XiaoMi-AI文件搜索系统
World File Search Systemtemporal
手动姿势和动作建模的生成层次临时变压器
摘要。我们提出了一个新颖的统一框架，该框架同时可以解决人体姿势和动作建模的未来预测。以前的作品通常为识别或预测提供了孤立的解决方案，这不仅增加了实际应用中整合的复杂性，而且更重要的是，无法证明双方的协同作用并在各自领域中遭受次优的性能。为了解决这个问题，我们提出了一个具有代表性的变压器VAE架构来模拟手动姿势和动作，在该构图中，编码器和解码器捕获识别和预测会重新恢复，并且它们通过VAE瓶颈进行了联系，要求学习从过去到未来的一致手动运动的学习，并反复使用。此外，为了忠实地对手姿势和动作的语义依赖性和不同的时间粒度建模，我们将框架分解为两个级联的vae块：第一个和后者的区块分别模拟了短跨度的姿势和长跨度的动作，并通过代表一个子second seraps saps sand Hand Poses的中级特征连接起来。将这种分解为块级联反应有助于捕获姿势和动作模型的短期和长期时间规律性，并使训练可以分别训练两个块，以充分利用具有不同时间粒度注释的数据集。我们跨多个数据集训练和评估我们的框架；结果表明，我们对识别和预测的联合建模可以改善孤立的解决方案，并且我们的语义和时间层次结构有助于长期姿势和动作模型。
对皮质投影神经元命运多样性的时间控制
摘要在新皮层发育过程中，皮质投射神经元（PN）被顺序产生并组装成我们与环境相互作用的基础的电路。皮质PN在出生日期，层位置，近距离身份，连通性和功能方面是异质的。这种多样性在进化最新的物种中引起了争议，但是在皮质生成期间何时以及如何出现。虽然确定基因和早期随机性的时间锁定表达允许产生不同类型的PN，但在展开相似的转录过程中的时间差异，而不是这些程序中的基本差异，但进一步说明了PN亚型和跨物种之间的解剖变异性。总的来说，这些机制将在此处讨论，它参与了增加皮质PN多样性。
具有高时间精度的神经元的双色光学激活和抑制
光遗传学工具箱中的一种众所周知的现象是，所有光门控离子通道（包括红移的通道旋转蛋白（CHRS））都被蓝光激活，而蓝移Chrs对更长的波长的响应最小。在这里，我们利用此功能创建了一个系统，该系统允许具有红光脉冲的神经元高频激活，同时允许通过Blue Light的毫秒精度抑制动作电位。我们通过将超快速的红色CHR与适当匹配的动力学匹配的蓝色光敏感阴离子通道配对来实现这一目标。这需要筛选几个阴离子选择性CHRS，然后进行基于模型的诱变策略，以优化其动力学和光谱。海马中的切片电生理学以及对颤音运动的行为检查表明，蓝光的激发最少。允许对具有红光的神经元进行高频光学遗传激发，而蓝光抑制动作电位在光脉冲的持续时间内被罚款。
具有空间和时间控制的软执行器的 4D 多材料打印
软致动器 (SA) 是一种可以与精密物体进行交互的设备，而传统机器人无法实现这种交互方式。虽然可以设计一种通过外部刺激触发驱动的 SA，但使用单一刺激会对驱动的空间和时间控制带来挑战。本文介绍了一种 4D 打印多材料软致动器设计 (MMSA)，其驱动仅由触发器组合（即 pH 和温度）启动。使用 3D 打印，设计了一种多层软致动器，该致动器具有亲水性 pH 敏感层和疏水性磁性和温度响应形状记忆聚合物层。水凝胶通过膨胀或收缩来响应环境 pH 条件，而形状记忆聚合物可以抵抗水凝胶的形状变形，直到被温度或光触发。这些刺激响应层的组合允许对驱动进行高水平的时空控制。通过一系列货物捕获和释放实验，证明了 4D MMSA 的实用性，验证了其展示主动时空控制的能力。MMSA 概念为开发多功能软设备提供了一个有前途的研究方向，这些设备在生物医学工程和环境工程中具有潜在的应用前景。
