XiaoMi-AI文件搜索系统
World File Search System图分
连接图分析表明PI3K/AKT/MTOR抑制剂是神经母细胞瘤的潜在抗催眠药
简单摘要：尽管有治疗，但很大一部分神经母细胞瘤复发和死亡的患者需要新的个性化策略和治疗靶标。缺氧是几种实体瘤中氧合作用降低的病情，对神经母细胞瘤（NB）肿瘤生物学和患者预后具有深远的影响。建立缺氧与药物化合物之间的新联系可能为NB患者提供新颖的治疗策略。在本研究中，我们成功地识别了19种化合物，主要属于PI3K/AKT/MTOR抑制剂，其抗催眠毒素效应在使用连接性映射软件的九种不同细胞系的基因表达中显示出其抗催眠作用。我们独立确认了在缺氧条件下培养的NB细胞上的这些发现，并用MTORC抑制剂PP242处理。PI3K/AKT/MTOR抑制剂代表了靶向神经母细胞瘤缺氧的潜在有效化合物。pi3k/akt/mTOR抑制剂因此，在涉及神经母细胞瘤患者缺氧肿瘤患者的随机临床试验中，将来将来适用于新的辅助治疗。
通过图分析从深度神经网络中提取知识
近年来，深度学习因其能够有效解决计算机视觉和语言处理等具有挑战性的领域的复杂任务而大受欢迎。尽管取得了成功，但深度神经网络 (DNN) 再现的低级神经活动会生成极其丰富的数据表示。这些表示很难表征，不能直接用于理解决策过程。在本文中，我们以我们的探索性工作为基础，引入了共激活图的概念，并研究了图分析在解释深度表示方面的潜力。共激活图编码了神经元激活值之间的统计相关性，因此有助于表征隐藏层中的神经元对与输出类之间的关系。为了确认我们的研究结果的有效性，我们的实验评估扩展到考虑具有不同复杂程度的数据集和模型。对于每个考虑的数据集，我们探索共激活图并使用图分析来检测相似的类别，找到中心节点并使用图可视化来更好地解释分析结果。我们的结果表明，图分析可以揭示 DNN 工作原理的重要见解，并实现深度学习模型的部分可解释性。© 2021 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
使用连接特征和卷积神经网络进行情绪脑电图分类
卷积神经网络 (CNN) 被广泛用于通过脑电图 (EEG) 信号识别用户的状态。在之前的研究中，EEG 信号通常以高维原始数据的形式输入 CNN。然而，这种方法很难利用大脑连接信息，而这些信息可以有效描述大脑功能网络并估计用户的感知状态。我们引入了一种利用 CNN 的大脑连接的新分类系统，并使用三种不同类型的连接测量通过情绪视频分类验证了其有效性。此外，提出了两种数据驱动的方法来构建连接矩阵，以最大限度地提高分类性能。进一步的分析表明，与目标视频的情绪属性相关的大脑连接的集中程度与分类性能相关。© 2020 Elsevier Ltd. 保留所有权利。
GMP 仓库绘图分步说明...
第一种方法是使用分布在整个仓库中的相对较少的湿度传感器（每六个温度传感器中就有一个）。在这种情况下，您将依靠温度均匀性来证明湿度也在范围内。这种方法应该基于不同季节的温度映射历史记录，并具有一致的结果。有了这些历史记录，了解湿度测量的专家可以有效地向审计员或检查员说明不需要在所有数据点进行湿度测量。如果您决定采用这种策略并减少湿度传感器的数量，那么将您使用的少数湿度传感器放置在空气流通不良的区域、暖通空调风扇或扩散器之间以及温度变化最大的区域至关重要。
功能脑图分析与计算机测试有效鉴别轻度认知障碍
社区居住的非裔美国老人患轻度认知障碍 (MCI) 或阿尔茨海默病及相关痴呆症的可能性是老年白人的两倍，因此他们是需要早期监测的重要高危群体。由于成本和负担，更广泛的影像学或脑脊液研究存在重大障碍。我们将功能连接和图论测量（源自静息态脑电图 (EEG) 记录）与计算机化认知测试相结合，以基于社区居住的非裔美国老人样本识别 MCI 患者与健康对照者之间的差异。我们发现 MCI 患者的功能连接显著下降，图拓扑结构整合度较低。功能连接、拓扑和认知测量相结合对于预测 MCI 非常有效，而且综合测量方法比单一方法更有效。具体而言，通过将认知特征与功能连接和拓扑特征相结合，与使用单一认知或 EEG 域特征进行分类相比，预测结果有所改善，准确率为 86.5%，而最佳单一方法的准确率为 77.5%。居住在社区的非裔美国老年人认为 EEG 和计算机化测试可以接受，并且在区分健康对照者和居住在社区的 MCI 患者方面，结果很有希望。
