XiaoMi-AI文件搜索系统
World File Search System杜阿尔特
哈维尔·M·杜阿尔特
• 美国能源部奖美国 CMS SPRINT——研究实习学者计划 (2023-2026) 的关键人员。 • 美国能源部奖西部计算高能物理高级培训 (WATCHEP) 的关键人员 (2022-2027)。 • 美国国家科学基金会 HDR 数据驱动发现加速人工智能算法研究所 (A3D3) 的关键人员和研究所 PI (2021-2026)。 • 美国能源部高级培训 HEP 联盟 (HEPCAT) 奖的关键人员 (2021-2024)。 • 美国能源部科学前沿实时数据缩减协同设计奖的联合 PI (2021-2024)。 • 美国能源部粒子重建和希格斯物理实时人工智能早期职业奖的 PI (2020-2025)。 • 担任美国能源部高能物理物理启发人工智能 FAIR 框架奖的联合 PI（2020-2023 年）。 • 担任美国国家科学基金会科学与工程人工智能神经网络处理器探索奖的联合 PI（2020-2021 年）。 • 大型强子对撞机异构计算研究关键人员
杜阿尔特实验室 - 德克萨斯大学奥斯汀分校
先前的研究尝试使用机器学习分类方法将人们可能记住的事件的单次试验神经反应与可能忘记的事件区分开来。成功的单次试验分类具有转化为临床领域的潜力，可以实时检测记忆和其他认知状态，从而提供实时干预（即脑机接口）。然而，大多数这些研究（以及一般的分类分析）并没有明确所选方法是否最适合对与记忆相关的大脑状态进行分类。为了解决这个问题，我们系统地比较了分类的每个步骤（即特征提取、特征选择、分类器选择）的不同方法，以研究哪些方法最适合解码情景记忆大脑状态——这是此类分析的首次。使用在执行情景上下文编码和检索任务期间收集的成人寿命样本 EEG 数据集，我们发现没有一种特定的特征类型（包括基于共同空间模式 (CSP) 的特征、均值、方差、相关性、基于 AR 模型的特征、熵、相位和相位同步）在区分不同记忆类别方面始终优于其他特征类型。然而，提取所有这些特征类型的效果始终优于仅提取一种特征。此外，与单独过滤或根本不进行特征选择相比，过滤和顺序前向选择的组合是选择有效特征的最佳方法。此外，尽管所有分类器