XiaoMi-AI文件搜索系统
World File Search System时间域
体型的生物电子传感器节点
能量能力感测和人体周围和内部生物传感器的物理安全通信是今天的主要研究领域，用于发展低成本的医疗保健，实现连续的监测和/或安全的，永久的操作。当用作节点网络时，这些设备会形成物体互联网（IOB），这带来了某些挑战，包括严格的资源约束（功率/区域/计算/内存），同时感应和通知以及由DHS和FDA Advision所证明的安全漏洞。另一个主要挑战是找到一种有效的车身能量收集方法来支持感应，通信和安全子模块。由于收获的能量量的局限性，我们需要减少单位信息消耗的能量，从而使用传感器分析/处理势在必行。在本文中，我们回顾了低功率感测，处理和交流中的挑战和机遇，并可能为未来的生物传感器节点提供动力模态。特别是，我们分析，比较和对比度（a）不同的感应机制，例如电压/电流do-主及时间域，（b）低功率，安全的通信方式，包括无线技术和人体交流，以及（c）使用耐磨机和耐磨机构的功率供电技术。
脉冲神经网络中人工智能启发大脑模型的时空模式表示
摘要：大脑中的神经元群体活动是空间域信息和时间域动态的综合响应。由于大脑的复杂性和硬件的局限性，对这种时空机制进行建模是一个复杂的过程。在本文中，我们展示了如何使用从大脑改编的信息处理原理来创建受大脑启发的人工智能 (AI) 模型并表示时空模式。通过使用脉冲神经网络设计微型大脑，可以证明这一点，其中激活的神经元群体表示空间域中的信息，而传输信号表示时间域中的动态。输入视觉刺激激发的空间位置感觉神经元进一步激活运动神经元以触发运动反应，从而导致机器人代理的行为改变。首先，模拟一个孤立的大脑网络，以了解从感觉到运动神经元的激发部分，同时绘制膜电位和时间之间的波形。还绘制了网络对刺激机器人身体运动的响应以展示表示。模拟显示了特定视觉刺激的反应如何改变行为，并帮助我们理解身体和大脑的同步。感知的环境和由此产生的行为反应使我们能够研究身体与环境的相互作用。
基于机器学习和同等电路模型的EIS数据的电池SOC估算
估计电池的充电状态（SOC）对于众多系统（包括电动汽车，智能电网和便携式电子设备）的适当管理和安全操作至关重要。虽然没有直接测量SOC的实用方法，但已经开发了几种估计方法，包括越来越多的基于机器学习的技术。机器学习方法是本质上数据驱动的，但也可以从模型中嵌入的A-Priori知识中受益。在这项工作中，我们首先通过探索性数据分析证明，可以区分不同的SOC与电化学阻抗光谱（EIS）测量值。然后，我们提出了一种基于EIS和等效电路模型的SOC估计方法，以提供一种紧凑的方法来描述电池阻抗的频域和时间域行为。我们通过将其应用于由不同SOC值的四个锂离子圆柱细胞上执行的EIS测量的数据集来实验验证了该方法。所提出的方法允许进行非常有效的模型训练，并产生低维的SOC分类模型，该模型的精度超过93％。由此产生的低维分类模型适合将电池供电系统嵌入到在线SOC估计中。
用于对象跟踪的深度脉冲神经网络
摘要 — 脉冲神经网络 (SNN) 是一种生物学上合理的模型，具有高计算能力和低功耗的优点。而深度 SNN 的训练仍然是一个悬而未决的问题，这限制了深度 SNN 的实际应用。在这里，我们提出了一种名为 Spiking SiamFC++ 的深度 SNN 架构，用于通过端到端直接训练进行对象跟踪。具体而言，在时间域上扩展 AlexNet 网络以提取特征，并采用代理梯度函数实现深度 SNN 的直接监督训练。为了检查 Spiking SiamFC++ 的性能，考虑了几个跟踪基准，包括 OTB2013、OTB2015、VOT2015、VOT2016 和 UAV123。发现与原始 SiamFC++ 相比，精度损失很小。与现有的基于 SNN 的目标跟踪器（例如 SiamSNN）相比，所提出的 Spiking SiamFC++ 的精度（连续性）达到 85.24%（64.37%），远高于 SiamSNN 实现的 52.78%（44.32%）。据我们所知，Spiking SiamFC++ 的性能优于现有的基于 SNN 的对象跟踪的先进方法，这为 SNN 在目标跟踪领域的应用提供了一条新途径。这项工作可能会进一步促进 SNN 算法和神经形态芯片的发展。
通过游戏化方式监控建筑信息
摘要：为了实现高效的设施管理，监测建筑信息（如能耗、室内温度、占用率以及建筑结构变化）非常重要。在本文中，我们提出了一种通过游戏化监测建筑信息的新方法。在我们的方法中，设施的员工通过玩竞争性手机游戏来记录建筑元素的状态。传统上，外部传感器用于自动收集有关建筑物使用的信息。与此相反，我们的方法利用员工的个人手机作为传感器来识别感兴趣的对象并报告其状态。此外，我们建议使用众包作为数据收集工具。这样，手机游戏的用户就可以收集积分并相互竞争。游戏结束时，获胜的团队将获得奖励。我们利用各种游戏化策略来提高用户收集建筑数据的积极性。我们扩展了具有时间域的传统 3D BIM 模型，以便能够跟踪建筑物随时间的变化。最后，我们对真实用例建筑进行了实验，其中员工使用我们的系统持续了三个月。我们在实验后研究中研究了我们的方法和激励策略。我们的结果表明，游戏化可以成为建立信息监控的可行工具。此外，我们注意到，激励在游戏化的数据获取中起着关键作用。
心率可变性应用在强度和调节中
