XiaoMi-AI文件搜索系统
World File Search System活动识别
根据 UNI EN 13:432 标准，对以下植物毒性作用进行评估的报告：
4.1 活动识别 ................................................................................................................................................................ 8 4.2 样品制备 .............................................................................................................................................................. 8 项目 3 - 微粒软木塞 1+1，25x44 毫米，带微球（MIB） ............................................................................. 8 项目 4 - 微粒软木塞，24x44 毫米，不带微球（MIB） ............................................................................. 9 项目 5 - 天然软木塞，26x44 毫米，带新涂层 ............................................................................................. 10 4.3 工具和方法 ................................................................................................................................................ 11 4.4 工业堆肥 ............................................................................................................................................................. 11 4.5 过程监控 ............................................................................................................................................................. 12
Ashish Jaiswal博士
12/2023德克萨斯大学阿灵顿分校的研究生研究助理，美国德克萨斯州阿灵顿，美国08/2020∂建立了一种机器学习工具，以检测脊髓受伤的受试者的认知疲劳（CF），同时使用日常任务，同时使用多模式的可穿戴能力传感器（ECG，EDA，EDA，EDA，EEG，EEG，EEG，EGB）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（EG）（eg）（EGB）（EGB）（Refyb）。通过fMRI扫描中的脑损伤患者（TBI）中的认知疲劳（CF）应用深度学习技术。∂使用计算机视觉和机器学习开发了自动化评估系统（ATEC），以通过视频中的人类活动识别和分类来评估儿童在临床上批准的身体运动/任务时通过人类活动识别和分类进行评估。应用自我监督的学习技术来提高整体表现。Python Pytorch计算机视觉深度学习可穿戴传感器自我监督学习
用于可解释的多变量时间序列分类的多模态原型学习
多变量时间序列分类问题在生物学和金融等多个领域越来越普遍和复杂。虽然深度学习方法是解决这些问题的有效工具，但它们往往缺乏可解释性。在这项工作中，我们提出了一种用于多变量时间序列分类的新型模块化原型学习框架。在我们框架的第一阶段，编码器独立地从每个变量中提取特征。原型层在生成的特征空间中识别单变量原型。我们框架的下一阶段根据多变量时间序列样本点与这些单变量原型的相似性来表示它们。这会产生一种固有可解释的多变量模式表示，原型学习应用于提取代表性示例，即多变量原型。因此，我们的框架能够明确识别各个变量中的信息模式以及变量之间的关系。我们在具有嵌入模式的模拟数据集以及真实的人类活动识别问题上验证了我们的框架。我们的框架在这些任务上实现了与现有时间序列分类方法相当或更优异的分类性能。在模拟数据集上，我们发现我们的模型返回与嵌入模式一致的解释。此外，在活动识别数据集上学习到的解释与领域知识一致。
基于人工智能的系统，利用物联网环境传感器和 LLM 进行复杂的活动跟踪
复杂活动识别在老年人护理辅助中起着重要作用。然而，边缘设备的推理能力受到经典机器学习模型容量的限制。在本文中，我们提出了一种非侵入式环境传感系统，该系统可以检测多种活动并应用大型语言模型 (LLM) 来推理活动序列。这种方法有效地结合了边缘设备和 LLM，帮助老年人进行日常活动，例如提醒他们吃药或处理跌倒等紧急情况。基于 LLM 的边缘设备还可以作为与老年人互动的界面，尤其是有记忆问题的老年人，帮助他们的日常生活。通过部署这样的系统，我们相信智能传感系统可以提高老年人的生活质量并提供更有效的保护。
使用 GAP9 SoC 进行实时闭环脑电图处理
项目描述 闭环可穿戴脑电图处理系统包括信号收集前端、数据预处理和活动识别信号处理单元以及意图呈现执行器。其中，处理单元在意图识别性能指标中起着关键作用，包括能耗、推理延迟以及识别准确性。Greenwaves Technologies 的 GAP9 为 AI 应用提供了一流的超低能耗神经网络性能，因此可以成为从脑电图信号中读取意图的完美候选。此外，GAP9 还具有用于高精度信号预处理的 DSP 单元、高功率效率和高源时钟以实现快速响应。该提案旨在测试 GAP9 上闭环电机想象识别的整体性能，您将有非常好的机会巩固您在机器学习、边缘设备推理以及脑电图相关科学方面的知识。要求/知识...
在人类活动中优化机器学习模型...
