒绝包含 EMG 伪影的 IC（“伪影 IC”）。首先使用模拟和实验记录的 EEG 和 EMG 验证 ERASE。模拟结果表明，ERASE 比传统 ICA 更有效地从 EEG 中去除 EMG 伪影。此外，它的假阳性率低，灵敏度高。随后，在 8 名健康参与者移动双手时收集了他们的 EEG，以测试该方法的实际效果。结果表明，ERASE 成功去除了 EMG 伪影（平均而言，当使用真实 EMG 作为参考伪影时，大约 75% 的 EMG 伪影被去除），同时保留了与运动相关的预期 EEG 特征。我们还使用模拟 EMG 作为参考伪影测试了 ERASE 程序（大约 63% 的 EMG 伪影被去除）。与传统 ICA 相比，ERASE 从 EEG 中去除的 EMG 伪影平均多 26%。这些发现表明，ERASE 可以实现 EEG 信号和 EMG 伪影的显著分离，而不会丢失底层的 EEG 特征。这些结果表明，使用额外的真实或模拟 EMG 源可以提高 ICA 从 EEG 中去除 EMG 伪影的有效性。结合自动化 IC 伪影剔除，ERASE 还可最大程度地减少潜在的用户偏差。未来的工作将侧重于改进 ERASE，使其也可用于实时应用。
世界经济中的碳税和绿色补贴∗
为了应对日益严重的气候变化威胁，各国已同意逐步放弃使用化石燃料，并大幅增加可再生能源。本文探讨了在世界经济中，在考虑来自化石能源和绿色能源部门的游说压力的情况下，碳税和绿色能源补贴联合使用时出现的积极和规范问题。开放经济环境为使用绿色补贴提供了单方面福利理由，这是由于反向泄漏效应，即绿色补贴可以减少国内外的化石燃料产量。国际气候协议 (ICA) 总是寻求增加碳税，但对绿色补贴的影响更加微妙。ICA 取消了绿色补贴，即使在非合作均衡下它们具有正的国际外部性。但是，如果政策只能逐渐改变，ICA 可能会从增加补贴开始，然后随着时间的推移减少补贴。当我们考虑游说对福利的影响时，我们发现在非合作情景中，来自化石能源游说的压力往往会降低福利，而来自绿色游说的压力往往会增加福利。我们还发现，在游说压力之下，ICA 可能会降低相对于非合作均衡的福利，尽管其唯一目的是纠正气候外部性，并将碳税和绿色补贴转向有效水平。
NeuroImage - 千 - Helsinki.fi
静息态脑磁图 (MEG) 数据显示出复杂但结构化的时空模式。然而，这些信号模式的神经生理学基础尚不完全清楚，并且底层信号源在 MEG 测量中混杂在一起。在这里，我们开发了一种基于非线性独立分量分析 (ICA) 的方法，这是一种可通过无监督学习训练的生成模型，用于从静息态 MEG 数据中学习表示。在使用 Cam-CAN 存储库中的大量数据集进行训练后，该模型已学会使用潜在非线性分量来表示和生成自发皮质活动模式，这反映了具有特定频谱模式的主要皮质模式。当应用于视听 MEG 的下游分类任务时，尽管对标签的访问有限，非线性 ICA 模型仍可与深度神经网络实现竞争性的性能。我们进一步验证了该模型在不同数据集中的通用性，方法是将其应用于独立的神经反馈数据集，以解码受试者的注意力状态，提供实时特征提取并解码正念和思维诱导任务，在个人层面的准确率约为 70%，这比线性 ICA 或其他基线方法获得的准确率高得多。我们的结果表明，非线性 ICA 是对现有工具的宝贵补充，特别适合自发 MEG 活动的无监督表示学习，然后可以在标记数据稀缺时应用于特定目标或任务。
布雷斯特法国海军舰队支援服务局
行动 1：“FOST” ICA Yannick VEZINE，副手：ICA Florian MANY 和 IPETA Arnaud SAMZUN 行动 6：“多用途护卫舰和 Avisos” ICA Gaël LE VEN，副手：CC Florent ARNOUX、LV Michaël MONTIER、LV William FAKAILO 和 LV Paul WINCKLER 行动 8：“海外” IPETA Cédric MOMOT，副手：ICDD Arnaud PETITBON 和 TSEF Yann L'HEOTE 行动 9：“CMT”和 11：“科学船” ICETA Stéphane MERLET，副手：CC Jonatan SANQUER 和 CF Pierre BALARDELLE 行动 12“辅助船”和 13“布雷斯特和瑟堡的小型建筑 » CF Hervé TUAL，副手：LV Quentin CUEFF、LV Matthieu LE THIEC 和 LV Stéphane BRAMOULLE 操作 17：“FOST 布雷斯特外的陆地上的横向行动和设备” ICD HC Pol ALEXANDRE，副手：ICT Stéphane GUILLORE 和 ICD Loïc YVINEC
一个自我管理的人工智能（AI）平台......
