XiaoMi-AI文件搜索系统
World File Search System稀疏
多任务稀疏典型相关分析及其在多模态脑成像遗传学中的应用
脑成像遗传学是脑科学中一个新兴的重要课题，它整合了遗传因素和神经影像表型测量。这种结合不同遗传和基因组数据的整合研究有望揭示大脑结构和功能的遗传基础，并进一步为解释遗传变异与阿尔茨海默病 (AD) 等脑部疾病之间的因果关系提供新的机会 [1]，[2]。现代神经影像技术，如磁共振成像 (MRI) 和正电子发射断层扫描 (PET)，基于不同的技术对大脑的形态和代谢过程进行成像，并从不同角度生成描述大脑的不同图像数据。这些多模态图像数据提供了互补的信息，并已被证明可以提供对大脑结构、功能和脑部疾病的全面理解 [3]。此外，在生物医学研究中，我们通常会面临大量的基因分型生物标记，例如单核苷酸多态性 (SNP)，它是全基因组关联研究 (GWAS) 中的一种高分辨率标记。因此，开发面向GWAS、快速高效、同时整合多模态成像数据的成像遗传学方法具有重要的意义和意义。
通过联合稀疏性的堆叠深度嵌入回归进行脑电图特征选择
在脑机接口 (BCI) 领域，选择高效且稳健的特征对于人工智能 (AI) 辅助临床诊断非常有吸引力。在本研究中，我们基于嵌入式特征选择模型，以逐层方式构建堆叠深度结构进行特征选择。其良好的性能由堆叠广义原理保证，即添加到原始特征中的随机投影可以帮助我们以堆叠方式连续打开原始特征空间中存在的流形结构。有了这样的好处，原始输入特征空间变得更加线性可分。我们使用波恩大学提供的癫痫脑电图数据来评估我们的模型。基于脑电图数据，我们构建了三个分类任务。在每个任务中，我们使用不同的特征选择模型来选择特征，然后使用两个分类器根据所选特征进行分类。我们的实验结果表明，我们的新结构选择的特征对分类器更有意义且更有帮助，因此比基准模型产生更好的性能。
ELSE：通过基于行的稀疏性探索实现高效的深度神经网络推理
摘要：受脑启发的计算机架构有助于嵌入式 AI 应用实现低功耗、低延迟的深度神经网络推理。硬件性能主要取决于推理过程中非零激活（即事件）的数量。因此，我们提出了一种新颖的事件抑制方法，称为 ELSE，该方法通过基于线的稀疏性探索来提高推理效率。具体而言，它利用激活图中相邻线之间的空间相关性来减少网络事件。与传统处理相比，ELSE 可将事件触发的计算量在各种网络架构中减少 3.14 ∼ 6.49 ×（用于对象检测）和 2.43 ∼ 5.75 ×（用于姿势估计）。此外，我们表明，将 ELSE 与其他事件抑制方法相结合可以显著提高空间抑制的计算节省量，或将时间抑制的状态内存占用量减少 2 × 以上。后者缓解了时间执行超出真实嵌入式平台资源限制的挑战。这些结果凸显了 ELSE 显著的事件抑制能力及其为 SOTA 方法提供补充性能增强的能力。
InstantsPlat：无界的稀疏视觉无姿势无姿势的高斯裂口在40秒内
虽然新颖的视图合成（NVS）在3D计算机视觉中取得了进步，但通常需要从密集的视点对摄像机内在和外部设备进行初始估计。这种预处理通常是通过结构 - 运动（SFM）管道来进行的，这是一种可以缓慢且不可靠的操作，尤其是在稀疏视图方案中，匹配的功能不足，无法进行准确的重建。In this work, we integrate the strengths of point-based representations (e.g., 3D Gaus- sian Splatting, 3D-GS) with end-to-end dense stereo mod- els (DUSt3R) to tackle the complex yet unresolved is- sues in NVS under unconstrained settings, which encom- passes pose-free and sparse view challenges.我们的框架工作，InstantsPlat，用3D-GS统一了密集的立体声先验，以构建稀疏场景的3D高斯大型场景 -
