XiaoMi-AI文件搜索系统
World File Search System卷积
图形卷积网络辅助海洋变量预测，其时空进化的多特征学建模
摘要 - 海洋变量的变化，例如海面温度（SST）和叶绿素-A（CHL-A），对海洋生态系统和全球气候变化具有重要意义。可以使用依赖卷积神经网络的深度学习方法来提取海洋变量预测的空间相关性。然而，在某些地区（例如土地和岛屿）对海洋变量预测无效的情况下，这些方法具有影响。相比之下，图形卷积网络（GCN）能够捕获不规则数据中存在的大规模空间依赖性。因此，在本文中，我们提出了一种基于GCN的预测海洋变量的方法，即SST和CHL-A，称其为OVPGCN，以实现高清。提出的OVPGCN由三个模块组成，旨在通过对时空动力学演化的多特征进行建模，以完全提取空间相关性和时间依赖性。特别是，在最近的时空序列，不同站点之间的空间差异和历史数据中的周期性特征中，实现了三个模块来提取固定和非平稳变化。精心设计的OVPGCN适用于Bohai Sea和South South South Sea（NSCS）的每月SST和CHL-A预测。性能表明，所提出的OVPGCN非常有效，并使预测准确性比最先进的方法更高。
对基于FPGA的优化和深度学习卷积神经网络的应用
Petri Nets [1]通常用作业务流程管理领域方法和技术的数学基础。因此，拥有用于建模和分析培养皿网的工具支持对学科很重要。这种支持促进了基于培养皿网理论的新方法和技术的发展。同时，它可以用来向学生讲授培养皿。鉴于Python中分析方法和技术的发展不断增长，因此拥有一个支持创建此类方法的Python库是非常有益的。SIMPN提供了这样的基于Python的库，用于建模和模拟定时的彩色培养皿网。它提供了可视化Petri Net模拟的高级功能，以及重复，热身时间和报告等基本仿真功能。这包括以事件日志的形式报告，以允许使用过程挖掘工具进行分析。此外，它支持开发高级建模语言的模拟，包括业务流程模型和符号（BPMN），利用同一库进行可视化。库还支持Python函数的集成。如果使用此类功能来建模（代码）计划或优化功能，这特别有用，因为这样可以在正在模拟的业务过程的背景下评估此类功能。
使用发作间期癫痫样放电波形和卷积神经网络筛查脑电图中的癫痫发作
人工智能 (AI) 与医疗物联网 (MIoT) 的整合正在迅速推进，通过分析脑电图 (EEG) 中的发作间期癫痫样放电 (IED)，在检测癫痫等疾病方面取得了重大进展。EEG 数据的可用性促进了包括癫痫发作检测在内的创新应用的创建。虽然神经科医生传统上依靠 EEG 数据分析来识别癫痫发作，但手动评估 EEG 脑电波是一个费力而复杂的过程，给专家带来了很大的压力。本文介绍了一种基于 EEG 波形自动检测 IED 的简单卷积神经网络 (CNN) 方法。这种方法通过预测癫痫发作并及时干预，有助于减轻癫痫患者的负担。它还减轻了神经科医生和经验不足的专家的工作量，从而加快了诊断过程。所提出的方法是通过利用一系列描绘每个传感器上 EEG 信号幅度的图像来实现的。研究将参与者分为两组：（A）健康个体和（B）癫痫患者。结果显示，与人类专家诊断相比，准确率高达 96.4%，展示了该方法在脑电图数据中检测癫痫发作的有效性和实用性。
黎曼方法与卷积神经网络
摘要 目的。迄今为止，在基于 EEG 的脑机接口中，黎曼解码方法与深度卷积神经网络的全面比较仍未在已发表的研究中出现。我们使用 MOABB（所有 BCI 基准之母）来解决这一研究空白，将新型卷积神经网络与最先进的黎曼方法进行比较，这些方法涉及广泛的 EEG 数据集，包括运动想象、P300 和稳态视觉诱发电位范式。方法。我们使用 MOABB 处理管道系统地评估了卷积神经网络（特别是 EEGNet、浅层 ConvNet 和深度 ConvNet）与成熟的黎曼解码方法的性能。该评估包括会话内、跨会话和跨受试者方法，以提供模型有效性的实用分析，并找到在不同实验设置中表现良好的整体解决方案。主要结果。我们发现在会话内、跨会话和跨受试者分析中，卷积神经网络和黎曼方法之间的解码性能没有显着差异。意义。结果表明，在使用传统的脑机接口范式时，在许多实验环境中，CNN 和黎曼方法之间的选择可能不会对解码性能产生重大影响。这些发现为研究人员提供了灵活性，可以根据诸如易于实施、计算效率或个人偏好等因素选择解码方法。
