XiaoMi-AI文件搜索系统
World File Search System噪声比
使用IoT
音频隐肌是一种将数据隐藏在WAV，MIDI，AVI，MPEG和MP3文件的音频文件中的技术。音频文件已充当秘密通信多媒体文件（文本，图像，音频和视频）的封面。最不重要的位算法（LSB）是音频隐肌的标准和传统算法。使用LSB算法隐藏在WAV的音频文件中的文本文件中。由组织内部或外部交换了由此产生的Stego音频文件，以促进具有安全性和不可识别性的远程诊断。将音频隐身与物联网合并，以机密性和完整性增强了医疗记录中的安全沟通。使用归一化的互相关测量盖子和Stego Audios中的相似性。平均平方误差（MSE），峰值信号噪声比（PSNR）和位错误率（BER）性能指标评估封面音频和Stego音频文件中的失真。使用远程医疗模型的IoT使用IoT的音频隐身术超过了Stego Audio清晰度，平均PSNR为34.5dB，较低的BER为0.00035。
植入传感器的神经刺激伪像去除伪像改善了信号清晰度和电动机的解码
随着对可靠和多功能控制的假肢的需求增加，肌电模式识别和植入传感器的最新进展已被证明具有很大的优势。另外，可以通过刺激残留神经来实现假体的感觉反馈，从而可以对假体进行闭环控制。然而，这种刺激会导致肌电图（EMG）信号中的干扰伪影，从而恶化假体的可靠性和功能。在这里，我们实施了两种实时刺激伪影算法，模板减法（TS）和ε范围的最小平均正方形（ε-NLMS），并研究了它们在植入了两种经过植入的具有神经奶酪的经过跨乳液中的植物和实时的肌关系中的性能和实时的肌肌摄影。我们表明，这两种算法都能显着提高信号 - 噪声比（SNR）和totifact-prount的EMG信号的图案识别精度。此外，两种算法都改善了主动神经刺激期间运动意图的实时解码。尽管这些结果取决于用户特定的传感器位置和神经刺激设置，但它们仍然代表了能够多功能控制和同时感觉反馈的双向神经肌肉骨骼假体的进步。
已发表版本的引用（APA）：He, Y., Corradi, F., Shi, C., van der Ven, S., Timmermans, M., Stuijt, J., Detterer, P., Harpe, P., Lindeboom, L
摘要 —本文介绍了一种生物启发的事件驱动神经形态传感系统 (NSS)，该系统能够执行片上特征提取和“发送增量”脉冲传输，针对外周神经记录应用。所提出的 NSS 采用基于事件的采样，通过利用神经电图 (ENG) 信号的稀疏性质，实现 > 125 × 的数据压缩比，同时在重建后保持 4% 的低归一化均方根误差 (NRMSE)。所提出的 NSS 由三个子电路组成。采用具有背景偏移校准的无时钟电平交叉 (LC) 模数转换器 (ADC) 来降低数据速率，同时保持高信号量化噪声比 (SQNR)。完全合成的脉冲神经网络 (SNN) 提取复合动作电位 (CAP) 信号的时间特征，功耗仅为 13 µW。事件驱动的脉冲式体通道通信 (Pulse-BCC) 采用序列化地址事件表示 (AER) 编码方案，可最大限度地降低传输能量和尺寸。原型采用 40 纳米 CMOS 制造，占用 0.32 平方毫米的有效面积，在特征提取和全功率传输中分别消耗 28.2 和 50 µW 的功率
一项针对小型卫星的LEO-PNT解决方案信号空间设计的可行性研究
摘要 - 全球导航卫星系统（GNSSS）越来越受到干扰，例如来自干扰器和欺骗者的干扰，它们的性能仍然在挑战城市和室内方面挑战。因此，全世界都在努力开发互补定位，导航和时机（PNT）解决方案。当前研究下的一种这种互补方法是所谓的Leo-PNT，即基于低地球轨道（LEO）卫星的PNT溶液，尤其是在小型或小型化的卫星上。此类卫星的建筑物，发射和维护成本低至中度。在设计新的Leo-PNT解决方案时将要克服几个挑战，并结合了所有三个卫星段：1）信号空间（SIS）或空间段； 2）接地段； 3）用户/接收器段。本文在无线通道传播障碍的固有约束下，对SIS设计挑战进行了调查，以及针对SIS功能的一些设计建议。我们基于MATLAB Quadriga Simulator，在现实无线通道模型下解决了不同的星座类型，可实现的覆盖范围和精度（GDOP）边界的几何稀释以及可实现的载体与噪声比（CNR）。我们还考虑了一方面的低成本/卫星数量低/低成本/较低的卫星数量，另一方面出现了良好的CNR，另一方面，轨道上的卫星数量低/较低，另一方面讨论了有关LEO-PNT SIS设计的几个优化标准。