优秀男子铁饼投掷技术的时间分析
希腊塞萨洛尼基亚里士多德大学体育与运动科学系生物力学实验室 摘要 Panoutsakopoulos V, Kollias IA。优秀男子铁饼投掷技术的时间分析。J. Hum。Sport Exerc。Vol.7，No.4，页826-836，2012。本研究的目的是调查一组优秀男子铁饼运动员的投掷时间与官方投掷距离之间的关系。为了进行研究，我们分析了国际顶级田径比赛参赛者的技术阶段（即准备、入场、腾空、过渡、投掷、释放）。使用 Casio EX-FX1（卡西欧计算机有限公司）数码摄像机（采样频率：300fps）记录了七名右撇子投掷运动员（年龄：28.8 ± 4.1 岁，身高：1.94 ± 0.09 米，体重：119.4 ± 11.6 公斤）的投掷动作，并使用 V1 Home 2.02.54 软件（Interactive Frontiers Inc.）分析了捕捉到的投掷动作，从而获取了数据。使用 SPSS 10.0.1 软件（SPSS Inc.），通过皮尔逊相关分析检验了投掷技术阶段的持续时间与官方投掷距离之间的关系。结果显示，平均官方投掷距离（63.04 ± 6.09 米）与掷铁饼时间或每个技术阶段的时间之间没有显著相关性（p > 0.05）。时间和相关性分析与之前的研究一致。主要的投掷方式是无地面支撑的投掷。大多数投掷运动员在投掷转弯（过渡、投掷和投掷阶段）中单人支撑所占比例大于双人支撑所占比例。值得注意的是，过渡阶段持续时间短，加上起始转弯所用时间与投掷转弯所用时间之比较低，可能有利于实现更大的投掷距离。关键词：田径投掷、官方投掷距离、单支撑阶段、双支撑阶段、生物力学。
M2D2：用于癫痫脑活动时间定位的最大均值差异解码器
摘要 — 近年来，人们对利用基于脑电图 (EEG) 信号的深度学习模型监测癫痫患者的兴趣日益浓厚。然而，这些方法在应用于收集训练数据的环境之外时，往往表现出较差的泛化能力。此外，手动标记 EEG 信号是一个耗时的过程，需要专家分析，这使得将特定于患者的模型微调到新环境成为一项昂贵的任务。在这项工作中，我们提出了最大均值差异解码器 (M2D2)，用于自动时间定位和标记长时间 EEG 记录中的癫痫发作，以协助医疗专家。我们表明，当对不同于训练数据的临床环境中收集的 EEG 数据进行评估时，M2D2 实现了 76.0% 和 70.4% 的时间定位 F1 分数。结果表明，M2D2 的泛化性能明显高于其他最先进的基于深度学习的方法。
自然包含函数的间隔信号时间逻辑
摘要 - 我们提出了一个称为Interval信号时间逻辑（I-STL）的信号时间逻辑（STL）的间隔扩展。给定STL公式，我们考虑其每个谓词的间隔包含函数。然后，我们使用最小的最小包含函数和最大函数递归构建一个间隔鲁棒性，这是原始STL公式的鲁棒性的自然包含函数。所产生的间隔语义可容纳，例如，不确定的信号模型为间隔的信号和不确定的谓词，以适当的包含功能建模。在许多情况下，为STL开发的验证或合成算法适用于I-STL的理论和算法最小的变化，并且可以在可忽略不计的计算费用下使用间隔算术套件轻松扩展现有代码。为了证明I-STL，我们提供了一个从硬件实验获得的不符合信号跟踪的频率监视的示例，以及一个强大的在线控制合成典型的示例，从而强制执行具有不确定谓词的STL公式。
自然语言过程的定量描述
摘要 - 在本文中，我们在自动生成过程的定量和定性自然语言描述的框架中提出了一系列模糊的时间原型。该模型包括从过程和属性中的时间和因果信息，在过程中的时间范围内定量属性，并回顾事件之间的因果关系和事件之间的因果关系以及其他特征之间的时间距离。通过在常用的数据到领位体系结构中通过进一步的过程采矿技术和模糊集，我们的框架能够从过程中提取相关的定量时间和结构信息，并以自然语言中的自然语言描述它，涉及不确定的术语。提出了心脏病学领域中的真正用例，显示了我们模型提供向领域专家提供的自然语言解释的潜力。索引术语 - 进程采矿，原型，语言描述数据，自然语言生成