此外，ICA 还具有一些标准认知测试计算机化版本所不具备的独特功能，例如能够从更多数据中获益，从而随着时间的推移提高其性能。ICA 对患者的分类（使用 AI 引擎）与定义分类最佳截止值的传统方法之间的一个基本区别是用于进行分类的维度（或特征数量）。例如，在传统的评估工具中，最佳截止值是根据测试分数定义的。这是一个一维分类问题，只有一个自由参数可以优化，导致从更多数据中学习的灵活性较低。在
定量非常高的冠状动脉狭窄 -
目的：用于超高分辨率冠状动脉C，CCTA（CCTA）的光谱光子计算机断层扫描（SPCCT）具有准确评估非常高风险患者的冠状动脉动脉。这项研究的目的是将Spcctagainst常规CT的诊断性能进行比较，以量化非常高风险患者的冠状动脉狭窄，并与侵入性冠状动脉造影（ICA）作为参考方法。材料和方法：在该前瞻性机构审查委员会中 - 批准的研究，急性冠状动脉合成后，非常高风险的患者涉及ICA。cctawas在3天之前为iCawithin之前的每个SPCCT和常规CT进行了cctawas。使用CCTA的近端和远端直径方法和ICA定量冠状动脉造影方法评估了最小直径和远端直径方法。评估了类内相关系数和平均误差。的灵敏度和特异性，该直径狭窄阈值> 50％。使用ICA作为黄金标准的CAD-RADS 2.0评估的常规CT和SPCCTWERE的重新分类率。结果：26例患者（4名女性[15％]； 64±8岁），鉴定了26个冠状动脉炎症，19例（73％）以上（73％）以上，高于50％，9（35％）相等或高于70％。中位狭窄值为64％（四分位间范围为48％ - 73％）。spcct的平均误差（6％[5％，8％]）比常规CT（12％[9％，16％]）。SPCCT比常规CT（分别为75％和50％）表现出更高的灵敏度（100％）和特异性（90％）。10（38％）stenose被SPCCT重新分类，并通过常规CT重新分类（4％）。
使用深度学习来自动检测和分类Willis圈子
大多数颅内动脉瘤（ICA）出现在脑血管树的特定部分上，名为Willis圈（Cow）。尤其是，它们主要出现在构成这种圆形结构的主要动脉分叉上的十个。因此，对于有效而及时的诊断，开发一些能够准确识别每个感兴趣分叉（BOI）的方法至关重要。的确，自动提取出现ICA风险较高的分叉将使神经放射学家快速浏览最令人震惊的地区。由于最近在人工智能上的效果，深度学习是许多模式识别任务的最佳性能技术。此外，各种方法是专门为医学图像分析目的而设计的。这项研究旨在帮助神经放射科医生迅速找到任何出现ICA发生风险的分叉。它可以看作是一种计算机辅助诊断方案，在该方案中，人工智能有助于访问MRI内感兴趣的区域。在这项工作中，我们提出了一种完全自动检测和识别构成威利斯圈子的分叉的方法。已经测试了几个神经网络架构，我们彻底评估了分叉识别率。