XiaoMi-AI文件搜索系统
World File Search System实验设置
手动操作阀门的人体工程学评估。
第三章：方法与程序 ................................................................................................ 61 3.1 实验设置 ................................................................................................................ 61 3.2 实验一 ................................................................................................................ 66 3.2.1 受试者 ................................................................................................................ 66 3.2.2 方法 ................................................................................................................ 68 3.2.3 程序 ................................................................................................................ 78 3.2.4 实验设计 ............................................................................................................. 79 3.3 实验二 ................................................................................................................ 84 3.3.1 受试者 ................................................................................................................ 84 3.3.2 方法 ................................................................................................................ 85 3.3.3 程序 ................................................................................................................ 87 3.3.4 实验设计 ........................................................................................................ 87
跨维：一种合并不同维度 BCI 数据集的方法
摘要 — 目标：我们提出一种迁移学习方法，用于具有不同维度、来自不同实验设置但代表相同物理现象的数据集。我们重点研究数据点是对称正定 (SPD) 矩阵的情况，该矩阵描述基于 EEG 的脑机接口 (BCI) 的统计行为。方法：我们的方案使用两步程序来转换数据点，使它们在维度和统计分布方面匹配。在维度匹配步骤中，我们使用等距变换将每个数据集映射到公共空间中，而不改变它们的几何结构。统计匹配是使用域自适应技术完成的，该技术适用于定义数据集的空间的固有几何形状。结果：我们在从具有不同实验设置（例如，不同数量的电极、不同的电极位置）的 BCI 系统获得的时间序列上说明了我们的建议。结果表明，所提出的方法可用于在原则上不兼容的 BCI 记录之间传输判别信息。结论和意义：这些发现为新一代 BCI 系统铺平了道路，尽管电极定位不同，该系统仍能够重复使用信息并从多种数据源中学习。
增强了脑肿瘤MR图像分割的增强区域
摘要：脑肿瘤是儿童和成人死亡率增加的最大原因之一。脑肿瘤是大量的组织，它无法控制调节大脑内部生长的正常力。脑肿瘤就会出现。大脑内部或颅骨内部的细胞异常生长，可能是癌变或非癌性的是成年人在埃塞俄比亚等发展中国家之下的成年人死亡的原因。研究表明，生长算法的区域可以手动或半手动初始化种子点，从而影响分割结果。但是，在本文中，我们提出了一种增强的自动种子点初始化区域生长算法。使用常见数据集Brats2015将拟议方法的性能与最先进的深度学习算法进行了比较。在拟议的方法中，我们应用了阈值技术来从每个输入脑图像中剥离头骨。剥去头骨后，将大脑图像分为8个块。然后，对于每个块，我们计算了平均强度，并从中从八个块中选择了最大平均强度的五个块。接下来，将五个最大平均强度用作分别生长算法的区域的种子点，并为每个头骨剥离的输入脑图像获得了五个不同的感兴趣区域（ROI）。我们提出的方法在三种不同的实验设置中得到了验证。使用骰子相似性评分（DSS），联合（IOU）的交叉点以及针对地面真实（GT）的准确性（GT）评估了使用拟议方法生成的五个ROI，并选择了最佳的感兴趣区域作为最佳ROI。最后，将最终的ROI与DSS的不同最新深度学习算法和基于区域的分割算法进行了比较。在第一个实验设置中，其中15个随机选择的大脑图像用于测试，并实现了DSS值为0.89。在第二和第三实验设置中，提出的方法分别为12个随机选择和800个脑图像的DSS值分别为0.90和0.80。三个实验设置的平均DSS值为0.86。
确定改善移动和固定实验中EEG数据基于ICA基于ICA的分解的关键因素
EEG硬件和分析方法中的摘要最新发展允许在固定设置和移动设置中进行记录。否则实验设置，脑电图记录被噪声污染，必须在功能解释数据之前将其删除。独立的组件分析（ICA）是一种综合使用的工具，可从数据中删除眼部运动，肌肉活动和外部噪声，并分析有关脑电图有效脑源水平的活动。过滤数据的有效性是改善先前研究的分解的一个关键预处理步骤。然而，迄今为止尚无研究比较有关ICA分解预处理的移动和固定实验的不同要求。因此，我们评估了脑电图实验，通道数量和预处理过程中高通滤波器的临界值如何影响ICA分解。我们发现，对于常用的设置（固定实验，64个通道，0.5 Hz滤波器），ICA结果是可以接受的。但是，在移动实验中应使用高达2 Hz截止频率的高通滤波器，并且更多的通道需要更高的过滤器才能达到最佳分解。在移动实验中发现了更少的大脑IC，但是即使使用低密度通道设置，使用ICA清洁数据也很重要且功能性。根据结果，我们为改善ICA分解的不同实验设置提供了指南。
宾夕法尼亚州立大学研究生院 ...
