XiaoMi-AI文件搜索系统
World File Search System定量比较
机器人灯光的建模、分析和优化...
摘要 机器人轻型加工任务正成为弥补人力资源短缺的重要问题。为了提高制造过程的质量、安全性和整体性能，需要对加工操作过程中的力和扭矩进行建模以估计。同时，还开发了数字模型，可以检测故障情况、节省能源和时间并优化实际制造过程。数字孪生就是其中之一，它使用离线和在线数据来模拟物理制造过程。但是，通过开发更精确的数学模型可以进一步提高数字孪生的赋能，从而可以实时模拟物理加工过程。因此，本文提出了一种机器人轻型加工任务的力学公式，以赋能数字孪生。本文采用广义脉冲模型来分析结合线性和角运动的轻型加工任务。为了实现基于脉冲模型的方法，引入了有效质量和有效惯性的概念来反映环境的动态，这取决于材料的硬度和加工任务的工艺参数（进给率和速度（rpm）等）。此外，还考虑了有效质量/有效惯性和最短任务完成时间来计算最佳进给率。此外，还进行了模拟以选择线速度和角速度的可行方向以及轻加工任务的最佳非奇异工作空间。最后，通过执行钻孔和铣削任务，通过定量比较模拟和实验结果来验证所提出的方法。使用 6-DOF 通用机器人 (UR 5e) 进行模拟和实验，以证实所提出的算法对轻加工任务的有效性。所开发的方法无疑将为轻型加工操作中的物理模拟提供数字孪生能力。
do wav2vec 2.0在
言语和语言技术是确定与帕金森氏病（PD）相关的不同语音变化的有效工具，可以早期，更准确地诊断。自我监管的语音预审查的最新进展，尤其是使用WAV2VEC模型，表现出了比传统特征提取方法优越的性能。虽然已成功用于PD检测WAV2VEC 2.0，但需要与WAV2VEC 1.0进行严格的定量比较，以全面评估其在PD中不同语音模式的优势，局限性和适用性。这项研究对三个多语言数据集的WAV2VEC 1.0和WAV2VEC 2.0嵌入的系统比较，使用各种分类方法进行分类（健康对照； HC）和PD语音。此外，两个WAV2VEC版本都针对各种语言环境的传统基线特征进行了基准测试，包括自发的语音，非自发的语音和孤立的元音。采用了多准则的TOPSIS方法来对特征提取方法进行排名，这表明WAV2VEC 2.0在所有语音模式中都始终如一地表现出色，其第一个变压器层展示了上下文任务的最佳性能（阅读文本和独白）及其特征提取器在基于Vowel的分类中表现最佳。相比之下，WAV2VEC 1.0虽然通常超过WAV2VEC 2.0的表现，但在上下文任务中仍然提供了具有竞争性能的替代方案，突出了其对特定应用的潜力，例如联合学习。此比较分析进一步强调了每个WAV2VEC架构的优势，并为它们在PD检测中的最佳使用提供了信息。
基于脑电图识别上肢运动热点的人工神经网络方法：概念验证研究
摘要背景：为了将经颅电刺激 (tES) 应用于运动皮层，通常使用经颅磁刺激 (TMS) 的运动诱发电位来识别运动热点。本研究的目的是验证一种基于脑电图 (EEG) 的新型运动热点识别方法的可行性，该方法使用机器学习技术作为 TMS 的潜在替代方案。方法：在 30 名受试者执行简单的手指敲击任务时，使用 63 个通道测量 EEG 数据。从六个频带（delta、theta、alpha、beta、gamma 和 full）提取 EEG 数据的功率谱密度，并独立用于训练和测试用于运动热点识别的人工神经网络。将 TMS 识别的各个运动热点的 3D 坐标信息与我们基于 EEG 的运动热点识别方法估计的坐标信息进行定量比较，以评估其可行性。