XiaoMi-AI文件搜索系统
World File Search Systemriemannian
![arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日](/simg/8\8f356a446106fa426e26fa37e843b7b04dfdbeb3.webp)
arXiv:2303.05798v2 [cs.LG] 2023 年 5 月 24 日
在处理脑电图或脑磁图记录时，许多监督预测任务是通过使用协方差矩阵来汇总信号来解决的。使用这些矩阵进行学习需要使用黎曼几何来解释它们的结构。在本文中，我们提出了一种处理协方差矩阵分布的新方法，并证明了其在 M/EEG 多元时间序列上的计算效率。更具体地说，我们定义了对称正定矩阵测度之间的 Sliced-Wasserstein 距离，该距离具有强大的理论保证。然后，我们利用它的属性和核方法将此距离应用于从 MEG 数据进行大脑年龄预测，并将其与基于黎曼几何的最新算法进行比较。最后，我们表明它是脑机接口应用领域自适应中 Wasserstein 距离的有效替代品。
首届跨会话工作量估计被动式脑机接口竞赛回顾
和许多研究领域的情况一样，脑机接口 (BCI) 领域数据共享仍然很少，尤其是在被动 BCI 领域——即基于从脑部测量估计的用户心理状态实现隐性交互或任务调整的系统。此外，该领域的研究目前面临一个重大挑战，即解决脑信号变异性，例如跨会话变异性。因此，为了在该领域发展良好的研究实践，并使整个社区能够联合起来进行跨会话估计，我们创建了第一个关于跨会话工作量估计的被动脑机接口竞赛。本次竞赛是第三届国际神经人体工程学会议的一部分。数据是从 15 名志愿者（6 名女性；平均 25 岁）获得的脑电图记录，他们进行了 3 次多属性任务组合 II (MATB-II) 测试，每次测试间隔 7 天，每场测试有 3 个难度级别（伪随机顺序）。数据（训练和测试集）与 Matlab 和 Python 玩具代码一起在 Zenodo 上公开提供（https://doi.org/10.5281/zenodo.5055046）。到目前为止，该数据库的下载次数已超过 900 次（2021 年 12 月 10 日所有版本的独立下载次数：911）。来自 3 大洲的 11 个团队（31 名参与者）提交了他们的作品。表现最好的处理流程包括基于黎曼几何的方法。虽然结果优于调整后的随机水平（对于 3 类分类问题，α 为 0.05，结果为 38%），但准确率仍然低于 60%。这些结果清楚地强调了跨会话估计的真正挑战。此外，它们再次证实了黎曼方法对 BCI 的稳健性和有效性。相反，三分之一的方法（4 个团队）基于深度学习获得了随机水平结果。与传统方法相比，这些方法在本次比赛中没有表现出更优的结果，这可能是由于严重的过度拟合。然而，这次比赛是共同努力解决 BCI 变异性并促进包括可重复性在内的良好研究实践的第一步。
首届跨会话工作量估计被动式脑机接口竞赛回顾
和许多研究领域的情况一样，脑机接口 (BCI) 领域数据共享仍然很少，尤其是在被动 BCI 领域——即基于从脑部测量估计的用户心理状态实现隐性交互或任务调整的系统。此外，该领域的研究目前面临一个重大挑战，即解决脑信号变异性，例如跨会话变异性。因此，为了在该领域发展良好的研究实践，并使整个社区能够联合起来进行跨会话估计，我们创建了第一个关于跨会话工作量估计的被动脑机接口竞赛。本次竞赛是第三届国际神经人体工程学会议的一部分。数据是从 15 名志愿者（6 名女性；平均 25 岁）获得的脑电图记录，他们进行了 3 次多属性任务组合 II (MATB-II) 测试，每次测试间隔 7 天，每场测试有 3 个难度级别（伪随机顺序）。