XiaoMi-AI文件搜索系统
World File Search System其伪
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
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
Photonic伪影中的比率发光纳米热度法
摘要：科学和技术的持续发展需要在越来越高的空间分辨率下进行温度测量。具有温度敏感发光的纳米晶体是提供高精度和远程读取的这些应用的流行温度计。在这里，我们证明了比率发光热实验可能会遭受纳米结构环境中的系统误差。我们将基于灯笼的发光纳米热计处于距AU表面高达600 nm的控制距离。尽管这种几何形状不支持吸收或散射谐振，但由于光态的变化密度变化导致温度计的变形导致高达250 K的温度读出误差。我们的简单分析模型解释了温度计发射频率，实验设备以及误差幅度的样品的效果。我们在几种实验场景中讨论了我们发现的相关性。这种错误并不总是发生，但是在反映界面或散射对象附近的测量中可以预期它们。关键字：光子学，光态的密度，温度传感，纳米晶，灯笼的发射
基于超低功耗实时机器学习的 fNIRS 运动伪影检测
摘要 — 由于迭代矩阵乘法或梯度计算，机器学习模块通常需要大量的处理能力和内存。因此，它们通常不适用于处理能力和内存有限的可穿戴设备。在本研究中，我们提出了一种用于功能性近红外光谱 (fNIRS) 系统的超低功耗、基于实时机器学习的运动伪影检测模块。我们实现了 97.42% 的高分类准确率、38 354 个查找表和 6024 个触发器的低现场可编程门阵列 (FPGA) 资源利用率以及 0.021 W 的动态功耗。这些结果优于传统的 CPU 支持向量机 (SVM) 方法和其他最先进的 SVM 实现。这项研究表明，可以利用基于 FPGA 的 fNIRS 运动伪影分类器，同时满足低功耗和资源限制，这在嵌入式硬件系统中至关重要，同时保持高分类准确率。
伪cospora ulei的高质量基因组组装对天然橡胶树的主要威胁
伪cospora ulei是南美叶枯萎病（SALB）的因果，这是影响hevea brasiliensis橡胶树的主要疾病，这是亚马逊的本地物种。橡胶树是南美国家的主要农作物，SALB疾病控制策略将受益于真菌病原体的基因组资源的可用性。在这里，我们组装并注释了P. ulei基因组。使用第二代和第三代测序技术进行shot弹枪测序。我们介绍了第一个P. ulei高质量的基因组组件，是Mycosphaerellaceae中最大的，具有93.8 MBP，包括215个脚手架，N50的2.8 MBP和BUSCO基因完整性为97.5％。我们在P. Ulei基因组中鉴定了12,745个蛋白质编码基因模型，其中756个基因编码了分泌的蛋白质和113个编码效应子候选物的基因。大多数基因组（80％）由吉普赛超家族的逆转录子主导的重复元素组成。ulei在Mycosphaerellaceae中具有最大的基因组大小，TE含量最高。总而言之，我们为对ULEI和相关物种的广泛研究建立了基本资源。
使用BCI使用情感分类的情感伪录制系统-Wiss
情绪观察可以分为三类：心理指标，行为指标和生理指标[74]。心理指标衡量内部心理状态，行为指标衡量外部行为和表现，生理指标衡量生理反应和身体状态。此外，心理指标是通过问卷调查和访谈来进行的，可以与其他客观指标结合使用。在使用行为指标分类的影响分类中，使用各种方法进行了影响分类。例如，在基于语音的情感分类中，Issa等人。对于八个类别（悲伤，幸福，愤怒，镇定，恐惧，惊喜，中立，厌恶）的准确性为71.61％，七个类别为86.1％，四个类别为64.3％[23]。 Jayalekshmi及其同事还提出了一种自动识别图像中面部表情的方法，从而达到了90.14％至七个类别的分类精度[24]。此外，Lim等人。提出了一种在虚拟环境中在情绪分类中使用学生位置的方法，其准确性高达59.19％[30]。另一方面，使用生理指标，EEG信号一直在情绪分类中引起人们的注意。脑电图信号是无意识的生理信号，与其他方法相比，很难有意识地操纵情绪分类的结果[31]。此外，脑电图具有很高的时间分辨率，并且可以在毫秒内检测情绪状态[6，11]。 Balconi及其同事使用视频在实验中引起特定的情绪，并表明在诱导情绪后，脑波变化了150毫秒250毫秒，表明脑波对情绪变化敏感[65]。 Valenti等。使用脑电图数据[66]，还达到了四类（有趣，令人恶心，悲伤，中立）的高精度（有趣，令人恶心，悲伤，中性）的高精度。在这项研究中，我们使用脑电图数据将用户的情绪分为四类：喜悦，愤怒，悲伤，幸福。使用脑电图的情绪分类是情绪观察的强大工具，因为与其他方法相比，它允许更高的准确性和时间分辨率。此外，已经提出，可以使用脑电图信号估算甲氨虫的人的情绪状态[2]。因此，使用脑电图的情绪分类是心血症患者的最佳方法，这使得很难识别自己的情绪。
基于机器学习的基于伪动态破裂发生器，用于几何粗糙故障
