XiaoMi-AI文件搜索系统
World File Search System时间
基于精确脉冲时间的触摸定位事件计算
精确的脉冲定时和时间编码在昆虫的神经系统和高阶动物的感觉外围中得到广泛应用。然而，传统的人工神经网络 (ANN) 和机器学习算法无法利用这种编码策略，因为它们的信号表示是基于速率的。即使在人工脉冲神经网络 (SNN) 的情况下，确定时间编码优于 ANN 的速率编码策略的应用仍然是一个悬而未决的挑战。神经形态传感处理系统为探索时间编码的潜在优势提供了理想的环境，因为它们能够从相对脉冲定时中有效地提取聚类或分类时空活动模式所需的信息。在这里，我们提出了一个受沙蝎启发的神经形态模型来探索时间编码的好处，并在基于事件的传感处理任务中对其进行验证。该任务包括仅使用八个空间分离的振动传感器的相对脉冲定时来定位目标。我们提出了两种不同的方法，其中 SNN 以无监督的方式学习聚类时空模式，并展示了如何通过分析和多个 SNN 模型的数值模拟来解决该任务。我们认为，所提出的模型对于使用精确脉冲时间进行时空模式分类是最佳的，可以用作评估基于时间编码的事件感知处理模型的标准基准。
OMOP CDM 中的药物剂量和暴露时间
如果源数据中没有每日剂量，则可以使用最常见剂量：对于每个源药物概念或源/目标药物概念组合，定义最常见剂量，然后将其应用于缺少剂量的记录。如果根本没有每日剂量，可以使用 ATC DDD（定义每日剂量）作为用于成人主要适应症的药物的假定平均每日维持剂量 4 。该方法在 OHDSI 论坛 5 上进行了讨论，并在口服固体药物上进行了测试。使用另一个合理的估计来评估方法的合理性：根据以下处方计算结束日期并假设服药的最常见持续时间应为 7/30/60/90 天。此外，我们审查了来源中 200 种最常见药物的结果，并得出结论，在大多数情况下，ATC DDD 方法是适用的（例如，来源药物是“氨氯地平 5 毫克口服片”，总量 = 28 片，ATC DDD = 5 毫克 => 计算持续时间 = 28 天）。但是，这种方法有一些局限性。一些药物的剂量不同，适用于不同的治疗目的，例如，阿司匹林作为镇痛药/解热药的剂量为 3 克/天，作为抗血栓剂的剂量为 1 片/天（与强度无关）。
EEG-TCNet：用于嵌入式运动想象脑机接口的精确时间卷积网络
摘要 —近年来，深度学习 (DL) 对基于脑电图 (EEG) 的运动想象脑机接口 (MI-BMI) 的改进做出了重大贡献。在实现高分类准确率的同时，DL 模型的规模也不断扩大，需要大量的内存和计算资源。这对嵌入式 BMI 解决方案提出了重大挑战，该解决方案应通过本地处理数据来保证用户隐私、减少延迟和低功耗。在本文中，我们提出了 EEG-TCN ET，一种新颖的时间卷积网络 (TCN)，它在只需要少量可训练参数的情况下实现了出色的准确率。其低内存占用和低推理计算复杂度使其适合在资源有限的边缘设备上进行嵌入式分类。在 BCI 竞赛 IV- 2a 数据集上的实验结果表明，EEG-TCN ET 在 4 类 MI 中实现了 77.35% 的分类准确率。通过为每个受试者找到最佳网络超参数，我们进一步将准确率提高到 83.84%。最后，我们在 Mother of All BCI Benchmarks (MOABB) 上展示了 EEG-TCN ET 的多功能性，这是一个包含 12 个不同 EEG 数据集和 MI 实验的大规模测试基准。结果表明，EEG-TCN ET 成功地推广到单个数据集之外，在 MOABB 上的表现比目前最先进的 (SoA) 好 0.25 倍。索引术语 — 脑机接口、运动意象、深度学习、卷积神经网络、边缘计算。
学习空间和时间中的自相似性作为视频动作识别的广义运动
时空卷积通常无法学习视频中的运动动态，因此需要一种有效的运动表示来理解自然界中的视频。在本文中，我们提出了一种基于时空自相似性（STSS）的丰富而鲁棒的运动表示。给定一系列帧，STSS 将每个局部区域表示为与空间和时间中邻居的相似性。通过将外观特征转换为关系值，它使学习者能够更好地识别空间和时间中的结构模式。我们利用整个 STSS，让我们的模型学习从中提取有效的运动表示。我们所提出的神经块称为 SELFY，可以轻松插入神经架构中并进行端到端训练，无需额外监督。通过在空间和时间上具有足够的邻域体积，它可以有效捕捉视频中的长期交互和快速运动，从而实现鲁棒的动作识别。我们的实验分析表明，该方法优于以前的运动建模方法，并且与直接卷积的时空特征互补。在标准动作识别基准 Something-Something-V1 & V2、Diving-48 和 FineGym 上，该方法取得了最佳效果。
T.E. 2019模式时间表DR的测试和咨询服务实验室（TCS实验室）。 ...