变化的无种子凉拌盆地的定量和定性特征受到果实稀疏影响
目的：由于其营养丰富的好处，观赏价值和药用特性，大百年来已使用了数个世纪。伊朗是最大的无种子凉棚生产国，在气候干燥，土壤条件差和严重的水短缺的各个地区，这种生产商一直在增长。替代轴承是无种子烟草生产中的常见问题。为了避免这种情况，稀疏已被用作果园管理中的一种常见文化实践。研究方法：在这项研究中，在75、100和150 mg/l的三个化学稀释剂中，包括50、20和40 mg/l的萘乙酸（NAA），在50、20和40 mg/l和ethephon和ethephon和ethephon和ethephon和ethephon和ethephon in 50、100和200 mg/l，以及在Birjand，iran of birjand fall中应用了一个商业化的（20％）。稀疏率，定量和定性性状与在2015年和2016年期间随机完整块设计中的拆分图中进行了研究。的发现：结果表明，NAA在10 mg/L时导致最高的果实脱落。营养性状，例如芽的长度，每芽的叶子数量和叶片面积在处理下显示出显着增加，而芽直径与对照没有显着差异。化学稀疏可显着增强芽的淀粉和糖，尤其是在“ On”年（2015年）。在对照中观察到“关闭”年中的最小叶绿素含量在10 ppm中最高。所有治疗方法都会在“ Off”一年（2016年）中增加无种子的牛奶灌木产量。研究局限性：未遇到限制。生化特征，例如抗坏血酸，总可溶性固体，可滴定的酸度和花色苷。独创性/价值：为了避免在无种子的牛bar灌木中替代替代方案，稀疏被用作果园管理中的一种常见文化实践。因此，建议使用NAA 10 mg/L的应用以控制替代轴承和更好的水果质量。
研究论文基于 fNIRS 使用稀疏表示解码步行意象和空闲状态
目的.基于功能性近红外光谱（fNIRS）的脑机接口（BCI）有望为严重影响其生活质量的步行功能障碍患者提供一种可选的主动康复训练方法。利用稀疏表示分类（SRC）氧合血红蛋白（HbO）浓度对步行表象和空闲状态进行解码，构建基于步行表象的 fNIRS-BCI。方法.招募15名受试者，采集步行表象和空闲状态下的 fNIRS 信号。首先对 HbO 信号进行带通滤波和基线漂移校正，提取 HbO 的均值、峰值、均方根（RMS）及其组合作为分类特征；利用 SRC 对提取的特征进行识别，并将 SRC 的结果与支持向量机（SVM）、K 最近邻（KNN）、线性判别分析（LDA）和逻辑回归（LR）的结果进行比较。结果.实验结果表明，三种特征组合的SRC对于步行想象和静止状态的平均分类准确率为91.55±3.30%，显著高于SVM、KNN、LDA和LR的86.37±4.42%、85.65±5.01%、86.43±4.41%和76.14±5.32%，且其他组合特征的分类准确率均高于单一特征的分类准确率。结论研究表明，在fNIRS-BCI中引入SRC能有效识别步行想象和静止状态。同时特征提取的不同时间窗口对分类结果有影响，2～8 s的时间窗口取得了比其他时间窗口更好的分类准确率（94.33±2.60%）。显著性意义。该研究旨在为步行功能障碍患者提供一种新的、可选的主动康复训练方法，此外该实验也是一项罕见的基于fNIRS-BCI利用SRC解码步行意象和静止状态的研究。
深度基于模型的强化学习，用于对机器人系统的预测控制，并具有稀疏奖励
抽象的稀疏奖励和样本效率是增强学习领域的开放研究领域。在考虑对机器人技术和其他网络物理系统的增强学习应用时，这些问题尤其重要。之所以如此，是因为在这些领域中，许多任务都是基于目标的，并且自然而然地表达了二进制成功和失败，动作空间较大且连续，并且与环境的实际相互作用受到限制。在这项工作中，我们提出了深层的价值和预测模型控制（DVPMC），这是一种基于模型的预测增强学习算法，用于连续控制，该算法使用系统识别，值函数近似和基于采样的优化对选择动作。该算法是根据密集的奖励和稀疏奖励任务进行评估的。我们表明，它可以使预测控制方法的性能与密集的奖励问题相匹配，并且在样本效率和性能的指标上，在稀疏奖励任务上优于模型和基于模型的学习算法。我们验证了使用DVPMC训练在仿真的机器人上培训的代理商的性能。可以在此处找到实验的视频：https：//youtu.be/ 0q274kcfn4c。