1。Guatteri，M.，Mai，P.M。，＆Beroza，G。C.（2004）。 用于强型地面运动预测的动态破裂模型的伪纳米近似。 美国地震学会的公告，94（6），2051- 2063年。 2。 Graves，R。W.和Pitarka，A。 （2010）。 使用混合方法宽带地面运动模拟。 美国地震学会的公告，100（5a），2095– 2123。 3。 Graves，R。和Pitarka，A。 （2016）。 在粗大断层上进行的运动地面运动模拟，包括3D随机速度扰动的影响。 美国地震学会的公告。 4。 Song，S.-G.，Dalguer，L。A.，＆Mai，P.M。（2013）。 具有1分和2分统计的地震源参数的伪动态源建模。 Geophysical Journal International，196（3），1770– 1786年。 5。 Mai，P.M.，Galis，M.，Thingbaijam，K.K.S.，Vyas，J.C。，＆Dunham，E。M.（2018）。 伪动力地面动作模拟中的故障粗糙度。 纯净和应用的地球物理Pageoph，174（9），3419–3450。 6。 Zongyi Li，Nikola Kovachki，Kamyar Azizzadenesheli，Burigede Liu，Kaushik Bhattacharya，Andrew Stuart和Anima Anandkumar。 参数偏微分方程的傅立叶神经操作员，2020。 7。 Andrews，D。J. （2005）。 破裂动力学，能量损失在滑动区域之外。 地球物理研究杂志，110，B01307。 8。 9。 10。Guatteri，M.，Mai，P.M。，＆Beroza，G。C.（2004）。用于强型地面运动预测的动态破裂模型的伪纳米近似。美国地震学会的公告，94（6），2051- 2063年。2。Graves，R。W.和Pitarka，A。（2010）。使用混合方法宽带地面运动模拟。美国地震学会的公告，100（5a），2095– 2123。3。Graves，R。和Pitarka，A。（2016）。在粗大断层上进行的运动地面运动模拟，包括3D随机速度扰动的影响。美国地震学会的公告。4。Song，S.-G.，Dalguer，L。A.，＆Mai，P.M。（2013）。具有1分和2分统计的地震源参数的伪动态源建模。Geophysical Journal International，196（3），1770– 1786年。5。Mai，P.M.，Galis，M.，Thingbaijam，K.K.S.，Vyas，J.C。，＆Dunham，E。M.（2018）。 伪动力地面动作模拟中的故障粗糙度。 纯净和应用的地球物理Pageoph，174（9），3419–3450。 6。 Zongyi Li，Nikola Kovachki，Kamyar Azizzadenesheli，Burigede Liu，Kaushik Bhattacharya，Andrew Stuart和Anima Anandkumar。 参数偏微分方程的傅立叶神经操作员，2020。 7。 Andrews，D。J. （2005）。 破裂动力学，能量损失在滑动区域之外。 地球物理研究杂志，110，B01307。 8。 9。 10。Mai，P.M.，Galis，M.，Thingbaijam，K.K.S.，Vyas，J.C。，＆Dunham，E。M.（2018）。伪动力地面动作模拟中的故障粗糙度。纯净和应用的地球物理Pageoph，174（9），3419–3450。6。Zongyi Li，Nikola Kovachki，Kamyar Azizzadenesheli，Burigede Liu，Kaushik Bhattacharya，Andrew Stuart和Anima Anandkumar。参数偏微分方程的傅立叶神经操作员，2020。7。Andrews，D。J. （2005）。 破裂动力学，能量损失在滑动区域之外。 地球物理研究杂志，110，B01307。 8。 9。 10。Andrews，D。J.（2005）。破裂动力学，能量损失在滑动区域之外。地球物理研究杂志，110，B01307。8。9。10。Tinti，E.，Fukuyama，E.，Piatanesi，A。，＆Cocco，M。（2005）。 运动源时间函数与地震动力学兼容。 美国地震学会的公告，95，1211–1223。 Mai，P。M.和Beroza，G。C.（2002）。 一个空间随机场模型，以表征地震滑移中的复杂性。 地球物理研究杂志，107（B11），2308。 Mai，下午，Spudich，P.，Botwright，J。；有限源破裂模型中的低中心位置。 美国地震学会公告200； 95（3）：965–980。Tinti，E.，Fukuyama，E.，Piatanesi，A。，＆Cocco，M。（2005）。运动源时间函数与地震动力学兼容。美国地震学会的公告，95，1211–1223。Mai，P。M.和Beroza，G。