摘要 - 我们介绍了DeepDecs,这是一种用于合成校准系统正确构造软件控制器的新方法,这些系统使用深神经网络(DNN)分类器,用于他们决策过程的感知步骤。尽管近年来在深度学习方面取得了重大进展,但为这些系统提供安全保证仍然非常具有挑战性。我们的控制者合成方法通过将DNN验证与验证的Markov模型的合成来解决这一挑战。综合模型对应于确保满足自主系统的安全性,可靠性和性能要求的离散事件软件控制器,并且相对于一系列优化目标,帕累托是最佳的。我们通过使用该方法来评估模拟方法的方法来合成移动机器人碰撞限制的控制器,并在共享控制自动驾驶中保持驾驶员的专注。
印度教科技研究所,coimbatore 1 sentinfo@gmail.com,2 venkat.it@gmail.com,4 ramasamy.s@hit.s@hit.edu.in,4 md.devendran@gmail.com摘要:该项目旨在为食品和beverage提供精确估算的自动化系统,以估算食物和beverage的自动化系统,并深入研究。随着对健康意识的人的需求不断增长,需要使用可靠,高效且易于使用的工具,可以帮助用户做出明智的饮食选择。该项目利用图像处理技术和深度学习模型(例如卷积神经网络(CNN))来分析食物图像并预测相应的卡路里含量。该系统首先捕获食品或饮料的图像,然后将其处理并通过预先训练的深度学习模型。该模型在包含各种食品的图像及其营养信息的大型数据集上进行培训。预处理输入图像后,该模型通过利用其学习的特征来对食物进行分类并估算卡路里计数。然后将估计的卡路里值实时显示给用户。该项目利用关键技术,包括图像识别,深度学习和营养分析。它旨在将其集成到移动应用程序或Web平台中,从而使用户可以有效地跟踪其每日热量摄入量。通过在不同的数据集上进行培训,可以不断提高系统的准确性,从而确保对不同食品的可靠卡路里估算。该工具有可能通过促进更健康的饮食习惯来彻底改变个人健康管理。关键词:卡路里估计,深度学习,图像识别,食物分类,卷积神经网络,健康管理,营养分析,实时预测。
这项研究的重点是在视频中移动对象检测的关键任务,以提高识别场景中动态特征的准确性和效率。所提出的方法专门结合了光流估计的准确性;带有Yolo(您只看一次)模型强的对象检测功能的Farneback方法。Yolo用于识别视频帧中的对象,并并发光流分析用于识别运动模式。这里提出了一种创新方法,该方法评估了检测到的对象内每个像素的运动角度和大小,以获得精确的移动对象识别。系统根据显示明显运动的像素的百分比来确定对象是否通过设置阈值来移动。,由于这种自适应技术,可以识别出较少的假阳性和更高的精度,因此可以识别移动对象。在各种数据集上的实验发现证明了建议的方法在精确识别移动对象方面的有效性。通过用于运动分析的光流和用于对象检测的YOLO的组合提供了一个完整的有效解决方案,可在视频流中移动对象检测。此处提出的方法在视频分析,自主系统和监视中具有潜在的应用,在该视频分析,自主系统和监视中,精确检测动态特征至关重要。索引项 - 移动对象检测,光流估计,运动角度和幅度。
如今,由于技术的出现(例如计算机断层扫描(CT)扫描和磁共振成像(MRI),2,3,2,3,。 此外,系统疾病患者的治疗方法的进展和增加的存活率增加,导致转移到中枢神经系统或中枢神经系统感染的高发病率中,部分是由于免疫系统缺乏症(因受到免疫缺陷症的接受或辅助症而受到免疫治疗的患者)的一部分,或引起了免疫缺陷的(辅助因素),这是由于受到免疫缺陷的(辅助因素)的影响。系统癌的化学疗法);多样性和中枢神经系统神经病理学的数量增加了需要对大脑空间病变(SOLS)的组织学和细胞学的更准确详细鉴别诊断(SOLS)4,5的需求。 在大多数患者中,可以通过临床和实验室发现准确诊断脑病变。 例子是多发性硬化症,继发性感染和寄生虫疾病,转移性肿瘤以及全身性疾病的大脑参与。 但是,在CT扫描或MRI中诊断出的许多脑部病变是该疾病的唯一可证明的文件,其治疗设计取决于组织学诊断6,7如今,由于技术的出现(例如计算机断层扫描(CT)扫描和磁共振成像(MRI),2,3,2,3,。此外,系统疾病患者的治疗方法的进展和增加的存活率增加,导致转移到中枢神经系统或中枢神经系统感染的高发病率中,部分是由于免疫系统缺乏症(因受到免疫缺陷症的接受或辅助症而受到免疫治疗的患者)的一部分,或引起了免疫缺陷的(辅助因素),这是由于受到免疫缺陷的(辅助因素)的影响。系统癌的化学疗法);多样性和中枢神经系统神经病理学的数量增加了需要对大脑空间病变(SOLS)的组织学和细胞学的更准确详细鉴别诊断(SOLS)4,5的需求。在大多数患者中,可以通过临床和实验室发现准确诊断脑病变。例子是多发性硬化症,继发性感染和寄生虫疾病,转移性肿瘤以及全身性疾病的大脑参与。但是,在CT扫描或MRI中诊断出的许多脑部病变是该疾病的唯一可证明的文件,其治疗设计取决于组织学诊断6,7