基于人工智能的工业环境中超可靠低延迟服务性能预测
摘要 — 本文探讨了人工智能 (AI) 技术在工业物联网 (IIoT) 网络性能预测中的应用。在工业环境中，5G 超可靠低延迟通信 (URLLC) 旨在为具有非常严格延迟要求的关键服务提供服务，例如涉及协作机器人的服务。即使灵活的 5G 新无线电 (NR) 设计能够实现目标 IIoT 性能，也需要为 URLLC 提供和保留必要的频谱资源。因此，需要一种服务质量 (QoS) 预测方案来预测性能下降并采取必要的措施，例如网络资源配置或应用程序适配，例如进入适配模式。我们探索了用于工业环境中 QoS 预测的 AI 算法的设计，并比较了不同的回归和分类工具，包括神经网络 (NN) 和 K 最近邻 (K-NN)。我们探索基于信号与干扰和噪声比 (SINR) 的预测，或仅基于机器人在工厂内的位置的预测。由于延迟降低事件通常很少发生，我们观察到训练数据高度不平衡，导致预测准确率低。我们展示了如何通过重要性抽样技术和修改后的检测阈值（我们称之为 M-KNN 方案）来提高预测性能。
基于人工智能CNN的去噪对FDG PET放射组学的影响
成像方式如今已成为医学中必不可少的诊断工具。从 2009 年到 2019 年，美国的 CT、MRI 和 PET 检查数量分别增加了约 18%、42% 和 105%（1）。这种不断增长的需求已经超过了实际供应，导致法国/欧洲的 MRI 和 PET 扫描不合理地延迟了数周甚至数月（2）。适当的图像去噪可能有助于减少扫描时间，甚至减少 PET 的注射剂量。它可以增加检查次数，而不会影响太多工作时间或需要安装新的医学成像设备。深度学习作为人工智能 (AI) 的一个分支，可以构建有前景的去噪模型。我们专注于 PET 成像，因为它的扫描时间较长，因此去噪效果会更好。尽管许多研究实际上都在研究这种方法的临床表现，但它也可能影响其他新兴领域，如基于成像的预测模型、放射组学和其他 AI 应用 (3)。医学图像基本上是基于其密度 (CT)、磁性 (MRI) 或功能信息 (PET/SPECT) 的不同灰度级的视觉表示。灰度值的分布表征了信息的异质性。一个快速发展的领域称为放射组学，它提供了一种从图像中提取基于强度、形状、纹理的不同特征的方法，以构建预测模型 (4)。这种方法有望预测患者的结果。它们可能允许个性化治疗。例如，在肺癌中计算了一个包括放射组学特征的总体生存预测模型（5）。2013 年至 2018 年间，该领域的发表论文年增长率为 177.82%（6）。这些模型非常有前景，但仍需付出一些努力才能在常规临床环境中转化和实施它们（7）。人工智能在医学成像领域的应用尚处于早期阶段。在本文中，我们使用了深度学习，更具体地说是卷积神经网络方法，它们代表了人工智能技术的一个细分领域。如今，深度学习在图像重建、处理（去噪、分割）、分析和预测建模中发挥着关键作用。这些应用在未来将得到进一步发展（8）。在大多数这些任务中，它们的表现往往优于更传统的方法 ( 9 )。将这种基于 AI 的 PET/MR 去噪算法与临床数据进行比较，发现对比度与噪声比增加了 46.80 ± 25.23%，而仅使用高斯滤波器的对比度与噪声比仅为 18.16 ± 10.02%（10）。在（10）中研究的其他方法，如引导非局部均值、块匹配 4D 或深度解码器，分别将 CNR 提高了 24.35 ± 16.30%、38.31 ± 20.26% 和 41.67 ± 22.28%。也可以在重建期间执行去噪，但这无法在现有机器上实现。最重要的限制是所有这些方法都缺乏 FDA 或 CE 认证。我们的研究重点是 Subtle PET™（Subtle Medical，美国斯坦福，由法国 Incepto 提供）。它是一款经 FDA 和 CE 批准的 FDG PET（11）后处理去噪软件，基于卷积神经网络（CNN），这是最常见的图像处理深度学习架构。
基于贝叶斯的分类置信度估计用于增强SSVEP检测