结果：TMS 识别的运动热点位置与我们提出的运动热点识别方法之间的最小平均误差距离为 0.22 ± 0.03 厘米，证明了我们提出的基于 EEG 的方法的概念验证。当仅使用连接到运动皮层中部的 9 个通道时，测量的平均误差距离为 1.32 ± 0.15 厘米，表明实际使用基于相对较少的 EEG 通道的所提出的运动热点识别方法的可能性。结论：我们证明了我们新颖的基于 EEG 的运动热点识别方法的可行性。预计我们的方法可以作为 TMS 的运动热点识别的替代方案。特别是，当使用最近开发的与 EEG 设备集成的便携式 tES 设备时，它的可用性将显著提高。关键词：运动热点、脑电图、经颅电刺激、机器学习、人工神经网络
归因于气候极端和相关影响的边界
政治决定，适应计划和影响评估需要对未来气候变化和相关不确定性的可靠估计。为提供这些估计值，已经提出了将约束，过滤器或重量气候模型投影限制为概率分布的不同方法。然而，对多种这种方法的评估，例如暴露了一致或分歧的案例，通常会因缺乏协调而阻碍，而方法的重点是各种变量，时间段，区域，区域或模型池。在这里，开发了一个一致的框架，以允许对八种不同方法进行定量比较。相对于1995 - 2014年，欧洲的三个空间体制的夏季温度和降水变化都将重点放在夏季温度和降水变化上。分析借鉴了来自几个大型合奏，CMIP5多模型集合和扰动物理合奏的投影，所有这些都使用了高发射方案RCP8.5。总结了方法的关键特征，讨论了假设，并提出了由此产生的约束分布。方法协议被发现取决于所研究区域，但中位变化通常比不确定性范围更高。因此，这项研究强调了提供有关不同方法如何影响评估不确定性的清晰背景的重要性，尤其是对规避风险利益相关者感兴趣的上下百分位数。比较还暴露了各种证据线导致限制不同的案例；需要额外的工作来了解方法之间的基本差异如何导致这种分歧并为用户提供明确的指导。
我们是否需要用于循环经济的新的可持续性评估方法？批判文献评论
循环经济的目标（CE）是要从当今的浪费线性生产和消费模式过渡到循环系统，在该系统中，随着时间的推移，产品，材料和资源的社会价值最大化。本身的循环并不能确保社会，经济和环境绩效（即可持续性）。CE策略的可持续性需要针对其线性对应物进行衡量，以识别和避免增加循环且导致意想不到的外部性的策略。定量比较循环系统与线性系统的可持续性影响的实践状态是通过其他领域开发的各种现有方法的实验之一，现在在此处应用。虽然循环指标的扩散受到了极大的关注，但迄今为止，尚无对这些指标构成的方法和组合的批判性审查，并特定地量化了循环策略的可持续性影响。根据六个标准，我们的批判性审查分析了识别方法：时间分辨率，范围，数据要求，数据粒度，衡量材料效率潜力的能力和可持续性完整性。结果表明，在评估过渡到CE的可持续性时，工业生态和复杂系统科学领域可以证明是互补的。这两个领域都包括定量方法，主要不同于它们包含时间方面和物质效率电位。此外，运营研究方法，例如多标准决策（MCDM）可能会减轻循环指标之间通常存在的常见矛盾。本综述是通过建议选择最适合特定研究问题的定量方法的指南，并提出一个论点，即尽管存在多种现有方法，但仍需要进行其他研究来结合现有方法并开发更全面的方法来评估CE策略的可持续性影响。
Robust-Deep：一种增加脑成像数据集以提高深度学习模型性能和鲁棒性的方法
