XiaoMi-AI文件搜索系统
World File Search System特征编码
聆听和想象的 MEG 对旋律反应的声学特征编码
音乐意象是在没有外部听觉输入的情况下对音乐进行的内部再创造。虽然许多研究已经调查了音乐聆听和意象的神经相关性，但很少有研究探讨后者过程中声学特征的编码。在本研究中，我们采用多元时间响应函数 (mTRF) 来检查在音乐聆听和意象过程中，音符起始、包络和包络起始等旋律特征如何编码在脑磁图 (MEG) 反应中。我们的分析表明，音符起始和包络起始在聆听和意象条件下都能显著预测 MEG 反应。值得注意的是，这些声学特征和神经活动之间的相关性在群体和个体层面都很明显。此外，预测相关拓扑图显示在聆听和意象任务期间位于颞叶上方的通道中的相关值会增加。
量子驱动的深度学习可增强糖尿病视网膜病变检测
传统卷积神经网络 (CNN) 已显示出识别糖尿病 (DR) 引起的视网膜病变的潜力。然而，发展量子计算有可能改善特征表示。我们提出了一种混合方法，将经典 CNN 与量子电路相结合，利用经典和量子信息进行 DR 分类。使用 Keras 和 Qiskit 框架，我们的模型将图片特征编码为量子态，从而实现更丰富的表示。通过对一系列视网膜图片的实验，我们的模型表现出了竞争力，在对 DR 严重程度进行分类方面具有出色的可靠性和准确性。这种经典和量子范式的结合为增强 DR 诊断和治疗提供了一种新方法。
解决酵母中的分类问题 - 统一方法
在我们的研究中，我们通过整合DNA和生理特征来建立酵母菌和属描述的统一标准。具体而言，我们专注于序列身份（SI）和源自ITS1-2和LSU rDNA标记的组合的进化距离（ED），以及生理谱（DPP）之间的新参数。我们首先根据组合序列构建了一个系统发育树，并计算了树上所有酵母对之间的SI。酵母生理特征编码，并进行比较以构建生理模拟图。值得注意的是，生理树状图密切反映了遗传树状图。使用两个树状图，我们在Kazachstania和Starmerella进化枝内可视化和鉴定出强大的分类界限，并得到了RDNA系统发育树的进一步支持（1-4）。SI和ED之间的强相关性证实了我们基于DNA的方法的可靠性，而DPP的整合进一步增强了物种描述。，这些标准共同为分类划分提供了一个全面的框架，可推广到所有酵母菌和属。
面向机器人的个性人工智能：目标型生成人格模型用于通过人形机器人的非语言行为表达个性时的潜在群体容量
设计机器人个性是一项多方面的挑战。每个与人类互动的机器人都是一个独立的物理存在，可能需要自己的个性。因此，机器人个性工程师面临的问题与人格心理学家的问题相反：机器人个性工程师需要将一批相同的机器人制造成个体个性，而不是对已经存在的个体个性进行全面而简约的描述。到目前为止，机器人个性研究在展示机器人个性的积极影响方面卓有成效，但在如何大规模设计机器人个性方面尚无进展。为了为大规模生产的机器人设计机器人个性，我们需要一个生成性个性模型，该模型具有将机器人的个体特征编码为个性特质的结构，并生成具有反映这些特征的个体间和个体内差异的行为。我们提出了一种由目标塑造的生成性人格模型，作为我们一直致力于的机器人人格人工智能的一部分，并且我们进行了测试，以调查当该模型用于通过人形机器人头部的非语言行为表达人格时，它实际上可以支持多少个个体人格。
大脑优化提取复杂声音特征以驱动连续听觉感知 Berezutskaya, Y.; Freudenburg, ZV; Güçlü, U.; Gerven,