摘要： - 人类活动识别（HAR）是一项具有巨大潜力的技术，利用来自智能手机和相机等各种设备的数据。它在诸如驾驶，清洁和游戏之类的日常活动中找到了应用程序，涉及站立，坐着，慢跑和打字等基本运动。对这些动作的准确识别对于有效的人类计算机相互作用系统至关重要。这项工作结合了一个HAR模块，以从数据信号中提取有价值的见解。IT使用机器学习（ML）模型来使用来自物联网可穿戴传感器的原始数据自动检测人类活动，包括MLP算法中的Adagrad和Elu等创新组合。使用统计指标（例如精度，精度，召回和F1得分）评估ML模型的性能，并与现有模型进行比较。
![arxiv：2401.17417v2 [CS.CV] 2025年2月7日](/simg/g:\will\search\icon\source\0\0cab6b23a1e86d597c98b15c2232be9c8b4e8596.webp)
arxiv：2401.17417v2 [CS.CV] 2025年2月7日
这项工作提出了一种在整个场景中从WiFi通道状态信息（CSI）中综合IMENES的开创性方法。利用wifi的优势，例如成本效益，照明不变性和墙壁穿透功能，我们的方法可以视觉弥补房间边界以外的室内环境，而无需相机。更一般地，它通过解锁执行基于图像的下游任务（例如视觉活动识别）的选项来提高WiFi CSI的可解释性。为了实现从WiFi CSI到图像的跨模式翻译，我们依赖于适合我们问题细节的多模式变量自动编码器（VAE）。我们通过消融研究结构结构的消融研究以及对重建图像的量词/定性评估，广泛评估了我们提出的方法。我们的结果证明了我们方法的生存能力，并突出了其实用应用的潜力。
对基于计算机视觉的物理康复和评估方法的审查
摘要计算机视觉社区已经广泛研究了人类运动分析的领域，该领域主要侧重于姿势估计，活动识别，姿势或手势识别等。对于许多应用，例如监测肌肉骨骼或身体障碍患者的功能康复，其要求是相对评估人类运动。在这项调查中，我们捕获了有关基于视觉的监测和身体康复的重要文献，该文献着重于对人类运动的比较评估，并讨论了该领域当前研究的状态。与该领域的其他评论不同，该评论是从临床目标写的，本文从计算机视觉应用程序的角度提出了该领域的研究。我们提出了自己对基于计算机视觉的康复和评估研究的分类法，这些分类法进一步分为子类别，以捕获每项研究的新颖性。审查讨论了由于人类运动异常的广泛范围和自动评估这些异常的困难，因此讨论了该领域的挑战。最后，提供了有关未来研究方向的建议。
节能的受大脑启发的超维......
摘要 — 近年来，受脑启发的超维计算 (HDC) 在医疗诊断、人类活动识别和语音分类等广泛应用中展示了良好的性能。尽管 HDC 越来越受欢迎，但其以内存为中心的计算特性使得联想内存实现由于海量数据的存储和处理而能耗巨大。在本文中，我们提出了一个系统的案例研究，利用 HDC 的应用级错误恢复能力，通过电压调节来降低 HDC 联想内存的能耗。对各种应用的评估结果表明，我们提出的方法可以在联想内存上节省 47.6% 的能耗，而准确度损失不超过 1%。我们进一步探索了两种低成本的错误屏蔽方法：字屏蔽和位屏蔽，以减轻电压调节引起的错误的影响。实验结果表明，提出的字屏蔽（位屏蔽）方法可以进一步提高节能效果，最高可达 62.3%（72.5%），准确度损失不超过 1%。
Volterra神经网络（VNN）
推断机器学习（ML）的重要性导致了大量不同的建议，尤其是在深度学习中。试图降低卷积神经网络的复杂性，我们提出了一个伏特拉过滤器启发的网络体系结构。此体系结构以延迟的数据输入样本之间的相互作用形式引起了受控的非线性。我们提出了一个级联的Volterra滤波实现，以大大减少执行与调用神经网络相同的分类任务所需的参数数量。我们证明了该伏特拉神经网络（VNN）的有效的并行实现，同时保持了相对简单且可能更易于处理的结构。此外，我们还展示了该网络对非线性融合RGB（空间）信息和视频序列的光流（时间）信息的相当复杂的适应，以进行动作识别。在UCF-101和HMDB-51数据集上评估了所提出的方法，以进行动作识别，并显示出优于最先进的CNN方法的状态。我们论文的代码库可在GitHub（https://github.com/sid- roheda/volterra-neural-networks）上找到。关键字：Volterra滤波器，活动识别，激活免费学习