XiaoMi-AI文件搜索系统
World File Search System复杂度
基于脑电图复杂度作为生物标志物预测强迫症患者的治疗抵抗力
目的：本研究旨在确定一种可以预测强迫症 (OCD) 患者治疗抵抗性的脑电图 (EEG) 复杂性生物标志物。此外，还确定了治疗抵抗性和治疗反应性患者 EEG 复杂性值之间的统计差异。此外，还评估了 EEG 复杂性与耶鲁-布朗强迫症量表 (YBOCS) 评分之间是否存在相关性。方法：回顾性评估了 29 名治疗抵抗性和 28 名治疗反应性强迫症患者的 EEG 数据。根据 4 个常见频带，即 delta、theta、alpha 和 beta，使用近似熵 (ApEn) 方法从整个 EEG 数据和滤波后的 EEG 数据中提取 EEG 复杂性。使用随机森林方法对 ApEn 复杂性进行分类。结果：从β波段EEG片段提取的ApEn复杂度可区分对治疗有反应和对治疗有抵抗力的强迫症患者，准确率为89.66%（敏感性：89.44%；特异性：90.64%）。对治疗有抵抗力的强迫症患者的β波段EEG复杂度较低，以YBOCS评分衡量的强迫症严重程度与复杂度值呈负相关。结论：结果表明，EEG复杂度可被视为预测强迫症患者治疗反应的生物标志物。意义：对强迫症患者治疗反应的预测可能有助于临床医生制定和实施个性化治疗计划。2020年国际临床神经生理学联合会。由Elsevier BV出版，保留所有权利。
复杂度驱动的 CNN 压缩，适用于资源受限的边缘 AI
摘要 — 物联网 (IoT) 支持的网络边缘人工智能 (AI) 的最新进展通过实现低延迟和计算效率，在智能农业、智能医院和智能工厂等多个应用中实现了边缘智能。然而，在资源受限的边缘设备上部署 VGG-16 和 ResNets 等最先进的卷积神经网络 (CNN) 实际上是不可行的，因为它们有大量的参数和浮点运算 (FLOP)。因此，作为一种模型压缩的网络修剪概念正在引起人们的关注，以加速低功耗设备上的 CNN。最先进的修剪方法，无论是结构化的还是非结构化的，都没有考虑卷积层所表现出的复杂性的不同潜在性质，而是遵循训练-修剪-再训练流程，这会导致额外的计算开销。在这项工作中，我们通过利用 CNN 固有的层级复杂性，提出了一种新颖且计算高效的修剪流程。与典型方法不同，我们提出的复杂性驱动算法根据其对整体网络复杂性的贡献选择特定层进行过滤器修剪。我们遵循直接训练修剪模型的过程，避免计算复杂的排名和微调步骤。此外，我们定义了三种修剪模式，即参数感知 (PA)、FLOP 感知 (FA) 和内存感知 (MA)，以引入 CNN 的多功能压缩。我们的结果表明，我们的方法在准确性和加速方面具有竞争力。最后，我们提出了不同资源和准确性之间的权衡，这有助于开发人员在资源受限的物联网环境中做出正确的决策。
量子计算中控制流纠错的 T 复杂度成本
许多量子算法需要使用量子纠错来克服物理量子比特固有的不可靠性。然而，量子纠错会带来一个独特的性能瓶颈，即 T 复杂度，这会使算法作为量子程序的实现比在理想硬件上运行得更慢。在这项工作中，我们发现控制流的编程抽象（例如量子 if 语句）会导致程序的 T 复杂度呈多项式增加。如果不加以缓解，这种减速会削弱量子算法的计算优势。为了能够推理控制流的成本，我们提出了一个成本模型，开发人员可以使用该模型准确分析量子纠错下程序的 T 复杂度并找出减速的根源。为了降低这些成本，我们提出了一组程序级优化，开发人员可以使用它来重写程序以降低其 T 复杂度，使用成本模型预测优化程序的 T 复杂度，然后通过一种简单的策略将其编译为高效电路。我们在 Spire（Tower 量子编译器的扩展）中实现程序级优化。使用一组 11 个使用控制流的基准程序，我们通过经验证明成本模型是准确的，并且 Spire 的优化可以恢复渐近高效的程序，这意味着它们在错误校正下的运行时 T 复杂度等于它们在理想硬件上的时间复杂度。我们的结果表明，在将程序编译成电路之前对其进行优化可以比将程序编译成低效电路然后调用先前工作中发现的量子电路优化器产生更好的结果。在我们的基准测试中，8 个经过测试的量子电路优化器中只有 2 个能够以渐近有效的 T 复杂度恢复电路。与这 2 个优化器相比，Spire 的编译时间减少了 54 × –2400 ×。
