XiaoMi-AI文件搜索系统
World File Search System单次
使用 EEGNet 和神经网络进行单次试验脑电图分类 ...
摘要 — 研究和开发新的机器学习技术来增强脑机接口 (BCI) 的性能一直是研究人员感兴趣的领域。开发稳健且通用的分类器一直是 BCI 在实际应用中的重要要求之一。EEGNet 是一个紧凑的 CNN 模型，据报道它可以推广到不同的 BCI 范式。在本文中，我们旨在通过采用神经结构化学习 (NSL) 进一步改进 EEGNet 架构，该学习利用数据中的关系信息来规范神经网络的训练。这将允许 EEGNet 做出更好的预测，同时保持输入的结构相似性。除了更好的性能之外，EEGNet 和 NSL 的组合更加稳健，适用于较小的训练样本，并且需要单独的特征工程，从而节省计算成本。所提出的方法已经在两个标准运动图像数据集上进行了测试：第一个是来自格拉茨大学的两类运动图像数据集，第二个是来自 2008 年 BCI 竞赛的 4 类数据集 2a。准确性表明，我们结合 EEGNet 和 NSL 的方法优于单一 EEGNet 模型。
社交 - vrnn：互动行人的单次多模式轨迹预测
摘要：人类动议的预测是对人类自主机器人安全导航的关键。在混乱的环境中，由于其与环境和其他脚步的相互作用，可能会有几种运动假设。以前用于估计多个运动假设的工作需要大量样本，这限制了其在实时运动计划中的适用性。在本文中，我们提出了一种基于深层生成神经网络的相互作用和多模式轨迹预测的变分学习方法。我们的方法可以实现更快的收敛性，并且与最新方法相比，需要更少的样本。对真实和模拟数据的实验结果表明，我们的模型可以有效地学习推断出不同的轨迹。我们将我们的方法与三种基线方法进行了比较，目前的性能结果表明，我们的生成模型可以通过产生各种轨迹来实现轨迹预测的更高准确性。
M16C/26 应用说明 在单次模式下使用 A-D 转换器
1.本文档中包含的所有信息截至本文档发布之日均为最新信息。但此类信息如有变更，恕不另行通知。在购买或使用此处列出的任何瑞萨电子产品之前，请与瑞萨电子销售办事处确认最新产品信息。此外，请定期仔细关注瑞萨电子将披露的其他信息和不同信息，例如通过我们的网站披露的信息。2.对于因使用本文档中描述的瑞萨电子产品或技术信息而导致的或由此引起的第三方专利、版权或其他知识产权的侵权，瑞萨电子不承担任何责任。在此不授予瑞萨电子或其他方的任何专利、版权或其他知识产权的明示、暗示或其他许可。3.您不得更改、修改、复制或以其他方式盗用瑞萨电子产品，无论是全部还是部分。4.本文档中提供的电路、软件和其他相关信息的描述仅用于说明半导体产品的操作和应用示例。您完全有责任将这些电路、软件和信息纳入您的设备设计中。瑞萨电子对您或第三方因使用这些电路、软件或信息而遭受的任何损失不承担任何责任。5.出口本文档中描述的产品或技术时，您应遵守适用的出口管制法律法规，并遵循此类法律法规要求的程序。您不得将瑞萨电子产品或本文档中描述的技术用于与军事应用或军事用途有关的任何目的，包括但不限于开发大规模毁灭性武器。瑞萨电子产品和技术不得用于或纳入任何适用的国内外法律或法规禁止制造、使用或销售的产品或系统。6.瑞萨电子已合理谨慎地准备本文档中包含的信息，但瑞萨电子不保证此类信息没有错误。对于因本文中包含的信息的错误或遗漏而导致您遭受的任何损失，瑞萨电子不承担任何责任。7.瑞萨电子产品根据以下三个质量等级进行分类：“标准”、“高质量”和“特定”。瑞萨电子产品的推荐应用取决于产品的质量等级，如下所示。在特定应用中使用瑞萨电子产品之前，您必须检查其质量等级。未经瑞萨电子事先书面同意，您不得将任何瑞萨电子产品用于任何归类为“特定”的应用。此外，未经瑞萨电子事先书面同意，您不得将任何瑞萨电子产品用于任何非预期应用。如果您未事先获得瑞萨电子的书面同意，而将任何瑞萨电子产品用于归类为“特定”的应用或产品不适用的应用，瑞萨电子将不以任何方式对您或第三方造成的任何损害或损失负责。除非瑞萨电子数据表或数据手册等另有明确规定，否则每款瑞萨电子产品的质量等级均为“标准”。
基于DNA的福克罗诺探针，用于单次单独...