摘要 小型数据集通常会影响医学成像研究中深度神经网络 (DNN) 的泛化、稳健性和整体性能。由于收集大型临床数据库始终很困难，我们提出了一种生成大型真实/多样化数据集的分析方法。临床脑部 PET/CT/MR 图像包括全剂量 (FD)、低剂量 (LD)（仅对应于 FD 扫描中获取的事件的 5%）、非衰减校正 (NAC) 和基于 CT 测量的衰减校正 (MAC) PET 图像、CT 图像以及 35 名患者的 T1 和 T2 MR 序列。所有图像均已注册到蒙特利尔神经研究所 (MNI) 模板。使用拉普拉斯混合，利用来自两个不同患者的图像的频域信息以及混合蒙版进行自然呈现。这种来自计算机视觉和图像处理社区的经典技术仍然被广泛使用，并且与现代 DNN 不同，它不需要训练数据。实施了改进的 ResNet DNN 来评估四个图像到图像的转换任务，包括 LD 到 FD、LD+MR 到 FD、NAC 到 MAC 和 MRI 到 CT，使用和不使用合成图像。使用已建立的指标进行定量分析，包括峰值信噪比 (PSNR)、结构相似性指数度量 (SSIM) 和联合直方图分析，以进行定量评估。包含 35 名患者的注册小数据集与包含 350 个合成数据集加 35 个真实数据集的大数据集之间的定量比较显示，LD 到 FD 的 RMSE 和 SSIM 分别提高了 29% 和 8%，LD+MRI 到 FD 的 RMSE 和 SSIM 提高了 40% 和 7%，NAC 到 MAC 的 16% 和 8%，MRI 到 CT 映射任务的 24% 和 11%。定性/定量分析表明，与参考图像相比，所提出的模型通过生成更高质量、更低定量偏差和方差的图像，提高了所有四个 DNN 模型的性能。
SOK：在自动驾驶中的语义AI安全性
摘要 - 自主驾驶（AD）系统依靠AI组件来做出安全和正确的驾驶决策。不幸的是，今天的AI算法通常是对对抗攻击的脆弱性。但是，要使这样的AI组件级漏洞在系统级别上具有语义影响，它需要解决从系统级攻击输入空间到AI组件级别的非平凡语义差距（1），以及（2）从AI组件级别的攻击影响到系统级别的人。在本文中，我们将研究空间定义为语义AI安全性，而不是通用AI安全性。在过去的5年中，越来越多的研究工作将在广告环境中应对此类语义AI安全挑战，这已经开始显示指数级的增长趋势。但是，据我们所知，到目前为止，这个新兴的研究空间还没有全面的系统化。在本文中，我们对这种不断增长的语义AD AI安全研究领域的知识进行了首次系统化。总共收集和分析了53篇论文，并根据对安全领域至关重要的研究方面进行系统分类，例如攻击/国防目标AI组件，攻击/国防目标，攻击向量，攻击媒介，攻击知识，防御可部署性，防御能力，防御可靠性和评估方法。我们总结了基于现有的AD AI安全性工作的定量比较以及与密切相关域的安全性工作水平进行的6个最重大的科学差距。使用这些，我们不仅可以在设计层面，而且在研究目标，方法论和社区层面上提供见解和潜在的未来方向。为了解决最关键的科学方法论级别的差距，我们采取了主动性为开源，统一和可扩展的系统驱动的评估平台（名为PASS），称为语义AD AD AI AI安全研究社区。我们还使用实现的平台原型来展示使用代表性语义AD AI攻击的平台的功能和好处。
Bounti：3D胎儿MRI
胎儿MRI广泛用于定量脑容量研究。但是，目前，缺乏普遍接受的胎儿脑部分割和分割方案。已发表的临床研究倾向于使用不同的策略方法，据报道，这些方法也需要大量耗时的手动精炼。在这项工作中，我们建议通过为3D T2W运动校正大脑图像开发新的强大深度学习胎儿脑分割管道来应对这一挑战。首先，我们使用发展中的人类连接项目的新胎儿脑MRI ATLAS定义了一种新的精制脑组织拟合方案，该方案使用了19个区域。该方案设计是基于组织学大脑图谱的证据，单个受试者3D T2W图像中结构的清晰可见性以及与定量研究的临床相关性。随后，它用作开发自动化深度学习的脑组织拟层管道，该管道在360个胎儿MRI数据集中训练有不同的获取参数，并使用半监督的方法和手动精制的标签从ATLAS中传播。