摘要：心率变异性（HRV）定义为相邻心跳之间时间间隔的波动，通常用作自主功能的替代量度。HRV已成为越来越多的可穿戴技术可用于健身和运动应用的变量。然而，随着其使用的增加，该技术在强度和条件方面的应用之间存在差距。本叙事文献综述的目标是讨论当前的证据，并提出有关HRV在强度和条件方面的应用的初步准则。进行了文献综述，以寻找HRV以及力量和条件，旨在通过时间域测量进行研究。研究表明，HRV是评估培训计划后评估培训状况，适应性和恢复的有用指标。尽管减少的HRV可能是过度训练和/或过度训练综合征的迹象，但它可能不是有氧运动训练的运动员的敏感标志物，因此对于不同的运动人群具有不同的公用事业。与多种类型的培训中的预定义编程相比，HRV指导的编程可能具有效用。基于证据的初步指南，讨论了HRV在强度和条件方面的应用。这是一个不断发展的研究领域，需要更多的数据来评估在强度和条件方面应用HRV的最佳实践。
使用可解释的人工智能来获得基于脑电图信号的有效癫痫检测模型
摘要：癫痫病是一种影响全球5000万个人的疾病，会对他们的生活质量产生重大影响。癫痫发作，一种短暂的发生，其特征是表现范围，包括运动功能和意识的改变。这些事件对受影响的人的日常生活施加了重新限制，经常导致社会孤立和心理困扰。在响应中，通过EEG信号分析，采用机器学习和深度学习方法来检测和预防癫痫发作。本研究提出了一种减少简单分类器所需的特征和渠道数量的方法，利用可解释的人工智能（XAI）检测癫痫发作。所提出的方法通过在时间域分析中仅利用六个特征和五个通道，其准确性，精度，召回和F1得分超过95％，其时间窗口为1 s。该模型证明了数据库中包含的患者队列中的强大概括，这表明在简单模型中的特征降低（没有深度学习）足以进行癫痫发作检测。该研究强调了属性和渠道数量大量减少的潜力，主张培训具有战略性选择的电极的模型，从而支持开发有效的移动应用程序以进行癫痫发作检测。
用于分类的机器学习方法
电磁诱导（EMI）方法通常用于对未爆炸的军械（UXO）进行分类。用于分类的现代时间域系统是多组分，并在多个时间渠道中获取许多发射器收络对。传统上，分类是使用基于物理的反转方法完成的，在该方法中，从EMI数据估算了极化曲线。然后将这些曲线与库中的曲线进行比较，以根据某些误解来寻找匹配。在这项工作中，我们开发了一个直接从EMI数据中分类UXO的卷积神经网络（CNN）。类似于图像分割问题，我们的CNN输出了一个保留输入空间维度的分类图。我们使用使用偶极模型生成的合成数据来训练CNN，以考虑相关的UXO和混乱对象。我们使用两步工作流。首先，我们训练CNN以检测字段数据中的金属对象。从此，我们提取仅包含背景信号的数据贴片，并使用它们来生成一个新的训练数据集，并将此背景噪声添加到我们的合成数据中。第二个CNN经过这些数据训练以执行分类。我们使用Sequim Bay海洋测试地点中使用Ultratema-4系统获取的领域数据测试我们的方法。
探索睡眠心率变异性：线性、非线性和昼夜节律视角
结果：在线性分析的频率分析中，睡眠期间的副交感神经指数 nHF 明显高于平均 24 小时周期（平均睡眠 HRV [标准差] vs. 平均 24 小时 [标准差]，95% 置信区间，p 值，r 系列：0.24 [0.057] vs. 0.23 [0.045]，0.006–0.031，p = 0.005，r = 0.49）。关于时间域分析，副交感神经指数 SDNN 和 RMSSD 在睡眠期间也明显较高（SDNN：179.7 [66.9] vs. 156.6 [53.2]，14.5–31.7，p < 0.001，r = 0.71 RMSSD：187.0 [74.0] vs. 165.4 [62.2]，13.2–30.0，p < 0.001，r = 0.70）。在非线性分析的几何方法中，副交感神经指数 SD1 和 SD2 在睡眠期间显示出明显更高的值（SD1：132.4 [52.4] vs. 117.1 [44.0]，9.3–21.1，p < 0.001，r = 0.70 SD2：215.0 [80.5] vs. 185.9 [62.0]，17.6–40.6，p < 0.001，r = 0.69）。此外，副交感神经指数 SDNN、RMSSD、SD1 和 SD2 的昼夜节律项目在睡眠期间呈现正峰值。
分子对接，ADMET，DFT研究和新苯甲酰唑酮衍生物作为HIV-1逆转录酶（RT）抑制剂的曲折策略
背景：血友病-A是一种与性别有关的遗传性出血疾病，例如普通人群，心血管疾病的死亡率目前是血友病患者死亡的三分之一。方法：对五十名儿童进行了一项案例对照研究；与二十五名健康男性儿童相比，有25名男性血友病-A。12铅表面ECG，24小时的Holleter监测和基本的超声心动图评估均已为所有参与的儿童进行。结果：ECG记录表明，血友病儿童与对照组中的心率（B/分钟），QTC/MSEC，最大和QT分散体在血友病儿童中增加了24小时holter。将血友病儿童中HRV（MS）的时间域参数降低与健康对照组进行了比较。在受试者的数量和频率中，患病组和健康组之间观察到显着差异，而QTC分散剂的增加超过了ECG检测到的70 ms，但没有被Holter检测到。结论：血友病儿童的QT分散量增加，这使他们有患心律失常，通过抑郁率HRV检测到的同情迷神经失衡，并使他们暴露于心脏病发病和心脏突然死亡。