XiaoMi-AI文件搜索系统
World File Search System瞬时时间
离散动态系统的数字孪生
本文采用离散阻尼动态系统来研究数字孪生这一新兴概念。动态系统在工程和科学领域中得到了很好的理解，并且代表了一个熟悉且方便的平台，可用于探索数字孪生设计的各个方面。目的是创建一个可用于与航空航天、电气、机械和计算领域相关的工程科学的框架。物理系统的虚拟模型表示为两个时间尺度的微分方程，使用慢时间的概念将系统特性的演变与瞬时时间分开。分别和一起考虑了涉及刚度变化和质量变化的情况。假设通过放置在物理系统上的传感器来测量阻尼固有频率和时间响应。研究了数字孪生传感器测量中的误差和采样率降低问题。数字孪生通过闭式表达式表示为解析解，并通过模拟得出传感器误差的影响。本文总结了本文介绍的几个关键概念，并提出了未来迫切需要研究的想法。当前的工作摆脱了文献中普遍存在的对数字孪生的定性描述，可以作为基准解决方案来验证实验动态系统的数字孪生及其实现
MBrain：一种用于脑信号的多通道自监督学习框架
脑信号是理解人脑生理活动和疾病的重要定量数据。同时，快速发展的深度学习方法为更好地建模脑信号提供了广泛的机会，近年来吸引了大量研究投入。现有研究大多关注监督学习方法，但该方法需要高成本的临床标签。此外，侵入性（如SEEG）和非侵入性（如EEG）方法测得的脑信号的临床模式差异巨大，导致缺乏统一的方法。为了处理上述问题，本文提出研究脑信号的自监督学习（SSL）框架，可应用于预训练SEEG或EEG数据。直观地看，脑信号是由神经元放电产生的，会在人脑不同的连接结构之间传输。受此启发，我们提出MBrain来学习不同通道（即电极触点，对应不同的脑区）之间隐含的空间和时间相关性，作为统一建模不同类型脑信号的基石。具体来说，我们用一个图结构来表示空间相关性，该图结构是基于提出的多通道 CPC 构建的。我们从理论上证明优化多通道 CPC 的目标可以得到更好的预测表示，并在此基础上应用瞬时时间移位预测任务。然后，我们通过设计延迟时间移位预测任务来捕捉时间相关性。最后，提出替代判别学习任务来保留每个通道的特征。在 EEG 和 SEEG 大规模真实数据集上进行的大量癫痫检测实验表明，我们的模型优于几种最先进的时间序列 SSL 和无监督模型，并且有能力部署到临床实践中。