用于时间相关可解释人工智能的时间 2 型模糊系统
摘要 —可解释人工智能 (XAI) 是一种提供透明模型和决策的范例，非技术受众也易于理解、分析和增强这些模型和决策。基于模糊逻辑系统 (FLS) 的 XAI 可以提供可解释的框架，同时还可以对现实环境中存在的不确定性进行建模，这使其适用于需要可解释性的应用。然而，大多数现实生活中的过程不仅仅是以高度的不确定性为特征；它们本质上也与时间有关，即过程随时间而变化。为了解释与过程相关的时间成分，在本文中，我们为时间相关的 XAI (TXAI) 系统提出了一种基于时间类型 2 FLS 的新型方法，该方法可以使用（测量的）发生频率来解释测量在时间域中发生的可能性。在时间 2 型模糊集 (TT2FSs) 中，开发了一个四维 (4D) 时间相关成员函数，其中关系用于构建论域元素与其出现频率之间的相互关系。使用现实生活中的智能环境数据集通过分步数值示例和实证研究来说明所提出的具有 TT2FSs 的 TXAI 系统，以解决时间相关分类问题（根据一天中特定时间的传感器读数预测房间是否有人）。TXAI 系统性能还与具有不同可解释性水平的其他最先进分类方法进行了比较。 TXAI 系统表现出更好的分类能力，使用 10 倍测试数据集，平均召回率为 95.40%，而标准 XAI 系统（基于非时间一般 2 型 (GT2) 模糊集）的平均召回率为 87.04%。TXAI 的表现也明显优于大多数不可解释的 AI 系统，平均召回率提高了 3.95% 到 19.04%。时间卷积网络 (TCN) 略优于 TXAI（平均召回率提高了 1.98%），尽管计算复杂度较大。此外，TXAI 还可以使用嵌入在 TXAI 模型中的出现频率值概述最可能的时间相关轨迹；即，给定确定时间间隔内的规则，随后时间间隔内最可能的下一个规则是什么。在这方面，提出的 TXAI 系统对于描述现实生活中的时间相关过程（例如行为或生物过程）的演变具有深远的影响。
EEG-ITNet：一种用于运动意象分类的可解释初始时间卷积网络
摘要 近年来，神经网络，尤其是深度架构在脑机接口 (BCI) 领域的脑电信号分析中受到了广泛关注。在这个正在进行的研究领域，端到端模型比需要信号转换预分类的传统方法更受青睐。它们可以消除对专家的先验信息和手工特征提取的需求。然而，尽管文献中已经提出了几种深度学习算法，在对运动或心理任务进行分类方面取得了很高的准确率，但它们往往缺乏可解释性，因此不太受神经科学界的青睐。其背后的原因可能是参数数量众多，以及深度神经网络对捕捉微小但不相关的判别特征的敏感性。我们提出了一种称为 EEG-ITNet 的端到端深度学习架构，以及一种更易于理解的方法来可视化网络学习的模式。使用初始模块和带扩张的因果卷积，我们的模型可以从多通道脑电信号中提取丰富的光谱、空间和时间信息，并且复杂度（就可训练参数的数量而言）低于其他现有的端到端架构（例如 EEG-Inception 和 EEG-TCNet）。通过对 BCI 竞赛 IV 中的数据集 2a 和 OpenBMI 运动想象数据集进行详尽评估，EEG-ITNet 在不同场景中的分类准确率比其竞争对手高出 5.9%，具有统计学意义。我们还从神经科学的角度全面解释和支持网络图示的有效性。我们还在 https://github.com/AbbasSalami/EEG-ITNet 上免费提供我们的代码。