令人满意地遵守上述标准和NABL的相关要求。（要查看该实验室的认证范围，您也可以访问NABL网站www.nabl-india.org）
材料动态过程的时间分辨断层扫描
层析成像是分析内部成分排列的一种方法。医学可能是利用这种方法并推动其发展的最著名学科。[1–3] 然而，层析成像也已应用于其他研究领域，如材料科学[4,5]、生物学[6]、考古学[7]甚至流体动力学[8]，并且在工业领域也越来越受到认可，例如用于质量控制[9]或无损检测[10]。图像采集与实时重建算法[11]、高级图像分析[12]、特征分割和识别分析算法[13,14]与现代机器学习工具[15,16]的结合增强了这种方法的潜力。如今，实验室扫描仪普及且功能强大，受益于改进的空间和时间分辨率，尽管尖端实验仍然局限于高亮度同步加速器和X射线自由电子激光器。可以在极短的时间内获得高空间分辨率。[17,18] 对高空间和时间分辨率、大视野和高总记录时间的需求意味着目标的冲突。文献中概述了不同设备可用的实际速度和分辨率。[19–21]
测试时间适应性的神经网络，用于强大的医学图像分割
卷积神经网络（CNN）在培训数据集代表预期在测试时遇到的变化时，可以很好地解决监督学习问题。在医学图像细分中，当培训和测试图像之间的获取细节（例如扫描仪模型或协议）之间存在不匹配和测试图像之间的不匹配时，就会违反此前提。在这种情况下，CNNS的显着性能降解在文献中有很好的记录。为了解决此问题，我们将分割CNN设计为两个子网络的串联：一个相对较浅的图像差异CNN，然后是将归一化图像分离的深CNN。我们使用培训数据集训练这两个子网络，这些数据集由特定扫描仪和协议设置的带注释的图像组成。现在，在测试时，我们适应了每个测试图像的图像归一化子网络，并在预测的分割标签上具有隐式先验。我们采用了经过独立训练的Denoising自动编码器（DAE），以对合理的解剖分段标签进行模型。我们验证了三个解剖学的多中心磁共振成像数据集的拟议思想：大脑，心脏和前列腺。拟议的测试时间适应不断提供绩效的改进，证明了方法的前景和普遍性。对深CNN的体系结构不可知，第二个子网络可以使用任何分割网络使用，以提高成像扫描仪和协议的变化的鲁棒性。我们的代码可在以下网址提供：https：//github.com/neerakara/test- time- aptaptable-neural-near-netural-netural-networks- for- domain-概括。
非定域时钟中广义相对论时间膨胀的通用量子修改
相对论通过世界线将每个运动物体与一个固有时联系起来。然而在量子理论中，这种明确定义的轨迹是被禁止的。在介绍量子钟的一般特征之后，我们证明，在弱场、低速极限下，当运动状态为经典（即高斯）时，所有“良好”量子钟都会经历广义相对论所规定的时间膨胀。另一方面，对于非经典运动状态，我们发现量子干涉效应可能导致固有时与时钟测量的时间之间出现显著差异。这种差异的普遍性意味着它不仅仅是一个系统误差，而是对固有时本身的量子修改。我们还展示了时钟的离域性如何导致其测量时间的不确定性增大——这是时钟时间与其质心自由度之间不可避免的纠缠的结果。我们展示了如何通过在读取时钟时间的同时测量其运动状态来恢复这种丢失的精度。
引力时间扩张作为量子传感的资源
量子力学改变了我们对物理世界的看法，在过去的二十年中，物理系统的量化特征也已成为技术不同分支的资源[1，2]。尤其是，当计量学遇到量子机械时，就可以使用整个新的新特征来提高物理测量的精度，并构想新颖的量子增强方案以表征信号和设备[3-5]。相对论也改变了物理的范例，并发现了相关的技术应用[6]。因此，是否可以共同利用相对论和量子机械性能以提高物理测量的精度。在本文中，我们遵循了这一想法，并证明了范式相对论特征，重力时间扩张确实可能代表了可以与量子叠加一起使用的资源，以证明重力常数的估计或其变化。