了解人类大脑如何处理听觉输入仍然是一个挑战。传统上，人们会区分低级和高级声音特征，但它们的定义取决于特定的理论框架，可能与声音的神经表征不匹配。在这里，我们假设构建一个数据驱动的听觉感知神经模型，对相关声音特征做出最少的理论假设，可以提供一种替代方法，并可能更好地匹配神经反应。我们收集了六名观看长时间故事片的患者的皮层脑电图记录。原始电影配乐用于训练人工神经网络模型以预测相关的神经反应。该模型实现了高预测准确率，并且很好地推广到第二个数据集，其中新参与者观看了不同的电影。提取的自下而上的特征捕捉了特定于声音类型的声学特性，并与各种响应延迟曲线和不同的皮质分布相关。具体而言，一些特征编码了与语音相关的声学特性，其中一些特征表现出较短的延迟曲线（与后外侧裂皮质中的反应相关），而另一些特征表现出较长的延迟曲线（与前外侧裂皮质中的反应相关）。我们的研究结果支持并扩展了当前对语音感知的看法，证明了外侧裂皮质中存在时间层次，并且在视听语音感知过程中涉及该区域以外的皮质部位。
拥有超过 200 个目标的高速混合脑机接口
摘要 目的. 脑机接口（BCI）近年来在扩展其指令集方面取得了重大进展，引起了研究者的广泛关注。目标和命令的数量是BCI解码大脑意图能力的关键指标。目前尚无研究报道过具有超过200个目标的BCI系统。方法. 本研究开发了第一个具有多达216个目标的高速BCI系统，这些目标由多种脑电图特征编码，包括P300、运动视觉诱发电位（mVEP）和稳态视觉诱发电位（SSVEP）。具体而言，混合BCI范式使用时频分多址策略，用不同时间窗的P300和mVEP以及不同频率的SSVEP精心标记目标。然后通过任务判别成分分析和线性判别分析解码混合特征。十名受试者参加了离线和在线提示引导拼写实验。另外十名受试者参加了在线自由拼写实验。主要结果。离线结果显示，mVEP 和 P300 成分在中央、顶叶和枕叶区域突出，而最明显的 SSVEP 特征在枕叶区域。在线提示引导拼写和自由拼写结果表明，所提出的 BCI 系统对 216 个目标分类的平均准确率分别为 85.37% ± 7.49% 和 86.00% ± 5.98%，平均信息传输速率 (ITR) 分别为 302.83 ± 39.20 位分钟 -1 和 204.47 ± 37.56 位分钟 -1。值得注意的是，峰值 ITR 可达 367.83 位分钟 -1。意义。本研究开发了第一个超过 200 个目标的高速 BCI 系统，有望扩展 BCI 的应用场景。
![arxiv：2306.11137v1 [eess.iv] 2023年6月19日](/simg/g:\will\search\icon\source\a\aec2225b328fb4ca18e3057ee2fee65eff0d007c.webp)
arxiv：2306.11137v1 [eess.iv] 2023年6月19日
t 2加权磁共振成像（MRI）和扩散加权成像（DWI）是宫颈癌诊断的重要组成部分。但是，由于图像的不对准，将这些训练的这些渠道结合起来是具有挑战性的。在这里，我们提出了一个新型的多头框架，该框架使用扩张的卷积和共享残留连接来单独编码多参照MRI图像。我们采用残留的U-NET模型作为基线，并执行一系列建筑实验，以根据多参数输入通道和特征编码配置来评估肿瘤分割性能。所有实验均使用包括207例局部晚期宫颈癌患者在内的队列进行。Our proposed multi- head model using separate dilated encoding for T 2 W MRI, and combined b1000 DWI and apparent diffusion coefficient (ADC) images achieved the best median Dice coefficient similarity (DSC) score, 0.823 (confidence interval (CI), 0.595-0.797), outperforming the conventional multi-channel model, DSC 0.788 (95% CI, 0.568-0.776），尽管差异没有统计学意义（p> 0.05）。我们使用3D Grad-CAM和通道辍学研究了通道灵敏度，并强调了T 2 W和ADC通道对准确的肿瘤分割的关键重要性。但是，我们的结果表明，B1000 DWI对整体细分性能有很小的影响。我们证明，使用单独的扩张特征提取器和独立的上下文学习提高了模型减少DWI边界效应和变形的能力，从而改善了分割性能。我们的发现可能对可以扩展到其他多模式分割应用程序的可靠和可推广模型的开发具有重要意义。
