摘要 - 基于脑电(EEG)的情感计算结果中的数据稀缺问题在构建具有机器学习算法(尤其是深度学习模型)的有效模型的有效模型中很困难。数据增强最近已实现了深度学习模型的大量性能改善 - 精确度,稳定性和减少过度填充。在本文中,我们提供了一个新颖的数据增强框架,即基于基于网络的对抗性网络的自我监督数据增强(Ganser)。是将对抗性训练与自我监督的学习相结合的第一个,以供基于脑电图的情绪识别,该拟议的框架可以生成高质量和高多样性模拟的脑电图样本。特别是,我们利用对抗训练来学习脑电图发生器,并迫使生成的脑电图信号近似实际样品的分布,从而确保增强样品的质量。使用转换函数来掩盖EEG信号的部分,并迫使发电机根据其余部分合成潜在的EEG信号,以生成各种样品。引入了转换过程中的掩蔽可能性作为先验知识,以指导为模拟的EEG信号提取可区分特征,并将分类器推广到增强样品空间。最后,广泛的实验证明了我们提出的方法可以帮助情绪识别绩效增长并实现状态结果。索引术语 - 基于EEG的情绪识别,数据库,生成对抗网络
摘要背景研究人员已经开发了基于机器学习的ECG诊断算法,这些算法匹配甚至超过心脏病专家的性能水平。但是,它们中的大多数不能用于现实世界中,因为老年的ECG机器不允许安装新算法。目的是开发一种智能手机应用程序,该应用程序会自动从照片中提取ECG波形,并通过研究人员构建的各种诊断算法将其转换为电压序列进行下游分析。方法是使用客观检测和图像分割模型从临床医生拍摄的照片中自动提取ECG波形的一种新型方法。模块化机器学习模型的开发是为了依次执行波形识别,脱离环线和比例校准。然后使用基于机器学习的心律分类器分析提取的数据。从40个516扫描和444张照片的ECG的结果波形自动提取。扫描13 258(96.8%)的12 828(96.8%)和5743中的5399(94.0%)被正确裁剪和标记。11 604 of 12 735(91.1%)扫描,5752中的5062(88.0%)拍摄的波形在自动环和噪声删除后获得了成功的电压时间信号提取。在概念验证示范中,使用ECGS的照片作为输入,使用ECGS的照片,可达到91.3%的敏感性,94.2%的敏感性,94.2%的特异性,95.6%的阳性预测价值,88.6%的负预测值和93.4%的F1得分。结论对象检测和图像分割模型允许从照片中自动提取ECG信号以进行下游诊断。这条新颖的管道规定了需要昂贵的ECG硬件升级的需求,从而为大规模实施基于机器学习的诊断算法铺平了道路。
用于教学生物技术的人工智能范式 Wilson Wen Bin Goh 1* 和 Chun Chau Sze 1* 1 南洋理工大学生物科学学院,新加坡 637551 * 通信地址:wilsongoh@ntu.edu.sg(Goh,WWB);ccsze@ntu.edu.sg(Sze,CC) 摘要(49 字)人工智能 (AI) 正在深刻改变生物技术创新。除了直接应用之外,它还是一种有用的工具,可用于自适应学习和在庞大的知识网络中建立新的概念联系,以促进生物技术的发展。我们讨论了一种与人工智能共同进化的生物技术教育新范式。 关键词 教育;人工智能;学生作为伙伴;体验式学习 生物技术建立在跨学科知识网络之上 生物技术广泛涉及多学科,一方面涉及修改和使用生物系统创造新产品,另一方面涉及应用技术解决生物问题。它利用生物过程工程、组学和基因编辑技术、材料科学、光学和电子工程等不同领域来挖掘生物系统的潜力。生物技术创新依赖于通过跨学科专家之间的协同学习、讨论和合作,在庞大的知识网络中建立有意义的联系。微阵列是一个典型的例子,它展示了精密工程、计算、化学、生物学、统计学和数学如何统一为一种测量基因表达的实用技术。该技术基于细胞的基本生物化学——核酸与自身的互补版本非常特异性地结合形成双链分子。理论上,通过这一生物学原理可以确定整体基因表达(即 mRNA 组的存在),但其他领域也需要发挥作用。精密工程可实现可重复大小的阵列,将基于 DNA 的基因探针序列定位到芯片的精确位置;化学有助于合成此类基因探针以及染料标签,以产生与结合样品数量相对应的荧光;电气工程有助于开发捕捉芯片图像所需的灵敏相机;计算机硬件开发产生了信号提取方法(将照片图像数字化为强度矩阵);统计和数学方法有助于执行背景校正、标准化、识别有趣的信号和挖掘重要的模式。最后,生物学家解释处理后的数据,并希望揭示相关的细胞机制。将不同的领域联系起来以产生创新是有意而有意义的。这种建立有意义的联系的过程是生物技术成功的关键公式,质谱蛋白质组学、下一代测序和合成生物学也是如此。生物技术人员不仅需要从许多学科中学习,还需要学习如何建立有意义的联系。他们可以在这方面做得更好,其中一种方法就是创新生物技术