XiaoMi-AI文件搜索系统
World File Search System信号数据
用于静音语音接口的具有深度学习算法的超薄晶体硅基应变计
一种可视化每个区域受分类任务影响程度的方法。图 4d 展示了单词“ABSOLUTELY”和“AFTERNOON”的 R-CAM 结果。对于这两个词，我们的模型都关注 S2 传感器信号（第三行和第四行信号）显示主要特征运动的部分。关于单词“ABSOLUTELY”，我们的模型关注 0.6 秒时传感器 S2 的向下和向上凸起。关于“AFTERNOON”，同样，我们的模型在两种情况下都关注向下凸起的点，“AFTERNOON(i)”大约在 1 秒，“AFTERNOON(ii)”大约在 0.7 秒。结果表明，我们的模型并未过度拟合信号数据，而是关注阻力方差较大的特征信号部分。单词识别性能与 sEMG 的比较
丙泊酚麻醉中的意识和脑功能复杂性
大脑可能是人类已知的最复杂的系统，其复杂性被用来解释意识的出现。然而，复杂性已被多个不同领域以多种方式定义：在这里，我们研究了时间和拓扑域中的算法和过程复杂性的度量，并在从接受麻醉剂丙泊酚不同程度镇静的个体获得的功能性 MRI BOLD 信号数据上对其进行了测试，并在两个单独的数据集中复制了我们的结果。我们证明，各种测量方法能够以不同的方式区分镇静程度，时间测量显示出更高的灵敏度。此外，我们表明，所有测量都与一个解释大部分方差的单一底层结构密切相关，如主成分分析所评估的那样，我们将其解释为我们数据“整体复杂性”的度量。这种整体复杂性还能够区分镇静程度和丙泊酚的血清浓度，支持意识与复杂性相关的假设——与后者的测量方式无关。
用于生理生物信号的解缠对抗性迁移学习 /作者=Han, Mo；Ozdenizci, Ozan；Wang, Ye；Koike-Akino, Toshiaki；Erdogmus, Deniz /创建日期=2020 年 7 月 21 日 /主题=人工智能、人机交互、机器学习、信号处理
摘要 可穿戴传感器的最新发展为以有效和舒适的方式监测生理状态带来了希望。生理状态评估的一个主要挑战是迁移学习的问题，该问题是由不同用户或同一用户的不同记录会话中的生物信号域不一致引起的。我们提出了一种对抗性推理方法进行迁移学习，以从生理生物信号数据中提取解开的干扰鲁棒表示，以进行压力状态水平评估。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗性迁移学习方法也适用于其他深度特征学习框架。
医疗数据预训练：一项调查
摘要：医疗数据是指与常规患者护理相关或作为临床试验计划的一部分的健康相关信息。此类数据有很多类别，例如临床影像数据、生物信号数据、电子健康记录 (EHR) 和多模态医疗数据。随着近十年深度神经网络的发展，新兴的预训练范式已占据主导地位，因为它显著提高了机器学习方法在数据有限情况下的性能。近年来，医学领域的预训练研究取得了重大进展。为了总结这些技术进步，本文对几种主要医疗数据预训练的最新进展进行了全面调查。在本次调查中，我们总结了大量相关出版物和医学领域现有的基准。特别是，本调查简要描述了一些预训练方法如何应用于医疗数据或为医疗数据开发。从数据驱动的角度来看，我们研究了预训练在许多医疗场景中的广泛使用。此外，基于最近的预训练研究的总结，我们发现了该领域的几个挑战，以便为未来的研究提供见解。
利用深度强化学习共同优化电池存储，实现实时市场的能源套利和频率调节
摘要：电池储能系统 (BESS) 在消除可再生能源发电相关的不确定性、维持电网稳定性和提高灵活性方面发挥着关键作用。本文使用 BESS 同时提供能源套利 (EA) 和频率调节 (FR) 服务，以在物理约束范围内最大化其总收益。EA 和 FR 操作在不同的时间尺度上进行。多时间尺度问题被表述为两个嵌套的马尔可夫决策过程 (MDP) 子模型。该问题是一个复杂的决策问题，具有大量高维数据和不确定性（例如电价）。因此，提出了一种新颖的协同优化方案来处理多时间尺度问题，并协调 EA 和 FR 服务。使用三重深度确定性策略梯度和探索噪声衰减 (TDD-ND) 方法在每个时间尺度上获得最佳策略。使用来自美国 PJM 监管市场的实时电价和监管信号数据进行模拟。模拟结果表明，所提出的方法比文献中研究的其他策略表现更好。
利用深度强化学习共同优化电池存储，实现实时市场的能源套利和频率调节
摘要：电池储能系统 (BESS) 在消除可再生能源发电相关的不确定性、维持电网稳定性和提高灵活性方面发挥着关键作用。本文使用 BESS 同时提供能源套利 (EA) 和频率调节 (FR) 服务，以在物理约束范围内最大化其总收益。EA 和 FR 操作在不同的时间尺度上进行。多时间尺度问题被表述为两个嵌套的马尔可夫决策过程 (MDP) 子模型。该问题是一个复杂的决策问题，具有大量高维数据和不确定性（例如电价）。因此，提出了一种新颖的协同优化方案来处理多时间尺度问题，并协调 EA 和 FR 服务。使用三重深度确定性策略梯度和探索噪声衰减 (TDD-ND) 方法在每个时间尺度上获得最佳策略。使用来自美国 PJM 监管市场的实时电价和监管信号数据进行模拟。模拟结果表明，所提出的方法比文献中研究的其他策略表现更好。
使用卷积的 MEG 驱动情绪分类...