Bionne任务概述在Bioasq 2024 上的生物医学嵌套的nested nested nested。 生成的AI是否可以成为学术论文的审稿人？ Clef 2024 Joker任务2：根据类型和技术使用BERT和随机森林分类器进行幽默分类 bcav：基于BERT和CNN笔记本电脑的集成在Clef 2024 使用讽刺和讽刺来使HRI 中的不确定性 带有正则辍学的验证生成文本作者资格模型 对基于FPGA的优化和深度学习卷积神经网络的应用的应用 Digi-nose第2部分：使用传感器技术提高数字鼻系统的准确性和效率，以尽早发现森林变化 simpn：用于建模和模拟定时的彩色培养皿的Python库
摘要人工智能（AI）在学术评估中的应用是学术界的重要主题之一。广泛采用了生成AI（Genai）和大语言模型等技术似乎引入了新的学术评估机会。Genai是否具有进行学术评估的能力以及其能力与人类专家的能力之间存在什么差异的问题成为首先需要解决的主要问题。在这项研究中，我们开发了一系列评估标准和过程，以研究细胞生物学领域的853次同行评审后的论文，旨在观察Genai和人类专家之间的评分和评论风格的差异。我们发现，Genai给出的分数往往高于专家的分数，并且评估文本缺乏实质性内容。结果表明，Genai目前无法提供人类专家提供的理解和微妙分析的深度。
卷积神经网络可以识别与解码空间听觉注意力有关的大脑相互作用
人类听众有能力在多人说话的环境中将注意力集中到单个说话者身上。选择性注意的神经关联可以从一次脑电图 (EEG) 数据试验中解码出来。在本研究中，利用源重建和解剖解析的 EEG 数据作为输入，我们试图将 CNN 用作可解释的模型来揭示大脑区域之间特定于任务的交互，而不是简单地将其用作黑匣子解码器。为此，我们的 CNN 模型专门设计用于从五秒输入中学习 10 个皮质区域的成对交互表示。通过专门利用这些特征进行解码，我们的模型能够达到参与者内分类的 77.56% 和参与者间分类的 65.14% 的中位准确率。通过消融分析以及剖析模型特征和应用聚类分析，我们能够辨别出以 alpha 波段为主导的半球间相互作用，以及以 alpha 和 beta 波段为主导的相互作用，这些相互作用要么是半球特有的，要么以左右半球之间的对比模式为特征。对于参与者内部解码，这些相互作用在顶叶和中央区域更为明显，但对于跨参与者解码，这些相互作用在顶叶、中央和部分额叶区域更为明显。这些发现表明，我们的 CNN 模型可以有效利用已知在听觉注意力任务中很重要的特征，并表明将领域知识启发的 CNN 应用于源重建的 EEG 数据可以为研究与任务相关的大脑相互作用提供一个新颖的计算框架。
使用优化的卷积神经网络进行脑肿瘤检测和分类
1 计算机科学系，萨希瓦尔校区，COMSATS 大学伊斯兰堡，萨希瓦尔 57000，巴基斯坦；muhammadaamir@cuisahiwal.edu.pk（MA）；sehrishjonaid@gmail.com（SM） 2 计算机科学系，拉合尔高级大学，拉合尔 54000，巴基斯坦 3 人工智能中心，计算机与信息系统学院，麦地那伊斯兰大学，麦地那 42351，沙特阿拉伯；naljohani@iu.edu.sa 4 计算机科学系，北部边境大学科学学院，阿拉尔 73213，沙特阿拉伯 5 信息技术学院，吉达大学，吉达 23218，沙特阿拉伯；yaalsahafi@uj.edu.sa 6 计算机科学与工程学院，泰巴大学，麦地那 42353，沙特阿拉伯； fotibi@taibahu.edu.sa * 通信地址：a.namoun@iu.edu.sa（AN）；meshari.alanazi@nbu.edu.sa（MHA）
使用卷积神经网络在视网膜图像中对眼病的分类
ABSTRAK ............................................................................................................ vii
将卷积神经网络与注意力机制相结合，实现基于磁共振成像的脑肿瘤分类
1 哈尔滨工业大学电子信息工程学院，哈尔滨 150001，中国；zahid.rasheed@hit.edu.cn（ZR）；yk_ma@hit.edu.cn（Y.-KM）2 嘉泉大学计算机工程系，韩国城满区 13120 3 天际线大学学院计算机学院，沙迦大学城，沙迦 1797，阿拉伯联合酋长国；mahmoudalkhasawneh@outlook.com 4 应用科学私立大学应用科学研究中心，安曼 11931，约旦 5 贾达拉大学研究中心，贾达拉大学，伊尔比德 21110，约旦 6 卡西姆大学公共卫生与健康信息学学院健康信息学系，卡西姆 51452，沙特阿拉伯； ssmtiery@qu.edu.sa 7 沙特阿拉伯阿卜哈 61421 哈立德国王大学应用医学科学学院基础医学科学系；mabohashrh@gmail.com * 通信地址：inam.fragrance@gmail.com