C.（2002）。 一个空间随机场模型，以表征地震滑移中的复杂性。 地球物理研究杂志，107（B11），2308。 Mai，下午，Spudich，P.，Botwright，J。；有限源破裂模型中的低中心位置。 美国地震学会公告200； 95（3）：965–980。Mai，P。M.和Beroza，G。C.（2002）。一个空间随机场模型，以表征地震滑移中的复杂性。地球物理研究杂志，107（B11），2308。Mai，下午，Spudich，P.，Botwright，J。；有限源破裂模型中的低中心位置。 美国地震学会公告200； 95（3）：965–980。Mai，下午，Spudich，P.，Botwright，J。；有限源破裂模型中的低中心位置。美国地震学会公告200； 95（3）：965–980。
基于学习的基于学习的运动伪影在功能近红外光谱中的去除
尽管多年来FNIRS技术得到了改进，但FNIRS数据集的处理仍然是一项艰巨的任务。尤其是，由于Optodes和Scalp之间的耦合变化而导致的运动伪影识别并纠正并纠正了很难且耗时。此类伪影表示为时间序列信号中的峰值或偏移。由于峰或移位的幅度通常比血液动力学反应功能（HRF）高得多，因此FNIRS信号被显着污染，并且不会反映皮质激活。当头部和四肢的运动在实验方案中不可避免甚至需要时，这种现象就会更明显，例如语音，17个步行，18和手术任务。11，12最近，由于可穿戴或无线FNIRS设备（19，20）的升高，该问题加剧了这些设备的移动范围，用于跑步或团队工作，这些设备更容易受到运动文物的影响。因此，消除运动伪影的有效方法对于在这些情况下利用FNIR是必不可少的。多年来开发的一些策略包括在数据处理过程中保留任何具有运动伪像的试验。仅当收集大型数据集并且不是当前的主要实践时才使用。另一种策略是通过视觉检查识别具有运动伪影的试验/通道，或在普遍的FNIRS数据处理工具箱Homer2中使用诸如HMRMotionArtifact功能之类的功能，然后从进一步分析中丢弃它们。为例，参考。35最近的研究36不过，最合适的方法是使用高级时间序列数据处理方法处理这些试验/通道。这些包括样条插值，21小波滤波，22个主成分分析（PCA），23 Kalman滤波，24和基于相关的信号改进（CBSI）。25这些方法的性能在很大程度上取决于一组假设，以描述运动伪影和参数相关调整的主观选择（表1）。29证明，选择PCA参数，即PCA删除27为0.80和0.97的数据中的方差百分比产生了显着不同的结果。因此，高度可取的方法，不需要对参数的主观微调或不依赖严格的假设的方法。在这里，我们提出了一种自动学习噪声特征的深度学习方法。在过去十年中，深度神经网络已成为一种强大的工具，可以快速有效地抑制图像数据集中的噪声。深度学习模型已被证明可以增强竞争性降解结果，同时与召开方法相比，保留了更多纹理细节。30 - 33深度学习网络在应用于医学成像问题时也表现出卓越的性能。例如，denoising自动编码器（DAE）模型可以Denoise乳房X线照片[结构相似性指数量度（SSIM）从0.45到0.73]和Dental X射线数据（SSIM从0.62到0.86）。34 A DAE模型的峰值信噪比（PSNR）和SSIM高10％，而SSIM比胸部辐射图中的常规算法高。
使用双级中值滤波器实时消除运动伪影
功能性近红外光谱 (fNIRS) 是一种新兴的非侵入式脑机接口 (BCI) 技术。快速获取精确的脑信号对于成功的 BCI 至关重要。本文研究了一种实时滤波技术，以消除 fNIRS 信号中的运动伪影 (MA) 和低频漂移。使用文献中的气球模型和实验范例生成两种波长的光强度。生成两种类型的 MA（尖峰状和阶梯状）和低频漂移，并将其添加到模拟的两种波长的光强度中。提出了一种新的双级中值滤波器 (DSMF) 来恢复未受污染的信号。使用五个评估指标来确定双滤波器的最佳窗口大小：第一个中值滤波器为 4 s 和 9 s，第二个中值滤波器为 18 s。使用相同的指标将所提出的方法与基于小波的 MA 校正方法和样条插值方法进行了比较。结果表明，所提方法在衰减 MA 和信号失真方面优于比较方法。最后，将设计的 DSMF 应用于来自八名健康受试者的实验数据，其中通过要求受试者摇头来引入 MA。所提方法的滤波数据显示信号干净，没有 MA 和低频漂移。
卷积神经网络的实现，用于从脑电信号中去除眨眼伪影
技术和生理伪影会干扰脑电图 (EEG) 信号。最常见的伪影之一是受试者眼球运动和眨眼产生的自然活动。眨眼伪影 (EB) 遍布整个头部表面，使 EEG 信号分析变得困难。消除眼电图 (EOG) 伪影的方法已知，例如独立成分分析 (ICA) 和回归。本文旨在实现卷积神经网络 (CNN) 以消除眨眼伪影。为了训练 CNN，提出了一种增强 EEG 信号的方法。将从 CNN 获得的结果与 ICA 和回归方法的结果进行比较，以比较生成的和真实的 EEG 信号。所得结果表明，CNN 在消除眨眼伪影的任务中表现更好，尤其是对于位于头部中央部分的电极。