XiaoMi-AI文件搜索系统
World File Search System空注
CL-SPO2NET：基于非接触视频的SPO2估计的对比度学习时空注意网络
摘要：基于视频的外围氧饱和度（SPO2）估计，仅利用RGB摄像机，提供了一种非接触式方法来测量血氧水平。先前的研究将稳定且不变的环境设定为非接触式血氧估计的前提。此外，他们还利用了少量标记的数据进行系统培训和学习。但是，使用小数据集训练最佳模型参数是一项挑战。血氧检测的准确性很容易受到环境光和受试者运动的影响。为了解决这些问题，本文提出了一个对比度学习时空注意网络（CL-SPO2NET），这是一个用于基于视频的SPO2估计的创新的半监督网络。在包含面部或手部区域的视频段中发现了远程光绘画（RPPG）信号中的时空相似性。随后，将深层神经网络与机器学习专业知识相结合，从而估算了SPO2。在小规模标记的数据集的情况下，该方法具有良好的可行性，在稳定的环境中，摄像机和参考脉冲血氧仪之间的平均绝对误差为0.85％，在面部旋转情况下具有1.13％的照明频率为1.13％。
利用时空注意力机制学习大脑连接组的动态图形表征
大脑各区域之间的功能连接 (FC) 可以通过用功能神经成像模式测量的时间相关程度来评估。基于这些连接构建网络的事实，基于图的大脑连接组分析方法为人类大脑的功能提供了见解。能够从图结构化数据中学习表示的图神经网络 (GNN) 的发展，导致人们对学习大脑连接组的图形表示的兴趣日益浓厚。尽管最近将 GNN 应用于 FC 网络的尝试已显示出有希望的结果，但仍存在一个常见的限制，即它们通常不包含随时间波动的 FC 网络的动态特性。此外，一些尝试使用动态 FC 作为 GNN 输入的研究报告称，与静态 FC 方法相比，性能有所下降，并且不能提供时间上的可解释性。在这里，我们提出了 STAGIN，一种使用时空注意来学习大脑连接组的动态图形表示的方法。具体来说，将脑图的时间序列输入到 STAGIN 以获得动态图表示，而新颖的 READOUT 函数和 Transformer 编码器分别提供具有注意力的空间和时间可解释性。在 HCP-Rest 和 HCP-Task 数据集上的实验证明了我们提出的方法的卓越性能。时空注意力的分析还提供了与神经科学知识的并发解释，这进一步验证了我们的方法。代码可在 https://github.com/egyptdj/stagin 获得