摘要 - 大脑计算机界面（BCI）使人们能够直接与外围设备进行通信和操作。由于其快速通信速率和高信号噪声比，近年来，基于稳态的视觉诱发电位（SSVEP） - 基于BCI的系统已被广泛研究。许多当前的SSVEP识别方法通过发现最大的相关系数来确定目标类别。但是，当最大的系数与其余值没有显着差异时，分类性能通常会降低。这项研究提出了一种基于贝叶斯的分类置信估计方法，以增强基于SSVEP的BCI系统的目标识别性能。在我们的方法中，使用基本目标识别方法产生的最大值和其他值之间的差异用于在训练过程中定义特征向量。使用高斯混合模型（GMM）来估计正确与错误分类的特征向量的概率密度函数。随后，在测试程序中通过贝叶斯推断计算出准确和错误分类的后验概率。基于两个后验概率提出了分类置信值（CCVALUE），以估计分类信心。最后，决策规则可以确定是否应接受或拒绝当前的分类结果。对开放式基准数据集和自收集的数据集进行了广泛的评估研究。实验结果证明了提出的方法提高基于SSVEP的BCI系统的可靠性的有效性和可行性。
便携式无线无光纤 fNIRS 头带与固定头罩式系统相比具有优势
本研究的目的是表征原型功能性近红外光谱 (fNIRS) 头带的性能，该头带旨在快速轻松地测量感觉运动皮层。事实上，fNIRS 非常适合人体工程学设计（即它们可以无线连接、对运动伪影具有相对的鲁棒性等特点），这导致了许多新型人体工程学 fNIRS 系统的最新实例；然而，fNIRS 测量的光学性质对测量头部毛发部分下方的大脑区域提出了固有的挑战。正是由于这个原因，迄今为止开发的大多数人体工程学 fNIRS 系统都以前额叶皮层为目标。在本研究中，我们比较了新型便携式 fNIRS 头带与固定式全头罩 fNIRS 系统的性能，以测量 50 岁以上健康个体在简单的上肢和下肢任务中的感觉运动活动。两种 fNIRS 系统均在上肢和下肢任务中表现出预期的血流动力学活动模式，并且两种系统之间的对比度与噪声比的比较表明，原型 fNIRS 头带在检测这些任务期间感觉运动皮层生理反应的能力方面并不逊色于全头罩 fNIRS 系统。这些结果表明，使用无线和无光纤 fNIRS 设计在感觉运动皮层进行测量是可行的。
A 2.53 NEF 8位10 ks/s 0.5 m CMOS神经记录阅读...
摘要：本文介绍了多通道神经调节植入物的功率辅助金属 - 氧化物 - 氧化物 - 氧化物 - 氧化物 - 氧化物 - 氧化型读取电路。该系统包括一个神经放大器和连续的近似寄存器模数转换器（SAR-ADC），用于记录和数字化神经信号数据以传输到远程接收器。使用LabView MyDAQ设备生成合成神经信号，并通过LabView GUI进行处理。读出电路是在标准的0.5 µm CMOS过程中设计和制造的。所提出的放大器使用可重新配置的电容性电阻反馈网络的完全差异两阶段拓扑。在0.57–301 Hz和0.27–12.9 kHz的频率带宽内，放大器可实现49.26 dB和60.53 dB的增益，分别记录局部场势（LFPS）和动作电位（APS）。放大器通过将噪声效率因子（NEF）降低到2.53来保持噪声 - 权力的权衡。电容器是使用公共中央式置换技术手动布置的，这增加了ADC的线性。SAR-ADC达到45.8 dB的信号噪声比（SNR），分辨率为8位。ADC以10 ksamples/s的较低采样速率表现出7.32的有效数量。芯片的总功耗为26.02 µW，这使其非常适合多通道神经信号记录系统。
使用定量磁化率映射对丘脑中心核进行成像
中央核 (CM) 是丘脑板内核，被认为是深部脑刺激 (DBS) 和消融手术治疗多种神经和精神疾病的潜在有效靶点。然而，CM 的结构在标准 T1 和 T2 加权 (T1w 和 T2w) 磁共振图像上是不可见的，这妨碍了它作为临床应用的直接 DBS 靶点。本研究的目的是展示如何使用定量磁化率映射 (QSM) 技术对丘脑区域内的 CM 进行成像。本研究纳入了 12 名患有帕金森病、肌张力障碍或精神分裂症的患者。在 3-T MR 扫描仪上获取 3D 多回波梯度回忆回波 (GRE) 序列以及 T1w 和 T2w 图像。QSM 图像是根据 GRE 相位数据重建的。在 T1w、T2w 和 QSM 图像上对 CM 进行了直接目视检查。此外，使用单因素方差分析 (ANOVA) 检验比较了 T1w、T2w 和 QSM 图像上 CM 与丘脑相邻后部的对比噪声比 (CNR)。QSM 显著改善了 CM 核的可视化。在 QSM 上可以观察到与周围环境相比 CM 的清晰轮廓，但在 T1w 和 T2w 图像上则未观察到。统计分析表明，QSM 上的 CNR 明显高于 T1w 和 T2w 图像上的 CNR。总之，我们的结果表明 QSM 是一种有前途的技术，可改善 CM 的可视化，作为 DBS 手术的直接靶向。