XiaoMi-AI文件搜索系统
World File Search System多分
使用带有注意块的多分支卷积神经网络模型进行基于脑电图的运动想象信号分类
摘要：脑信号可以通过脑电图 (EEG) 捕获，并用于各种脑机接口 (BCI) 应用。使用 EEG 信号对运动想象 (MI) 进行分类是帮助中风患者康复或执行某些任务的重要应用之一。处理 EEG-MI 信号具有挑战性，因为这些信号很弱、可能包含伪影、取决于患者的情绪和姿势，并且信噪比低。本文提出了一种多分支卷积神经网络模型，称为带卷积块注意模块的多分支 EEGNet (MBEEGCBAM)，使用注意机制和融合技术对 EEG-MI 信号进行分类。注意机制应用于通道和空间。与其他最先进的模型相比，所提出的模型是一种轻量级模型，具有更少的参数和更高的准确性。所提模型在使用 BCI-IV2a 运动想象数据集和高伽马数据集时，准确率分别为 82.85% 和 95.45%。此外，在使用融合方法 (FMBEEGCBAM) 时，准确率分别达到 83.68% 和 95.74%。
采用全量子比特多可观测测量策略的多分类混合量子神经网络
摘要：量子机器学习是量子计算在数据分类方面的一个很有前途的应用。然而，之前的研究大多集中在二分类上，对多分类的研究很少。最大的挑战来自于近期量子器件对量子比特数量和量子电路大小的限制。在本文中，我们提出了一种混合量子神经网络来实现真实世界数据集的多分类。我们使用平均池化下采样策略来降低样本的维数，并设计了一个阶梯状参数化量子电路来解开输入状态。除此之外，我们采用全量子比特多可观测测量策略来从量子系统中捕获足够的隐藏信息。实验结果表明，我们的算法优于经典神经网络，并且在不同的多分类数据集上表现尤为出色，这为在近期量子处理器上将量子计算应用于真实世界数据提供了一些启示。
空间应用多分量力测量的实际考虑 - 第 1 部分
• 传统振动测试将输入加速度控制在飞行数据的频率包络中。将测试加速度响应限制在预测的飞行加速度响应范围内高度依赖于分析，并且通常需要限制许多位置的加速度响应 - 大型测试项目。如果 UUT 损坏，可能会导致过度测试、破坏、过度设计和/或成本/进度影响。
智能分辨率：将低温电子显微镜与人工智能驱动的多分辨率模拟相结合，以观察 SARS-CoV-2 复制-转录机制的运作
严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2) 复制转录复合物 (RTC) 是一种多结构域蛋白，负责在人体细胞内复制和转录病毒 mRNA。用药物化合物攻击 RTC 功能是治疗 COVID-19 的途径。传统工具，例如低温电子显微镜和全原子分子动力学 (AAMD)，无法提供足够高的分辨率或时间尺度来捕捉这种分子机器的重要动态。因此，我们开发了一种创新的工作流程来弥合这些分辨率之间的差距，使用中尺度波动有限元分析 (FFEA) 连续模拟和 AI 方法层次结构，不断学习和推断特征以保持 AAMD 和 FFEA 模拟之间的一致性。我们利用多站点分布式工作流管理器来协调 AI、FFEA 和 AAMD 作业，从而实现 HPC 中心间资源的最佳利用。我们的研究提供了前所未有的途径来研究 SARS-CoV-2 RTC 机制，同时为大规模支持 AI 的多分辨率模拟提供了通用能力。
基于跨受试者脑电图的情绪识别多分支网络
近年来基于心电图（EEG）的情绪识别在情感计算中受到越来越多的关注。由于脑电信号的个体差异性较大，大多数模型都是针对特定受试者训练的，应用于新受试者时泛化性较差。针对这一问题，本文提出了一种多分支网络（MBN）模型。根据跨受试者数据的特点，设计不同的分支网络将脑电信号的背景特征和任务特征分离进行分类，以获得更好的模型性能。此外，模型训练时无需新受试者数据。为了避免差异较大的样本给模型训练带来的负面改善，我们使用极少量的新受试者数据来过滤训练样本，进一步提升模型性能。在训练模型之前，通过比对受试者之间的背景特征，删除与新受试者有显著差异的样本。实验结果表明，与单分支网络（SBN）模型相比，MBN 模型在 SEED 数据集上的准确率提高了 20.89%，且与其他常用方法相比，所提方法占用的新受试者数据更少，提高了其在实际应用中的实用性。关键词：多分支网络，脑电图（EEG），情绪识别，跨受试者