第 3 章 双静态条件下的散射强度 23 3.1 SSQ-53D 声纳浮标 ....................。。。24 3.1.1 声纳浮标组件。。。。。。。。。。。。。。。。。。。。.25 3.1.2 机载信号调节 ................28 3.1.3 SSQ-53D 的强度处理 ..............30 3.2 使用 SSQ-53D 测量强度 ................31 3.2.1 空气中强度 .......................32 3.2.2 水中强度 .....................37 3.3 理论散射模型 ..............。。。。。43 3.4 彭德-奥雷湖实验。。。....................46 3.4.1 实验设置 ........................46 3.4.2 数据分析程序 .......。。。。。。。。。。。。。。51
探索基于脑电图的设计研究：系统评价
方法 本研究系统回顾了在产品设计或建筑等各种设计领域使用 EEG 的实验设计研究。使用系统评价和荟萃分析的首选报告项目 (PRISMA) 方法选择了 29 篇论文。所选论文于 2012 年至 2022 年期间在同行评审期刊上发表，以英文撰写，并对其设计、变量、EEG 工具和指标、刺激、实验设置、分析方法和发现进行了分析。分析采用框架、人群、干预、控制、结果和设置 (PICOS) 方法。
基于 SSVEP 的 BCI 系统的正则化张量管道
大脑中周期性信号称为稳态视觉诱发电位 (SSVEP)，由闪烁刺激引起。它们通常通过回归技术检测，该技术需要相对较长的试验长度来提供反馈和/或足够数量的校准试验才能在脑机接口 (BCI) 的背景下可靠地估计。因此，对于设计用于使用 SSVEP 信号操作的 BCI 系统，可靠性是以速度或额外记录时间为代价的。此外，无论试验长度如何，当存在影响对闪烁刺激的注意力的认知扰动时，无校准回归方法已被证明会出现显著的性能下降。在本研究中，我们提出了一种称为振荡源张量判别分析 (OSTDA) 的新技术，该技术提取振荡源并使用新开发的基于张量的收缩判别分析对其进行分类。所提出的方法对于只有少量校准试验可用的小样本量设置非常可靠。此外，它在低通道数和高通道数设置下都能很好地工作，试验时间短至一秒。 OSTDA 在不同实验设置（包括具有认知障碍的实验设置）下的表现与其他三种基准最新技术相似或明显更好（即具有控制、听力、口语和思考条件的四个数据集）。 总体而言，在本文中，我们表明 OSTDA 是所有研究管道中唯一能够在所有分析条件下实现最佳结果的管道。 2021 由 Elsevier BV 出版
利用LLM进行ICD编码和不确定性估计
1简介1 1。1问题配方2 1。2研究问题3 2相关工作5 2。1 ICD编码的先前方法5 2。 1。 1传统的机器学习方法5 2。 1。 2深度学习方法6 2。 1。 3个大语言模型（LLMS）6 2。 2利用ICD代码层次结构进行距离计算8 2。 3在模型训练中解决非差异损失功能9 2。 4不确定性10 3方法13 3。 这项工作中使用的1个LLM 13 3。 2数据集16 3。 3数据处理16 3。 3。 1临床笔记处理16 3。 3。 2 ICD- 10代码处理17 3。 3。 3数据拆分17 3。 4 T 5-基本编码的模型17 3。 5使用t 5中的任务前缀进行ICD编码18 3。 6将ICD-10代码层次结构纳入培训过程18 3。 6。 1定义基于距离的损耗函数18 3。 6。 2克服解码模型输出的挑战23 3。 7用于ICD编码的微调T 5 24 3。 8评估指标24 3。 8。 1总距离（TD）24 3。 8。 2 ICD第2章（IIC）25 3。 8。 3无关的ICD块（IIB）25 3。 8。 4无关的ICD第三级（IIT）25 3。 9模型不确定性估计25 3。 10实验设置27 4结果29 4。 1数据分析结果29 4。 2。1 ICD编码的先前方法5 2。1。1传统的机器学习方法5 2。1。2深度学习方法6 2。1。3个大语言模型（LLMS）6 2。2利用ICD代码层次结构进行距离计算8 2。3在模型训练中解决非差异损失功能9 2。4不确定性10 3方法13 3。这项工作中使用的1个LLM 13 3。2数据集16 3。3数据处理16 3。3。1临床笔记处理16 3。3。2 ICD- 10代码处理17 3。3。3数据拆分17 3。4 T 5-基本编码的模型17 3。 5使用t 5中的任务前缀进行ICD编码18 3。 6将ICD-10代码层次结构纳入培训过程18 3。 6。 1定义基于距离的损耗函数18 3。 6。 2克服解码模型输出的挑战23 3。 7用于ICD编码的微调T 5 24 3。 8评估指标24 3。 8。 1总距离（TD）24 3。 8。 2 ICD第2章（IIC）25 3。 8。 3无关的ICD块（IIB）25 3。 8。 4无关的ICD第三级（IIT）25 3。 9模型不确定性估计25 3。 10实验设置27 4结果29 4。 1数据分析结果29 4。 2。4 T 5-基本编码的模型17 3。5使用t 5中的任务前缀进行ICD编码18 3。6将ICD-10代码层次结构纳入培训过程18 3。6。1定义基于距离的损耗函数18 3。6。2克服解码模型输出的挑战23 3。7用于ICD编码的微调T 5 24 3。8评估指标24 3。8。1总距离（TD）24 3。8。2 ICD第2章（IIC）25 3。 8。 3无关的ICD块（IIB）25 3。 8。 4无关的ICD第三级（IIT）25 3。 9模型不确定性估计25 3。 10实验设置27 4结果29 4。 1数据分析结果29 4。 2。2 ICD第2章（IIC）25 3。8。3无关的ICD块（IIB）25 3。8。4无关的ICD第三级（IIT）25 3。9模型不确定性估计25 3。10实验设置27 4结果29 4。1数据分析结果29 4。2。2实验结果30 4。1 LLM和ICD编码的输入长度的比较31 4。2。2比较ICD编码的不同块策略32