高复杂度诊所中高血压患者的血压控制及相关变量
简介：动脉高血压是一种对心血管死亡率和发病率影响很大的疾病；然而，它仍然没有得到充分控制。目的：评估专科门诊患者的高血压控制情况并确定相关变量。方法：横断面研究，分析在一家高度复杂的门诊接受治疗的 782 名患者的病历。纳入标准：年龄≥18岁，确诊患有高血压，治疗≥6个月。排除继发性高血压患者（104）和数据不完整患者（64）。主要结果是血压控制（收缩压<140和舒张压<90 mmHg）。研究的独立变量是：社会人口统计学和临床特征（药物使用、合并症和实验室检查）。在双变量分析中使用 Pearson χ2 检验、Fisher 检验、Student t 和 Wilcoxon-Mann-Whitney 检验，在多重分析中使用逻辑回归，采用 p ≤ 0.05。结果：高血压控制率为 51.1%。与血压控制不足相关的因素包括：体重指数（OR = 1.038；95% CI = 1.008 - 1.071）、卒中史（OR = 0.453；95% CI = 0.245 - 0.821）、左心室肥大（OR = 1.765；95% CI = 1.052 - 3.011）和用药次数（OR = 1.082；95% CI = 1.033 - 1.136）。结论：约一半的高血压患者血压得到控制；临床变量和靶器官损害与血压控制有关。
谱斜率和 Lempel–Ziv 复杂度作为睡眠和清醒期间大脑状态的可靠标记
大脑活动的非振荡测量，例如频谱斜率和 Lempel – Ziv 复杂度，受到许多神经系统疾病的影响，并受睡眠调节。多种频率范围，特别是宽带（涵盖全频谱）和窄带方法，已被特别用于估计频谱斜率。然而，选择不同频率范围的影响尚未详细探讨。在这里，我们评估了睡眠阶段和任务参与（休息、注意力和记忆）对 28 名健康男性人类受试者（21.54 ± 1.90 岁）在窄带（30 – 45 Hz）和宽带（1 – 45 Hz）频率范围内的斜率和复杂性的影响，采用受试者内设计，为期 2 周，每个受试者记录三个夜晚和白天。我们努力确定不同的大脑状态和频率范围如何影响斜率和复杂性，以及这两个测量结果的比较情况。在宽带范围内，斜率变陡，复杂性从清醒状态到 N3 睡眠持续下降。然而，窄带斜率最能区分 REM 睡眠。重要的是，在清醒状态下，斜率和复杂性在任务之间也有所不同。虽然窄带复杂性随着任务参与而降低，但斜率在两个频率范围内都趋于平坦。有趣的是，只有窄带斜率与任务表现呈正相关。我们的结果表明，斜率和复杂性是清醒和睡眠期间大脑状态变化的敏感指标。然而，与 Lempel – Ziv 复杂性相比，频谱斜率能提供更多信息，可用于更多种类的研究问题，尤其是在使用窄带频率范围时。
基于多尺度模糊熵的基于EEG复杂度的算法：检测阿尔茨海默氏病
摘要：国家内部地区战略（SNAI）是一项公共政策，旨在应对内部地区的扩大，根据提供基本服务的中心的距离定义。这样的政策的成功对于解决了Covid-19大流行的新计划挑战至关重要。从这个意义上讲，有必要通过提供方便的决策支持工具，了解市政当局之间的权力平衡以及定义适当的干预措施来充分支持其实施。SNAI已用于项目选择的指标网格可以满足此需求。但是，网格在市政级别支持公共政策的申请需要审查其某些功能，例如指标的大量数量以及在市政量表上定义其中的一些功能。基于这些前提，本文旨在通过对当前的SNAI电网进行批判性分析来支持内部领域的政策，旨在提高其有效性。它依赖于合并定性数据解释和统计分析的混合方法。借助这种方法，可以通过将其复杂性和信息级别不受影响，从而定义一个简约的网格。SO固定的指标集可以代表一个有价值的参考工具，以从SNAI的角度查明行动的优先级或选择进一步的领土范围，即使它仍然带来了一些要面对的关键问题。
