XiaoMi-AI文件搜索系统
World File Search System影来
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
住院和门诊患者脑电图不同类型伪影的出现频率
已经进行了各种研究来减少脑电图中的伪影。改进脑带记录技术、使用计算机方法去除伪影以及使用各种滤波器都是提高脑电波记录质量的方法 [3, 7-8]。在 Lee One 等人的干预下，使用自动系统去除伪影，其灵敏度为 82.4%，特异性为 83.3%，并在很大程度上消除了伪影。该方法的灵敏度和特异性在很大程度上类似于由受过训练的操作员去除伪影 [9]。在另一项研究中，肉毒杆菌毒素注射用于减少肌源性伪影，这显著减少了肌源性伪影 [10]。去除肌肉伪影已被证明可将癫痫发作定位的灵敏度从 62% 提高到 81%，其最佳效果是在具有中度至重度肌肉伪影的发作带中。去除伪影可以更早地检测到鱼鳞病改变并检测到隐藏在伪影中的物品 [6]。另一方面，也有研究表明，使用一些方法和计算机程序去除伪影的效度较低[11]。
使用自适应方法从脑电图信号中去除伪影...
脑电图是使用分布在颅骨周围的小电极记录的。电极的数量各不相同，国际临床神经生理学联合会采用的标准之一是国际 10-20 电极放置协议，该协议描述了 21 个电极的放置位置[ 24 ]，但也有许多应用使用 35 通道、125 通道甚至高密度 256 通道。《行为与脑科学杂志》的一篇文章探讨了不同数量的电极对移动活动期间记录的脑电图的影响。[19 ]随着电极数量的增加，捕获的脑电图质量会提高，但成本和设置也会变得更加复杂和耗时。
使用深度学习去除脑电图中的眼部伪影
摘要 —EEG 信号是复杂的低频信号。因此，它们很容易受到外界因素的影响。EEG 伪影去除在神经科学中至关重要，因为伪影会对 EEG 分析结果产生重大影响。在这些伪影中，眼部伪影的去除最具挑战性。在本研究中，通过开发基于双向长短期记忆 (BiLSTM) 的深度学习 (DL) 模型，提出了一种新颖的眼部伪影去除方法。我们通过结合 EEGdenoiseNet 和 DEAP 数据集创建了一个基准数据集来训练和测试所提出的 DL 模型。我们还通过在不同 SNR 水平下用 EOG 污染地面真实干净的 EEG 信号来增强数据。然后使用通过小波同步压缩变换 (WSST) 获得的高度局部化时频 (TF) 系数将 BiLSTM 网络馈送到从增强信号中提取的特征。我们还将基于 WSST 的 DL 模型结果与传统 TF 分析 (TFA) 方法，即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强原始信号进行了比较。首次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明，与传统 TF 和原始信号方法相比，WSST-Net 模型显著提高了伪影去除性能。此外，所提出的 EOG 去除方法表明，它优于文献中许多传统和基于 DL 的眼部伪影去除方法。索引词 —EEG、眼部伪影、深度学习、LSTM、BiLSTM、WSST、STFT、CWT。
使用双层脑电图来表征和消除乒乓球运动中的伪影
摘要：研究人员可以通过研究在现实环境中运动的人类来提高大脑研究的生态效度。最近的研究表明，双层脑电图可以提高步态过程中脑电皮层记录的保真度，但目前尚不清楚这些积极结果是否可以推广到非运动范式。在我们的研究中，我们在参与者打乒乓球时用双层脑电图记录大脑活动，乒乓球是一项全身反应性运动，可以帮助研究视觉运动反馈、物体拦截和表现监控。我们用时频分析和相关头皮和参考噪声数据来表征伪影，以确定不同传感器捕获伪影的效果。正如预期的那样，单个头皮通道与噪声匹配通道时间序列的相关性高于与头部和身体加速度的相关性。然后，我们比较了使用和不使用双层噪声电极的伪影去除方法。独立成分分析将通道分成多个成分，我们根据偶极子模型的拟合并使用自动标记算法来计算高质量大脑成分的数量。我们发现使用噪声电极进行数据处理可以提供更清晰的大脑成分。这些结果推动了记录需要全身运动的人类行为中高保真大脑动态的技术方法，这将对脑科学研究大有裨益。
用于验证纤维束成像和评估伪影的物理和数字模型
纤维束成像广泛用于通过扩散加权磁共振成像 (dMRI) 在体内非侵入性地绘制白质束。与所有科学方法一样，无论是在基础神经科学领域还是在临床环境中，适当的验证都是成功应用纤维束成像的关键先决条件。众所周知，从局部扩散信号间接估计纤维束非常模糊且极具挑战性。此外，纤维束成像方法的验证因缺乏真实的基础事实而受到阻碍，这是由极其复杂的大脑微结构造成的，这种微结构无法通过非侵入性直接观察到，而大脑中庞大的长距离纤维连接网络的基础正是纤维束成像方法的实际目标。作为可用于验证的真实基础事实的体内数据的替代品，一种广泛且成功采用的方法是使用合成幻影。在这项工作中，我们概述了物理和数字幻影领域的最新技术，回答了以下指导性问题：“什么是 dMRI 幻影，它们有什么用处？”，“用于验证纤维束成像的理想幻影是什么样的？”和“研究界可以使用哪些幻影、幻影数据集和用于创建它们的工具？”。我们将进一步讨论使用 dMRI 幻影的局限性和机遇，以及该研究领域未来可能的发展方向。
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
减少语音扭曲和通过损失功能增强语音的伪影
深度学习的语音增强已取得了显着的进步。然而，诸如语音扭曲和伪像之类的挑战仍然存在。这些问题可以降低听觉质量和语音识别系统的准确性，这在采用轻量级模型时尤其。因此，本文研究了管理语音失真和伪像的基本原则，并引入了一种新颖的组合损失函数，该函数整合了语音活动检测（VAD）信息和语音连续性以解决问题。此外，基于提出的损失功能设计了一种新的培训策略，以解决训练极小模型上这种综合损失的困难。实验 - 我们的方法对DNS2020数据集的有效性和实际会议数据在增强主观和objective语音指标以及自动语音识别（ASR）性能方面的有效性。索引术语：言语增强，损失功能，语音差异，光谱中断，伪影
Photonic伪影中的比率发光纳米热度法
摘要：科学和技术的持续发展需要在越来越高的空间分辨率下进行温度测量。具有温度敏感发光的纳米晶体是提供高精度和远程读取的这些应用的流行温度计。在这里，我们证明了比率发光热实验可能会遭受纳米结构环境中的系统误差。我们将基于灯笼的发光纳米热计处于距AU表面高达600 nm的控制距离。尽管这种几何形状不支持吸收或散射谐振，但由于光态的变化密度变化导致温度计的变形导致高达250 K的温度读出误差。我们的简单分析模型解释了温度计发射频率，实验设备以及误差幅度的样品的效果。我们在几种实验场景中讨论了我们发现的相关性。这种错误并不总是发生，但是在反映界面或散射对象附近的测量中可以预期它们。关键字：光子学，光态的密度，温度传感，纳米晶，灯笼的发射
人工智能伦理影响评估：从原则到实践白皮书
※6） https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/pdf/20210709_6.pdf