数据（训练和测试集）与 Matlab 和 Python 玩具代码一起在 Zenodo 上公开提供（https://doi.org/10.5281/zenodo.5055046）。到目前为止，该数据库的下载次数已超过 900 次（2021 年 12 月 10 日所有版本的独立下载次数：911）。来自 3 大洲的 11 个团队（31 名参与者）提交了他们的作品。表现最好的处理流程包括基于黎曼几何的方法。虽然结果优于调整后的随机水平（对于 3 类分类问题，α 为 0.05，结果为 38%），但准确率仍然低于 60%。这些结果清楚地强调了跨会话估计的真正挑战。此外，它们再次证实了黎曼方法对 BCI 的稳健性和有效性。相反，三分之一的方法（4 个团队）基于深度学习获得了随机水平结果。与传统方法相比，这些方法在本次比赛中没有表现出更优的结果，这可能是由于严重的过度拟合。然而，这次比赛是共同努力解决 BCI 变异性并促进包括可重复性在内的良好研究实践的第一步。
使用转移学习进行运动图像检测的指南：实验研究
摘要 - 基于运动图像（MI）的脑部计算机界面（BCI）显示出有希望的运动恢复结果，术中意识检测或辅助技术控制。但是，由于脑电图（EEG）信号的高度可变性，它们主要是每次使用日期所需的冗长而乏味的校准时间，并且缺乏所有用户的可靠性，因此它们遭受了几个限制。可以使用转移学习算法在某种程度上解决此类问题。但是，到目前为止，此类算法的性能已经非常可变，何时可以安全地使用它们。因此，在本文中，我们研究了MI-BCI数据库（30个用户）上各种最先进的Riemannian转移学习算法的性能：1）受到监督和不受监督的转移学习； 2）对于目标域的各种可用培训脑电图数据； 3）会议内或会议间的转移； 4）对于Mi-BCI表演良好且较不愉快的用户。从此类实验中，我们得出了有关何时使用哪种算法的准则。重新介绍目标数据后，该目标集的几个样本被考虑在内。即使对于课内转移学习也是如此。同样，重新介入对于在会话之间难以产生稳定的运动图像的受试者特别有用。
深度学习技术可改善脑脑图信号的术中意识检测
摘要 - 每年，数以百万计的患者在手术过程中恢复意识，并可能患有创伤后疾病。我们最近表明，可以使用脑电图（EEG）信号的中位神经刺激过程中的运动活动检测来提醒医务人员，患者正在醒来并试图在全身麻醉下移动[1]，[2]。在这项工作中，我们测量了直接训练对过滤的EEG数据进行训练的多种深度学习模型（EEGNET，深卷积网络和浅卷积网络）的运动图像的准确性和假阳性。我们将它们与有效的非深度方法进行了比较，即基于常见空间模式的线性判别分析，即应用于协方差矩阵的Riemannian Mean Mean Algorithm的最小距离，基于逻辑回归的逻辑回归，这是基于逻辑回归的，这是对协方差矩阵（TSS+LR）的较相关的空间投影。与其他分类器相比，EEGNET显着提高了分类性能的显着提高（p-值<0.01）；此外，它的表现优于最佳的非深度clas-sifier（TS+LR），其精度为7.2％。这种方法有望改善全身麻醉期间术中意识检测。
使用张量网络制备量子态制备
抽象的量子状态制备是许多量子算法中的重要常规，包括方程式线性系统，蒙特卡洛模拟，量子采样和机器学习的解决方案。迄今为止，还没有将经典数据编码为基于门的量子设备的既定框架。在这项工作中，我们提出了一种通过将分析函数采样到量子电路中获得的矢量的编码方法，该量子电路具有相对于量子数的多项式运行时，并且提供了> 99。9％的精度，比最先进的两个Quibit Gate Fidelity更好。我们采用硬件有效的变分量子电路，这些电路使用张量网络模拟，以及向量的矩阵乘积状态表示。为了调整变化门，我们利用了融合自动梯度计算的Riemannian优化。此外，我们提出了一种“一次切割，测量两次”方法，该方法使我们在大门更新期间避免了贫瘠的高原，将其基准为100 Qubit的电路。值得注意的是，任何具有低级别结构（不受分析功能的限制）的向量都可以使用呈现的方法编码。我们的方法可以轻松地在现代量子硬件上实现，并有助于使用混合量子计算体系结构。