使用多传感器和多分辨率遥感图像的长期土地覆盖变化检测：中国长大学的案例研究
更改检测是遥感应用程序中最重要的方面之一。但是，由于图像采集的有限条件，从相同类型的遥控传感器获得的图像通常用于监视长期土地使用和土地覆盖（LULC）的变化。由于航空航天技术的发展和新的光学遥控传感器，LULC更改检测可以很好地使用多传感器和多分辨率图像进行。本文的主要贡献是验证通过将不同的更改检测方法应用于多传感器和多分辨率遥感图像来执行长期LULC更改检测是可行且可行的。在这项研究中，从1998年至2018年，在Landsat，Quickbird，Worldview-4和GF-2图像上使用了不同的变更检测方法，以检测中国Chang'an University的Weishui校园的LULC变化。结果表明，使用LandSat-5图像的直接光谱比较方法比使用LandSat-7图像在1998年至2008年之间更有效地检测到1998年至2008年之间的LULC变化。然而，在2008 - 2018年间，基于对象的变更检测方法比使用时间序列的高分辨率图像来监视校园中LULC更改的分类后方法更适用。这项研究可用作使用多传感器和多分辨率遥感图像的参考，以及在LULC变化检测场中不同变化检测方法的组合。
基于多分支深度学习融合模型的计算机辅助颅内脑电信号识别方法及临床验证
1 北京邮电大学泛网无线通信教育部重点实验室，北京市海淀区西土城路10号，100876，中国；ypwang@bupt.edu.cn（YW）；liuzimo@bupt.edu.cn（ZL）；guojinjie2@bupt.edu.cn（JG）；gpcao@bupt.edu.cn（GC）；baytest@bupt.edu.cn（MO）2 首都医科大学宣武医院神经外科，北京市西城区长椿街45号，100053，中国；yangdai@mail.ccmu.edu.cn（YD）；shanyongzhi@xwhosp.org（YS）3 北京航空航天大学机电工程与自动化学院机器人研究所，北京市海淀区学院路37号，100191，中国； drliuda@buaa.edu.cn 4 无锡北邮传感技术与工业研究所有限公司，无锡 214001，中国 * 通讯作者：gxkang@bupt.edu.cn (GK); ggzhao@xwhosp.org (GZ) † 这些作者对这项工作的贡献相同。
使用多分辨率奇异值分解（MSVD）
大脑计算机界面（BCI）多模式融合具有通过减轻与单个模态相关的缺点来以高度可靠的方式生成多个命令的潜力。在本工作中，通过同时记录的脑电图（EEG）（EEG）和功能性近红外光谱（FNIRS）信号融合来获得的混合EEG-FNIRS BCI系统 - 用于克服Uni-Mododity的局限性并获得更高的任务分类。尽管混合方法增强了系统的性能，但由于缺乏融合这两种方式的计算方法的可用性，这些改进仍然是适中的。为了克服这一点，提出了一种新的方法，使用多分辨率的奇异值分解（MSVD）来实现基于系统和特征的融合。使用KNN和树分类器比较了两种基于不同特征集的方法。通过多个数据集获得的结果表明，所提出的方法可以有效地融合这两种方式与分类精度的提高。
用于同时进行多分析物传感和化学输送的可植入多功能神经微探针
可植入神经微探针在神经科学研究中被广泛用于对大脑深部区域的神经活动进行化学和电生理记录。1–5 探针通常与局部化学输送系统结合使用，以操纵神经回路。传统上，为了同时电化学记录多种分析物（例如多巴胺、谷氨酸和乙酰胆碱），这些分析物共同控制复杂的行为和化学调节，需要多个植入物，包括 (1) 用于不同分析物的多个电化学传感器；(2) 对电极 (CE) 和参考电极 (RE)，或 RE 也充当 CE；以及 (3) 独立的微注射器，与传感电极 6–8 的柄分离或手动粘合到传感电极 6–8 上，用于化学输送（图 1a，左）。这种方法需要长时间的外科植入程序，并会对大脑造成严重损伤。此外，分离的化学输送装置、传感电极和 RE 之间的相对距离可能难以控制，从而妨碍实验的可重复性并引入基线噪声的变化 9 。因此，开发一种将这些单独组件集成到单个植入式设备中的多功能探头是十分有必要的（图 1a，右）。