基于主题匹配的子图级注意力卷积网络用于图分类
图分类对于许多与图数据相关的实际应用（例如化学药物分析和社交网络挖掘）至关重要。传统方法通常需要特征工程来提取有助于区分不同类别的图的图特征。尽管最近提出了基于深度学习的图嵌入方法来自动学习图特征，但它们大多使用从图中提取的一些顶点排列进行特征学习，这可能会丢失一些结构信息。在这项工作中，我们提出了一种新的基于模体注意力图卷积神经网络用于图分类，它可以学习更有辨别力和更丰富的图特征。具体而言，我们开发了一种模体匹配引导的子图规范化方法来更好地保留空间信息。我们还提出了一种新的子图级自注意网络来捕捉不同子图的不同影响或权重。在生物信息学和社交网络数据集上的实验结果表明，与传统图核方法和最近的深度学习方法相比，所提出的模型显著提高了图分类性能。
单次试验脑电图分类研究
研究已经证实，在导航任务中，可以区分大脑对观察正确和错误动作的反应。此外，这些分类可以用作基于学习的 BCI 的反馈，让真实或虚拟机器人找到到达目标的准最佳路线。然而，在导航时，不仅要知道我们正朝着正确的方向朝着目标前进，还要知道我们何时到达目标。我们要求参与者观察一个虚拟机器人执行一维导航任务。我们记录了脑电图，然后对两类正确动作的反应进行了神经生理学分析：靠近目标但未到达目标的动作和到达目标的动作。此外，我们使用了时域特征的逐步线性分类器，在单次试验的基础上区分类别。第二个数据集也用于进一步测试这种单次试验分类。我们发现，在运动到达目标的情况下，P300 的幅度明显更大。有趣的是，我们能够对观察两类正确运动时引起的脑电图信号进行分类，两组数据的平均总体准确率分别为 66.5% 和 68.0%，所有参与者的准确率都高于偶然水平。作为概念验证，我们证明了使用单次试验脑电图可以对观察这些不同正确运动时产生的脑电图反应进行分类。这可以用作基于学习的 BCI 的一部分，并为更自主的 BCI 导航系统打开了一扇新的大门。
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。
EMD 和特征提取对脑电图分析的影响
摘要 — 脑机接口已被研究了 20 多年，并且具有巨大的开发应用潜力，可供医生诊断疾病或帮助患有严重神经系统疾病的患者恢复与社会互动。要达到这些目的，需要分析脑电图数据的技术以及训练模型以识别模式或控制设备的算法。TensorFlow 是 Google 团队为内部使用而开发的机器学习，于 2015 年向公众发布。由于它可以在深度学习神经网络上进行训练和测试，因此可以用于脑电图数据。该项目使用 TF-Keras 和 TensorFlow-DNN 来训练使用脑电图数据对大脑状态进行分类的模型。Neurosky Mindwave Mobile 耳机和由 Micro:bit 开发的新设备是该项目的脑电图信号记录器。采用了最小-最大归一化、集合经验模态分解 (EEMD)、提取等多种技术来分析记录的脑电图数据。结果表明，在对来自 Micro:bit 设备的 EEG 数据进行分类时，TensorFlow-Keras 和 TensorFlow - DNN 模型的准确率为 97%，而 XGBoost 的结果为 98%。结果证实了 TensorFlow 在识别 EEG 数据方面的应用能力。对上述结果有贡献的数据处理技术是最小最大规范化和数据提取。此外，我们还验证了记录数据中的低频漂移对于使用 EEG 数据识别大脑状态至关重要。结果还显示了使用 EEMD 技术生成的 IMF 作为特征来构建使用 EEG 数据对大脑状态进行分类的模型。索引词 —TensorFlow、EEG、XGBoost、TensorFlow-Keras (TF-Keras)、TensorFlow-DNN (TF-DNN)、集合经验模态分解 (EEMD)、Neurosky、Micro:bit、脑机接口 (BC I)