线性时间内量子计算的经典验证
在量子计算验证问题中，量子服务器想要让客户端相信，对量子电路 C 进行评估的输出就是它所声称的某个结果。这个问题在量子计算的理论和实践中都非常重要 [32, 1, 47]。客户端的计算能力有限，而其理想特性之一是客户端可以完全是经典的，这就引出了量子计算的经典验证 (CVQC) 问题。就服务器端量子计算的时间复杂度而言（通常决定客户端和服务器的总时间复杂度），迄今为止最快的单服务器 CVQC 协议的复杂度为 O(poly(κ)|C|3)，其中|C|是待验证电路的大小，κ是安全参数，由 Mahadev [41] 给出。这导致许多现有协议（包括多方量子计算、零知识和混淆）也出现类似的立方时间爆炸 [8, 50, 9, 16, 18, 2]。考虑到量子计算资源的珍贵性，这种立方复杂度障碍可能会成为将这些问题的协议付诸实践的一大障碍。在本文中，通过开发新技术，我们给出了一种新的 CVQC 协议，其复杂度为 O ( poly ( κ ) | C | )（就客户端和服务器的总时间复杂度而言），比现有协议快得多。我们的协议在量子随机预言模型 [11] 中是安全的，假设存在有噪声陷门无爪函数 [12]，这两个都是量子密码学中广泛使用的假设。在此过程中，我们还为 {| + θ ⟩ = 1 √
通过 Samplizer 实现时间高效的量子熵估计器
一个用于 S α ( ρ ) 的量子估计器，当 0 < α < 1 时，时间复杂度为 e O ( N 4 /α − 2 )，当 α > 1 时，时间复杂度为 e O ( N 4 − 2 /α )，改进了之前由 Acharya、Issa、Shende 和 Wagner (2020) 提出的用于 0 < α < 1 时的最佳时间复杂度 e O ( N 6 /α ) 和用于 α > 1 时的最佳时间复杂度 e O ( N 6 )，尽管样本复杂度会略有增加。此外，这些估计器可以自然扩展到低秩情况。我们还提供了用于估计 S α ( ρ ) 的样本下限 Ω(max { N/ε, N 1 /α − 1 /ε 1 /α })。从技术上讲，我们的方法与以前基于弱 Schur 采样和杨氏图的方法有很大不同。我们构建的核心是一种名为 samplizer 的新工具，它可以仅使用量子态样本将量子查询算法“采样”为具有类似行为的量子算法；这表明了一个估计量子熵的统一框架。具体来说，当量子预言机 U 对混合量子态 ρ 进行块编码时，任何使用 Q 个 U 查询的量子查询算法都可以使用 e Θ ( Q 2 /δ ) 个 ρ 样本采样为 δ 接近（在钻石范数中）的量子算法。此外，这种采样被证明是最优的，最多可达多对数因子。
半径优化的高效模板匹配用于脑图像病变检测
摘要 — 为了快速自动诊断神经疾病，需要从体积磁共振成像 (MRI) 中计算机辅助检测脑损伤。模板匹配技术可以为脑损伤的自动定位提供满意的结果；然而，找到使模板和损伤相似度最大化的最佳模板大小仍然具有挑战性。这增加了算法的复杂性和对计算资源的要求，同时使用了三维 (3D) 模板处理大型 MRI 体积。因此，需要降低模板匹配的计算复杂度。在本文中，我们首先提出了一个数学框架，用于计算归一化互相关系数 (NCCC) 作为 MRI 体积和近似 3D 高斯模板之间的相似性度量，具有线性时间复杂度，而不是传统的基于快速傅里叶变换 (FFT) 的方法，其复杂度为，其中是图像中的体素数，是尝试的模板半径的数量。然后，我们提出一个数学公式来分析估计图像中每个体素的最佳模板半径，并计算具有位置相关最佳半径的 NCCC，从而将复杂度降低到。我们在一个合成和两个真实的多发性硬化症数据库上测试了我们的方法，并将其在病变检测中的性能与 FFT 和最先进的病变预测算法进行了比较。我们通过实验证明了所提出的方法在脑病变检测中的效率及其与现有技术相当的性能。索引术语 – 脑病变检测、计算复杂度、FFT、MRI、NCCC、模板匹配。