叙事功能或结构化功能？大语模型的研究
众所周知，抽象的癌症治疗会引入心脏毒性，对结局产生负面影响和生存。识别患有心力衰竭风险（HF）的癌症患者对于改善癌症治疗结果和安全性至关重要。这项研究检查了机器学习（ML）模型，以使用电子健康记录（EHR）（包括传统的ML，时间感知的长期短期记忆（T-LSTM）（T-LSTM）和大型语言模型（LLMS），使用从结构性医疗代码中得出的新型叙事特征。我们确定了来自佛罗里达大学健康的12,806名患者，被诊断出患有肺部，乳腺癌和结直肠癌，其中1,602名患者在癌症后患有HF。LLM，GatorTron-3.9b，达到了最佳的F1分数，表现优于传统的支持向量机39％，T-LSTM深度学习模型乘以7％，并且广泛使用的变压器模型BERT，5.6％。分析表明，所提出的叙事特征显着提高了特征密度和提高的性能。引言癌症和心血管疾病是美国（美国）的前2个死亡原因，它们通常在多个层次上共存并相交。1-3癌症是全球重要的公共卫生问题，也是美国第二常见的死亡原因。在2023年，美国有1,958,310例新的癌症病例，导致609,820例死亡。4肺癌和支气管癌是最致命的癌症形式，估计导致127,070例死亡，其次是结直肠癌，估计有52,550例死亡。Yang等。 angraal等。 Yu等。Yang等。angraal等。Yu等。Yu等。乳腺癌是最常见的癌症诊断，估计有30万人。已知许多癌症治疗方式，例如化学疗法和放射疗法，都引入心脏毒性并可能导致心脏故障，这是癌症患者疾病和死亡的重要原因。5例癌症患者经常面临双重挑战，即不仅要管理其原发性癌症，而且还涉及癌症治疗的潜在心脏毒性作用。6即使不是直接心脏毒性，癌症治疗也会导致代谢，能量平衡，贫血和其他生理压力源的变化，这些胁迫可能会加速或发现先前存在的患者心脏病的倾向。为了解决这个问题，心脏肿瘤学是结合心脏病学和肿瘤学知识以识别，观察和治疗癌症患者心血管疾病的越来越感兴趣的领域。HF的发生率显着有限，对癌症的治疗方案显着影响，并对生活质量产生负面影响。使用电子健康记录（EHR）来识别有HF风险的癌症患者，以帮助决策并提高癌症治疗的安全性。通常将HF的预测作为二进制分类任务进行处理，该任务是使用机器学习模型来对其进行访问的，以将给定的个体分类为正（以HF风险）或负面（无HF风险）类别。先前的研究探索了使用EHR来使用传统的机器学习模型和基于神经网络的深度学习模型来预测HF的风险。混合神经网络11-13，包括混合动力7系统地探索了传统的机器学习模型，包括逻辑回归（LR），随机森林（RF），支持向量机（SVMS）和梯度增强（GB），具有单速和术语频率内文档频率（TF-IDF）特征编码策略。8开发了使用LR，RF，GB和SVM的HF患有HF的门诊病人的死亡率和住院模型。9探索了英国生物库的基因组学数据以进行心力衰竭预测。在这些先前的研究中，来自EHR的结构化医疗法规通常表示为具有零值和零值的向量，其中零表示患者没有相应的特征，而患者表示患者具有相应的特征，称为单次编码。然而，在单次编码期间，EHR的事实结构被简化为向量表示，而无需考虑时间关系。为了捕获事件时间结构，研究人员探索了深度学习方法，例如使用长期短期记忆（LSTM）10实施的复发性神经网络。