关于实施地球公制空间
分析非欧几里得数据（例如图形和树木）需要（特定）数学机械，因为与欧几里得空间相比，它们较不富裕或光滑的riemannian歧管。这些空间仍然可以利用后者的丰富结构。例如，图形空间是由置换组赋予Frobenius度量的矩阵，Billera-Holmes-Vogtmann（BHV）空间层是Eu-Clidean，而Wald空间嵌入在对称正极（SPD）矩阵的空间中。我们提出了一个Python软件包，用于分析生活在地球公制空间中的数据 - 拓扑空间，配备了度量和地球函数，其中度量是最短的大地测量长度连接两个点的长度。我们根据点，点集和使用地球公制空间理论构建的度量的包装结构描述了包装结构，并提供了三个实现示例。该软件包是作为GeomStats Python软件包的插件实现的，允许用户以理论上一致的方式访问和调整可用的几何和数据分析工具，以实现强烈非欧盟数据。代码是单位测试和记录的。关键字：测量公制空间； BHV空间；树值数据；图值数据；几何数据分析。
MAtt：用于脑电图解码的流形注意力网络
脑电图 (EEG) 信号的识别严重影响非侵入式脑机接口 (BCI) 的效率。虽然基于深度学习 (DL) 的 EEG 解码器的最新进展提供了改进的性能，但几何学习 (GL) 的发展因其在解码噪声 EEG 数据方面提供出色的鲁棒性而备受关注。然而，缺乏关于深度神经网络 (DNN) 和几何学习在 EEG 解码中的合并使用的研究。我们在此提出了一种流形注意力网络 (mAtt)，这是一种基于几何深度学习 (GDL) 的新型模型，具有流形注意力机制，可在黎曼对称正定 (SPD) 流形上完全表征 EEG 数据的时空表示。在时间同步和异步 EEG 数据集上对所提出的 MAtt 的评估表明，它优于其他领先的 DL 方法用于一般 EEG 解码。此外，模型解释分析揭示了 MAtt 捕捉信息性 EEG 特征和处理大脑动态非平稳性的能力。
广义量子力学
构造凸集的仿射几何不变量作为转移概率 [16]。这一发展导致了量子力学广义凸方案的出现，从这个角度来看，当今理论的方案并不是唯一的，而是数学上可接受的“量子世界”大家族中的一个特殊成员。人们还猜测凸集理论在量子物理学中可能发挥与黎曼几何在广义相对论中类似的作用 [16]。本文的目的是更进一步，表明“凸方案”足够灵活，可以包含量子力学的非线性版本，其中非线性波动方程将扮演薛定谔方程的角色。为此，第 2 节概述了基于凸集理论的量子力学的几何描述。第 3 节和第 4 节将系统的几何与动力学联系起来，这种动力学允许为遵循广义波力学的系统构造量子态的凸流形。第 4 节指出了所得方案的一些应用，第 5 节讨论了其与其他物理理论的关系。
对常见空间模式的完整调查...
背景：使用电动图像的脑部计算机界面有望通过大脑信号进行直接通信和控制。常见的空间模式（CSP）技术已成为在需要运动图像的任务中从脑电图（EEG）信号中提取歧视性特征的强大工具。目的：本调查论文旨在对运动图像中使用的不同CSP技术进行全面分析，从而强调其优势和局限性。方法：我们审查了文献并确定了各种CSP技术，包括Riemannian CSP，基于深度学习的CSP，Multiway CSP和时间加权的CSP等。对于每种技术，我们都检查了它们的基本原则，算法实现，优势，缺点，使用的过滤技术，使用的分类精度，所使用的数据集和相关注释。结论：理解和比较不同的CSP技术对于增强基于运动图像的BCI的性能至关重要。每种技术都有其自身的优势和考虑因素，例如计算复杂性和对不同BCI场景的适应性。这项调查是研究人员和从业人员选择适当的CSP技术，通过增强基于运动图像的BCI的可靠性和准确性来推动该区域迈向成功的大脑控制系统的宝贵资源。