本文提出了一种基于新型脑磁图 (MEG) 数据集 CiNet 的新型多通道情绪分类方法。本文属于脑机接口 (BCI) 研究领域，因为它使用大脑活动数据来识别人类情绪。它应该是一个有价值的贡献和对比，因为大多数 BCI 研究使用脑电图 (EEG) 数据，主要来自 DEAP 数据集。使用卷积神经网络 (CNN) 和循环神经网络 (RNN) 的组合，系统将分析高保真数据，以尝试识别受试者的情绪状态。CNN 对空间信息进行编码，而 RNN 跟踪随时间的变化。每个部分都单独评估，也结合评估，以确定每个分析方面的贡献。这些模型变体在原始 MEG 信号和从信号中提取的功率谱密度 (PSD) 上进行了评估。实验结果表明，最佳模型是在原始信号数据上训练的 CNN+RNN 组合，在效价/唤醒分类任务上实现了 56.5% 的平均准确率。
医学数据中的预培训：调查
摘要：医学数据是指与常规患者护理相关的健康相关信息或作为临床试验计划的一部分。此类数据有许多类别，例如临床成像数据，生物信号数据，电子健康记录（EHR）和多模型医学数据。随着过去十年中深层神经网络的发展，新兴的预训练范式已成为主导，因为在数据限制的情况下，它已经显着改善了机器学习方法'的性能。近年来，医学领域的预培训的研究取得了重大进展。总结了这些技术进步，这项工作对几种主要类型的医疗数据进行预培训的最新进展提供了全面的调查。在这项调查中，我们概述了大量相关出版物和医疗领域中的现有基准测试。，调查简要描述了如何将某些预培训方法应用于医疗数据或开发。从数据驱动的角度来看，我们研究了许多医学方案中预训练的广泛使用。此外，根据最近培训前研究的摘要，我们在该领域中确定了几个挑战，以提供未来研究的见解。
解开生理生物信号的对抗性迁移学习
摘要 — 可穿戴传感器的最新发展为有效和舒适地监测生理状态提供了良好的结果。生理状态评估的一个主要挑战是迁移学习问题，这是由于不同用户或同一用户的不同记录会话的生物信号域不一致而导致的。我们提出了一种用于迁移学习的对抗推理方法，以从压力状态水平评估中的生理生物信号数据中提取解开的干扰鲁棒表示。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗迁移学习方法也适用于其他深度特征学习框架。索引词——压力水平评估、生理生物信号、对抗网络、迁移学习、深度神经网络、解耦表示学习
解开生理生物信号的对抗性迁移学习
摘要 — 可穿戴传感器的最新发展为有效和舒适地监测生理状态提供了良好的结果。生理状态评估的一个主要挑战是迁移学习问题，这是由于不同用户或同一用户的不同记录会话的生物信号域不一致而导致的。我们提出了一种用于迁移学习的对抗推理方法，以从压力状态水平评估中的生理生物信号数据中提取解开的干扰鲁棒表示。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗迁移学习方法也适用于其他深度特征学习框架。索引词——压力水平评估、生理生物信号、对抗网络、迁移学习、深度神经网络、解耦表示学习