摘要：组织培养物，尤其是脑器官的分析，进行了高度的协调，测量和监测。我们已经开发了一个自动化的研究平台，使独立设备能够实现以反馈驱动的细胞培养研究实现协作目标。由物联网（IoT）体系结构统一，我们的方法可以在各种感应和驱动设备之间进行连续的，交流的互动，从而实现了对体外生物学实验的准时控制。该框架整合了微流体，电生理学和成像装置，以维持脑皮质器官并监测其神经元活性。类器官是用定制的3D打印室进行培养的，该腔室附着在商业微电极阵列上，用于电生理监测。使用可编程的微流体泵实现周期性喂养。我们开发了抽吸培养基的计算机视觉量估计，达到了高精度，并使用了反馈，以纠正媒体喂养/抽吸周期中微流体灌注的偏差。我们通过比较手动和自动化方案的7天研究对系统进行了为期7天的研究。自动化的实验样品在整个实验过程中保持了强大的神经活性，与对照样品相当。自动化系统启用了每小时的电生理记录，该记录揭示了在每天一次的录音中未观察到神经元发射率的巨大时间变化。
使用深度信念网络对 P300 单次试验进行分类......
摘要 — 脑机接口 (BCI) 旨在让用户能够仅通过思维过程与机器交互。针对轻度和重度运动障碍患者的 BCI 尤其令人感兴趣，因为这种技术将改善他们的生活方式。本文重点研究了使用深度信念网络对脑电图中单次试验的 P300 波形进行分类，以用于 BCI。这种深度学习算法能够自动从受试者的脑电图数据中识别相关特征，使其训练所需的预处理阶段更少。该网络在健康受试者和中风后患者身上进行了测试。健康受试者的最高准确率为 91.6%，中风后患者的准确率为 88.1%。索引术语 — 脑机接口、中风患者、脑电图、深度信念网络
M16C/26 应用说明 在单次模式下使用 A-D 转换器
1.本文档中包含的所有信息截至本文档发布之日均为最新信息。但此类信息如有变更，恕不另行通知。在购买或使用此处列出的任何瑞萨电子产品之前，请与瑞萨电子销售办事处确认最新产品信息。此外，请定期仔细关注瑞萨电子将披露的其他信息和不同信息，例如通过我们的网站披露的信息。2.对于因使用本文档中描述的瑞萨电子产品或技术信息而导致的或由此引起的第三方专利、版权或其他知识产权的侵权，瑞萨电子不承担任何责任。在此不授予瑞萨电子或其他方的任何专利、版权或其他知识产权的明示、暗示或其他许可。3.您不得更改、修改、复制或以其他方式盗用瑞萨电子产品，无论是全部还是部分。4.本文档中提供的电路、软件和其他相关信息的描述仅用于说明半导体产品的操作和应用示例。您完全有责任将这些电路、软件和信息纳入您的设备设计中。瑞萨电子对您或第三方因使用这些电路、软件或信息而遭受的任何损失不承担任何责任。5.出口本文档中描述的产品或技术时，您应遵守适用的出口管制法律法规，并遵循此类法律法规要求的程序。您不得将瑞萨电子产品或本文档中描述的技术用于与军事应用或军事用途有关的任何目的，包括但不限于开发大规模毁灭性武器。瑞萨电子产品和技术不得用于或纳入任何适用的国内外法律或法规禁止制造、使用或销售的产品或系统。6.瑞萨电子已合理谨慎地准备本文档中包含的信息，但瑞萨电子不保证此类信息没有错误。