管道在不同的采集方案和GA范围内证明了强大的性能。分析390名正常参与者的组织体积（妊娠年龄范围21-38周），并用三种不同的采集方案进行扫描，并未揭示生长图中主要结构的显着差异。在<15％的病例中仅存在小错误，因此显着减少了手动细化的需求。此外，有65例室性肿瘤和60例正常对照病例之间的定量比较与基于手动分割的早期工作中报道的发现一致。这些初步结果支持拟议的基于ATLAS的深度学习方法的可行性，以进行大规模体积分析。创建的胎儿脑体积百分比和带有拟议管道的Docker将在手稿出版后在线公开获得。
机器学习模型能否使用基于扩散加权成像的放射组学改善脑转移的早期检测？
当癌细胞从原发癌部位通过血液扩散并在脑内形成新肿瘤时，就会形成颅内转移，从而导致严重的疾病负担和患者发病率。转移性并发症是约 90% 癌症相关发病率的罪魁祸首 (1)，多达 40% 的癌症患者在其一生中会经历至少一次颅内转移 (2)，其中大多数转移源自肺癌、乳腺癌或黑色素瘤。常规治疗方案包括手术切除、全脑放射治疗、立体定向放射外科 (SRS)、全身治疗或这些方法的组合 (3,4)。在使用 SRS 治疗之前，需要高分辨率磁共振成像 (MRI) 来正确定位转移，以实现局部控制，同时保护周围的健康脑组织。脑转移成像的标准方案是使用钆增强 T1 (Gd-T1) 加权 MRI。脑转移形成伴随着癌细胞侵入组织实质。血管生成和肿瘤生长导致脑内微结构变化。因此，随着转移的发展，水分子的扩散会随时间而变化。扩散加权成像 (DWI) 是一种 MRI 技术，利用体内水分子的动力学来产生对比度 (5)，从而可以对这些微结构变化进行成像，而这些变化在传统的 Gd-T1 上可能无法检测到。此外，由 DWI 生成的表观扩散系数 (ADC) 图提供了定量图像集，允许对在不同时间拍摄的多个 DWI 会话的数据进行定量比较。迄今为止，大多数关于脑转移的 DWI 研究都集中在仅分析一次成像会话或治疗前的一组图像集以及治疗后的一组或几组图像集。我们的机构每年治疗超过 200 名 SRS 患者，其中约 20% 的患者需要重新治疗转移性
考虑深部脑刺激手术中的变形......
摘要 — 深部脑刺激 (DBS) 的疗效取决于电极放置的准确性，而手术中钻孔和硬脑膜打开造成的脑移位可能会危及电极放置的准确性。脑移位违反了术前图像和术中解剖结构之间假定的刚性对齐，对治疗产生负面影响。目的：本研究提出了一种基于变形图谱生物力学模型的方法来解决移位问题。方法：研究了 6 名接受介入磁共振 (iMR) 图像引导的 DBS 钻孔手术的患者。在不同的手术条件下采用特定于患者的模型，生成一组可能的术中移位估计或“变形图谱”。由来自 iMR 的稀疏测量驱动逆问题，以确定图谱解的最佳拟合。然后使用该拟合获得体积变形场，该场用于更新术前 MR 并估计在 iMR 上定位的手术目标区域的移位。通过定量比较术中次表层测量值与模型预测值，以及定性比较 iMR、术前 MR 和模型更新的 MR，检查模型性能。引入非刚性图像配准作为比较器。结果：基于模型的方法将一般实质移位从 8.2±2.2 毫米减少到 2.7±1.1 毫米（~66.8% 校正），并且产生的更新 MR 与 iMR 的一致性优于术前 MR。模型估计的目标区域平均移位为 1.2 毫米。结论：本研究证明了基于模型的移位校正策略在仅使用稀疏数据的 DBS 手术中的可行性。意义：所开发的策略有可能补充和/或增强当前解决移位问题的临床方法。索引词 — 脑移位、计算建模、深部脑刺激、图像引导神经外科手术