XiaoMi-AI文件搜索系统
World File Search System伪影
一种线性可扩展的多伪影去除方法，用于改进基于上肢脑电图的运动想象解码 Mojisola Grace Asogbon 1,2 , Oluwa
图 1：使用国际 10-20 系统从 (a) 矢状面和 (b) 轴平面 (c) 头皮角度看到的 64 个电极配置表示。注意：A= 耳垂，C = 中央，Pg = 鼻咽，P = 顶叶，F = 额叶，Fp = 额极和 O = 枕叶。
基于节能树的脑电图伪影检测
摘要 — 在癫痫监测中，由于脑电图伪影在幅度和频率上具有形态相似性，因此经常被误认为是癫痫发作，这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中，我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集，并重点关注颞电极。首先，我们使用自动机器学习框架在频域中提取最佳特征模型，在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后，这些算法针对 PULP 平台进行并行化和优化，与最先进的低功耗伪影检测框架实现相比，能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合，可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路，该解决方案具有低假阳性率和高灵敏度，可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备，结合基于 EEG 的癫痫发作检测算法，以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
训练小波域损失的训练生成图像超分辨率模型可以更好地控制伪影
抽象的超分辨率（SR）是一个不当的反问题，其中具有给定低分辨率图像的可行解决方案集的大小非常大。已经提出了许多算法，以在可行的解决方案中找到一种“好”解决方案，这些解决方案在忠诚度和感知质量之间取得了平衡。不幸的是，所有已知方法都会生成伪影和幻觉，同时试图重建高频（HF）图像细节。一个有趣的问题是：模型可以学会将真实图像细节与文物区分开吗？尽管有些重点侧重于细节和影响的分化，但这是一个非常具有挑战性的问题，并且尚待找到满意的解决方案。本文表明，与RGB域或傅立叶空间损耗相比，使用小波域损失功能训练基于GAN的SR模型可以更好地学习真正的HF细节与伪像的表征。尽管以前在文献中已经使用了小波域损失，但在SR任务的背景下没有使用它们。更具体地说，我们仅在HF小波子带上而不是在RGB图像上训练鉴别器，并且发电机受到小波子带的忠诚度损失的训练，以使其对结构的规模和方向敏感。广泛的实验结果表明，我们的模型根据多种措施和视觉评估实现了更好的感知延续权权衡。
将合成临床数据迁移到常规临床数据以检测脑部 T1 加权 MRI 中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳机会。MRI 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 因被这些伪影破坏而无法使用。由于扫描次数太多，无法手动检测，因此有必要开发一种工具来自动排除带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种 CNN 来自动检测 3D T1 加权脑部 MRI 中的运动。我们的迁移学习方法基于合成运动生成，包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，将我们的预训练模型推广到临床数据，依靠 5500 张图像的手动标记。目标是 (1) 能够排除具有严重运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80%）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
使用合成数据自动检测临床数据仓库中脑 T1 加权磁共振图像中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳的机会。磁共振图像 (MRI) 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 被这些伪影破坏，可能无法使用。由于扫描次数太多，无法手动检测它们，因此有必要开发工具来自动排除（或至少识别）带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种从研究到临床数据的新型迁移学习方法，用于自动检测 3D T1 加权脑 MRI 中的运动。该方法包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，以将我们的预训练模型推广到临床数据，这依赖于 4045 张图像的标记。目标是 (1) 能够排除具有剧烈运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80 %）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
心冲击图伪影消除，用于同时进行 EEG - ...