图1:制造多功能基于纤维的探针。 a,将纤维预成型放在热图烤箱中,将其加热至320°C。Capstan在速度v Capstan处的预形式向下拉动,而在v downfeed处的预形成型则进一步降低了烤箱。 所产生的纤维的横截面区域,纤维=(v Capstan /v Downfeed)×A预成型。 钨(W)微管通过收敛(方法)掺入纤维中。 b,由此产生的纤维(D纤维=187。 1±2。 5 µm)具有与预形式相同的横截面几何形状(d Preform = 7。 5毫米)。 e,每个设备都有用于电气接口的电极连接器,一个不锈钢液体连接器(ID = 304 µm,OD = 457 µm),不锈钢支撑管(ID = 432 µM,OD = 635 µM)和纤维(D Fiber = 187。 1±2。 5 µm)。 我们使用了7个纤维长度。 0±0。 在这项研究中, 3 cm,但从0-2 m开始的长度是可行的。 d,纤维的横截面,被嵌入环氧树脂包围。 纤维的外径用虚线的白线表示。 e,纤维尖端的侧视图。 f,将设备组装在带有商业微训练的皮质网格中。 皮层网格组件包括用于硬脑膜穿透G的导管,所得纤维中电极的阻抗光谱表明,电极在10 2至10 5 Hz上具有特征性的1/F阻抗曲线。 插图显示600-1600 Hz之间的阻抗。 阻抗为1000 kHz = 223。 9±36。 7±22。图1:制造多功能基于纤维的探针。a,将纤维预成型放在热图烤箱中,将其加热至320°C。Capstan在速度v Capstan处的预形式向下拉动,而在v downfeed处的预形成型则进一步降低了烤箱。所产生的纤维的横截面区域,纤维=(v Capstan /v Downfeed)×A预成型。钨(W)微管通过收敛(方法)掺入纤维中。b,由此产生的纤维(D纤维=187。1±2。5 µm)具有与预形式相同的横截面几何形状(d Preform = 7。5毫米)。e,每个设备都有用于电气接口的电极连接器,一个不锈钢液体连接器(ID = 304 µm,OD = 457 µm),不锈钢支撑管(ID = 432 µM,OD = 635 µM)和纤维(D Fiber = 187。1±2。5 µm)。 我们使用了7个纤维长度。 0±0。 在这项研究中, 3 cm,但从0-2 m开始的长度是可行的。 d,纤维的横截面,被嵌入环氧树脂包围。 纤维的外径用虚线的白线表示。 e,纤维尖端的侧视图。 f,将设备组装在带有商业微训练的皮质网格中。 皮层网格组件包括用于硬脑膜穿透G的导管,所得纤维中电极的阻抗光谱表明,电极在10 2至10 5 Hz上具有特征性的1/F阻抗曲线。 插图显示600-1600 Hz之间的阻抗。 阻抗为1000 kHz = 223。 9±36。 7±22。5 µm)。我们使用了7个纤维长度。0±0。3 cm,但从0-2 m开始的长度是可行的。d,纤维的横截面,被嵌入环氧树脂包围。纤维的外径用虚线的白线表示。e,纤维尖端的侧视图。f,将设备组装在带有商业微训练的皮质网格中。皮层网格组件包括用于硬脑膜穿透G的导管,所得纤维中电极的阻抗光谱表明,电极在10 2至10 5 Hz上具有特征性的1/F阻抗曲线。插图显示600-1600 Hz之间的阻抗。阻抗为1000 kHz = 223。9±36。7±22。分别以蓝色和黄色显示了高压灭菌前后的平均阻抗±标准误差。在高压灭菌和206之前6kΩ。9kΩh,探针微流体的流体特性的表征表明,探针能够以10-100 nl/min的速度准确注射。每个点显示了测得的输注率和95%的置信区间;左上角插图显示在50 nl/min时的输注率误差。右下角插图显示了处于稳态状态下的输注曲线 - 数量以接近恒定的速率流动,而设定体积和测量体积之间的平均绝对误差(MAE)为1.77 nl。i,动态材料分析表明,纤维(n = 3)比不锈钢毛细管(ID = 51 µm,OD = 203 µM OD)刚性较硬。
摘要:背景:高频丘脑刺激是对必需震颤的有效疗法,主要影响自愿运动和/或持续的姿势。然而,由于震颤的间歇性质,连续刺激可能会给大脑带来不必要的电流。目的:我们建议通过使用植入刺激的同一电极记录的局部场电位来检测发动机的运动状态来关闭丘脑刺激的循环,以便仅在必要时提供刺激。方法:八名基本震颤患者参加了这项研究。患者特定的支持向量机分类器是第一次使用记录的数据进行训练,而患者进行了发动机震动的运动。然后,实时应用训练有素的模型来检测这些运动并触发刺激的传递。结果:使用所提出的方法,当存在震动运动时,刺激的时间为80.37±7.06%。相比,