对于因本文中包含的信息的错误或遗漏而导致您遭受的任何损失，瑞萨电子不承担任何责任。7.瑞萨电子产品根据以下三个质量等级进行分类：“标准”、“高质量”和“特定”。瑞萨电子产品的推荐应用取决于产品的质量等级，如下所示。在特定应用中使用瑞萨电子产品之前，您必须检查其质量等级。未经瑞萨电子事先书面同意，您不得将任何瑞萨电子产品用于任何归类为“特定”的应用。此外，未经瑞萨电子事先书面同意，您不得将任何瑞萨电子产品用于任何非预期应用。如果您未事先获得瑞萨电子的书面同意，而将任何瑞萨电子产品用于归类为“特定”的应用或产品不适用的应用，瑞萨电子将不以任何方式对您或第三方造成的任何损害或损失负责。除非瑞萨电子数据表或数据手册等另有明确规定，否则每款瑞萨电子产品的质量等级均为“标准”。
通过单次静脉注射载体进行体内碱基编辑以治疗血红蛋白病
简介 自体造血干细胞 (HSC) 基因疗法治疗血红蛋白病已显示出良好的临床疗效 (1–4)。然而，目前的方案包括分离患者 HSC、使用整合载体进行体外基因改造以及在骨髓毒性 BM 调理后重新输注改造后的 HSC，这些方案在技术上很复杂且成本高昂。我们正试图开发一种体内 HSC 基因治疗方法，这种方法不需要骨髓消融和整合载体，而且在技术上更容易。在这种方法中，我们使用衣壳修饰的辅助依赖性 HDAd5/35++ 载体 (1, 2)。这些载体靶向 CD46，这是一种在原始 HSC 上表达的受体 (2, 3)。在通过常规用于 HSC 动员/收获的药剂将 HSC 从 BM 动员后，将 HDAd5/35++ 载体静脉注射。动员的 HSC 在周围时被转导。大部分 HSC 返回 BM。动员造血干细胞对于体内转导至关重要，因为在骨髓中，造血干细胞被细胞外基质蛋白包围（4），基因转移载体无法接触（2）。为了扩增体内转导的造血干细胞，我们目前使用一种基于突变 O 6 -甲基鸟嘌呤-DNA 甲基转移酶（mgmt P140K）基因的体内选择机制，该基因可产生对 O 6 -BG/BCNU 的抗性
使用单次脑电图周期图进行基于视觉刺激的反应时间估计的深度神经网络
摘要：多路复用深度神经网络 (DNN) 已经产生了高性能预测模型，这些模型在解码以脑电图 (EEG) 信号形式广泛收集的脑电波方面越来越受欢迎。在本文中，据我们所知，我们介绍了一种基于 DNN 的通用方法，该方法使用 48 名参与者的视觉刺激反应实验中单次试验 EEG 的周期图表示来估计反应时间 (RT)。我们设计了一个全连接神经网络 (FCNN) 和一个卷积神经网络 (CNN) 来预测和分类每次试验的 RT。虽然深度神经网络因分类应用而广为人知，但我们通过将 FCNN/CNN 与随机森林模型级联，设计了一个基于回归的稳健估计器来预测 RT。使用 FCNN 模型，二分类和三类分类的准确率分别为 93% 和 76%，使用 CNN 后准确率进一步提高（分别为 94% 和 78%）。基于回归的方法预测了 RT，FCNN 和 CNN 的相关系数 (CC) 分别为 0.78 和 0.80。进一步研究发现，左中叶以及顶叶和枕叶对于预测 RT 至关重要，在 theta 和 alpha 频带中有显著活动。