面向全球和区域直达卫星物联网服务的稀疏卫星星座设计
摘要 — 在本文中，我们介绍并设计了用于直接卫星物联网 (DtS-IoT) 的稀疏星座。DtS-IoT 不需要地面基础设施，因为设备直接连接到充当轨道网关的低地球轨道卫星。稀疏星座的关键思想是通过 (i) 适当确定资源受限的 IoT 服务中存在的传输延迟，以及 (ii) 最佳定位轨道网关，显着减少在轨 DtS-IoT 卫星的数量。首先，我们分析 LoRa/LoRaWAN 和 NB-IoT 标准，并推导出两个连续经过卫星之间最大间隙时间的实际约束。然后，我们引入并优化了一种算法来设计稀疏 IoT 星座的准最优拓扑。最后，我们将我们的设计应用于全球和区域覆盖，并分析延迟、轨道平面数量和卫星总数之间的权衡。结果表明，考虑到 3 小时和 2 小时的间隔，稀疏星座仅需传统密集星座所需卫星数量的 12.5% 和 22.5%，即可提供全球范围的物联网覆盖。此外，我们还表明，对于 LoRa/LoRaWAN 和 NB-IoT，仅需 4 颗卫星和 3 颗卫星即可实现非洲和欧洲的特定区域覆盖。
功能性脑网络稀疏分层表征学习用于预测自闭症严重程度
机器学习算法已广泛应用于自闭症谱系障碍 (ASD) 的诊断工具，揭示了大脑连接的改变。然而，对于基于磁共振成像 (MRI) 的大脑网络是否与大规模队列中的 ASD 症状严重程度有关，人们知之甚少。我们提出了一个基于图卷积神经网络的框架，可以生成稀疏分层图表示以表示功能性大脑连接。我们没有为每个节点分配初始特征，而是利用特征提取器来导出节点特征，并将提取的表示输入到分层图自注意框架中，以有效地表示整个图。通过在特征提取器中结合连接嵌入，我们提出了邻接嵌入网络来表征大脑连接的异构表示。我们提出的模型变体优于具有不同配置的邻接嵌入网络和功能连接矩阵类型的基准模型。使用这种方法和最佳配置（用于节点定义的 SHEN 图集、用于连接性估计的 Tikhonov 相关性和身份邻接嵌入），我们能够以有意义的准确度预测单个 ASD 严重程度：预测和观察到的 ASD 严重程度评分之间的平均绝对误差 (MAE) 和相关性分别为 0.96 和 r = 0.61（P < 0.0001）。为了更好地理解如何生成更好的表示，我们使用典型相关分析研究了提取的特征嵌入和基于图论的节点测量之间的关系。最后，我们对模型进行了可视化，以确定对预测 ASD 严重程度评分最有贡献的功能连接。
用于混合 EEG-fMRI 神经反馈预测的稀疏 EEG 信息 fMRI 模型
通过功能性磁共振成像 (fMRI) 或脑电图 (EEG) 这两种互补方式测量大脑活动，是神经反馈 (NF) 机制背景下大脑康复方案的基本解决方案。虽然 NF-EEG（根据 EEG 信号计算出的实时神经反馈分数）已经被探索了很长时间，但 NF-fMRI（根据 fMRI 信号计算出的实时神经反馈分数）出现得更晚，并且提供了更可靠的结果和更具体的大脑训练。同时使用 fMRI 和 EEG 进行双模态神经反馈疗程（NF-EEG-fMRI，根据 fMRI 和 EEG 计算出的实时神经反馈分数）对于制定大脑康复方案非常有前景。然而，fMRI 对患者来说很麻烦，也更累。本文的原创贡献涉及仅从 EEG 记录预测双模态 NF 分数，使用训练阶段，其中 EEG 信号以及 NF-EEG 和 NF-fMRI 分数都可用。我们提出了一个稀疏回归模型，该模型能够利用 EEG 仅预测运动想象任务中的 NF-fMRI 或 NF-EEG-fMRI。我们比较了从所提模型得出的不同 NF 预测因子。我们发现，与经典 NF-EEG 分数相比，从 EEG 信号预测 NF-fMRI 分数可以为 NF-EEG 分数添加信息，并显著提高与双模 NF 会话的相关性。