1. Mulert, C.、Pogarell, O. 和 Hegerl, U. 同步 EEG-fMRI：精神病学展望。CEN, 39(2)，61–64 (2008)。https://doi.org/10.1177/155005940803900207 2. Shams, N.、Alain, C. 和 Strother, S. 同步 EEG–fMRI 中诱发反应的 BCG 伪影去除方法比较。J. Neurosci. Methods 245, 137–146 (2015) 3. Iannotti GR、Pittau F.、Michel CM、Vulliemoz S. 和 Grouiller F. 基于 EEG 地图拓扑在同步 EEG-fMRI 记录中进行脉冲伪影检测。脑拓扑； 28(1):21-32 (2015) 4. Allen, PJ, Polizzi, G., Krakow, K., Fish, DR 和 Lemieux, L. Identification of EEG events in the MR scanner: the problem of pulse pseudodragon and a method for its subtraction. Neuroimage 8(3), 229–239 (1998) 5. C. Bénar, Y. Aghakhani, Y. Wang 等，Quality of EEG insynchronous EEG–fMRI for epilepsy，Clin. Neurophysiol. 114 (3), 569–580 (2003) 6. K. Niazy, CF Beckmann, GD Iannetti 等, 使用最优基础集从 EEG 数据中去除 FMRI 环境伪影, Neuroimage 28 (3), 720–737 (2005) 7. Kruggel F, Wiggins CJ, Herrmann CS 等, 在 3.0 Tesla 场强下功能性 MRI 期间记录事件相关电位。Magn Reson Med, 44(2): 277-282 (2000) 8. Niazy, RK, Beckmann, CF, Iannetti, GD, Brady, JM 和 Smith, SM, 使用最优基础集从 EEG 数据中去除 FMRI 环境伪影。 Neuroimage 28(3), 720–737 (2005) 9. Li Hu, Zhiguo Zhang: EEG 信号处理和特征提取。Springer Nature (2019) 10. Ibrahim Sadek, Jit Biswas, Bessam Abdulrazak。心冲击信号处理：综述。健康
FastEMD–CCA 算法用于无监督快速去除脑电图中的眨眼伪影
a 马来西亚霹雳州国油工艺大学健康与分析研究所 b 马来西亚霹雳州国油工艺大学自治系统研究所 c 马来西亚霹雳州国油工艺大学电气与电子工程系 d 马来西亚吉兰丹马来西亚理科大学神经科学系 e 法国勃艮第大学 ERL VIBOT CNRS 6000 电子、信息与图像实验室 (Le2i)
增强 AI 对图像编码伪影的适应性
摘要 — 在机器对机器 (M2M) 传输环境中，非常需要使用有损压缩来减少传输的信息量。然而，常用的图像压缩方法是为人类感知而设计的，而不是为人工智能 (AI) 算法的性能而设计的。众所周知，这些压缩失真会影响许多基于深度学习的架构在多个计算机视觉任务上的表现。在本文中，我们专注于分类任务，并提出了一种名为专家训练的新方法，以增强卷积神经网络 (CNN) 对压缩失真的弹性。我们在 ImageNet 数据集上使用 MnasNet 和 ResNet50 架构验证了我们的方法，以抵抗三种常用方法 (JPEG、J2K 和 BPG) 引入的图像压缩失真。结果表明，使用所提出的专家训练方法，这两种架构对测试的编码伪影具有更好的鲁棒性。我们的代码可在 https://github.com/albmarie/expert training 上公开获取。索引术语 — 人工智能 (AI)、图像编码、机器对机器 (M2M)
减少语音扭曲和通过损失功能增强语音的伪影
深度学习的语音增强已取得了显着的进步。然而，诸如语音扭曲和伪像之类的挑战仍然存在。这些问题可以降低听觉质量和语音识别系统的准确性，这在采用轻量级模型时尤其。因此，本文研究了管理语音失真和伪像的基本原则，并引入了一种新颖的组合损失函数，该函数整合了语音活动检测（VAD）信息和语音连续性以解决问题。此外，基于提出的损失功能设计了一种新的培训策略，以解决训练极小模型上这种综合损失的困难。实验 - 我们的方法对DNS2020数据集的有效性和实际会议数据在增强主观和objective语音指标以及自动语音识别（ASR）性能方面的有效性。索引术语：言语增强，损失功能，语音差异，光谱中断，伪影
住院和门诊患者脑电图不同类型伪影的出现频率
已经进行了各种研究来减少脑电图中的伪影。改进脑带记录技术、使用计算机方法去除伪影以及使用各种滤波器都是提高脑电波记录质量的方法 [3, 7-8]。在 Lee One 等人的干预下，使用自动系统去除伪影，其灵敏度为 82.4%，特异性为 83.3%，并在很大程度上消除了伪影。该方法的灵敏度和特异性在很大程度上类似于由受过训练的操作员去除伪影 [9]。在另一项研究中，肉毒杆菌毒素注射用于减少肌源性伪影，这显著减少了肌源性伪影 [10]。去除肌肉伪影已被证明可将癫痫发作定位的灵敏度从 62% 提高到 81%，其最佳效果是在具有中度至重度肌肉伪影的发作带中。去除伪影可以更早地检测到鱼鳞病改变并检测到隐藏在伪影中的物品 [6]。另一方面，也有研究表明，使用一些方法和计算机程序去除伪影的效度较低[11]。