XiaoMi-AI文件搜索系统
World File Search System空间关系
将 ISOSpace 传输到 3D 环境中进行注释和应用
摘要 人类的视觉感知非常明显，因此通常用语言描述周围的空间并不成问题。相反，人们也很容易想象出一个被描述空间的概念。近年来，人们为开发空间和时空关系的语言方案做出了许多努力。然而，这些系统到目前为止还没有真正流行起来，我们认为这是因为它们所基于的模型很复杂，而且缺乏可用的训练数据和自动标记器。在本文中，我们描述了一个支持空间注释的项目，它可以通过其许多功能促进注释，还可以用更多信息丰富它。这将通过 VR 环境的扩展来实现，通过 VR 环境可以更好地可视化空间关系并将其与真实对象联系起来。我们希望利用现有数据开发一种新的最先进的标记器，从而为未来的系统奠定基础，例如改进 Text2Scene 生成的文本理解。关键词：ISOSpace、ISOTimeML、Unity3D、注释、虚拟现实
环境遥感
陆地总初级生产力 (GPP) 在全球碳循环中发挥着重要作用，但光合作用的空间和时间变化的量化仍存在很大不确定性。我们的工作旨在研究遥感技术在精细空间分辨率下为植物光合作用提供新见解的潜力。这一目标是通过利用荧光探测器 (FLEX) 机载演示器 HyPlant 获得的高分辨率图像实现的。传感器飞过一片混合森林，收集的图像经过精心设计，获得了两个独立的植物光合作用指标。首先，成功获取了研究区域森林红光和远红光峰的太阳诱导叶绿素荧光 (F) 图，叶绿素荧光是植物光合作用的一种新指标 (r 2 = 0.89 和 p < 0.01，r 2 = 0.77 和 p < 0.01，与飞行过程中同步获取的冠层顶部地面测量值相比)。其次，使用定制版耦合生物物理模型呼吸地球系统模拟器 (BESS) 得出 GPP 和吸收光合有效辐射 (APAR) 图。该模型由机载关键森林特征图 (即叶叶绿素含量 (LCC) 和叶面积指数 (LAI)) 和气象数据驱动，为研究地点的感兴趣变量提供高分辨率快照。通过优化的基于查找表的 PROSPECT-4-INFORM 辐射传输模型反演，准确估算了 LCC 和 LAI（分别为 RMSE = 5.66 μg cm −2 和 RMSE = 0.51 m 2 m −2），确保准确表示生态系统功能决定因素的空间变化。然后分析测量的 F 和建模的 BESS 输出之间的空间关系，以解释区域尺度上生态系统功能的变化。结果表明，远红 F 在空间域中与 GPP（r 2 = 0.46，p < 0.001）和 APAR（r 2 = 0.43，p < 0.001）显着相关，并且这种关系是非线性的。相反，红光 F 与 GPP 或 APAR 之间没有发现统计学上显著的关系（p > 0.05）。在高分辨率下发现的空间关系为空间异质性在控制远红光 F 与 GPP 之间关系中的关键作用提供了宝贵的见解，表明需要在更粗的分辨率下考虑这种异质性。
用于对同时发生的EEG-fNIRS信号进行分类的深度循环卷积神经网络
摘要：脑机接口（BCI）是大脑与外界进行通信的强大系统。传统的BCI系统仅基于EEG信号工作。最近，研究人员使用EEG信号与其他信号的组合来提高BCI系统的性能。在这些信号中，EEG与fNIRS的结合取得了良好的效果。在大多数研究中，仅将EEG或fNIR视为链状序列，并且没有考虑相邻信号之间的复杂相关性，无论是时间还是通道位置。在本文中，引入了一个深度神经网络模型，通过引入时间和空间特征来识别人脑的精确目标。所提出的模型结合了EEG和fNIRS信号之间的空间关系。这可以通过将这些链状信号的序列转换为分层的三阶张量来实现。测试表明，所提出的模型的精度为99.6％。 关键词：EEG，fNIRS，混合BCI，深度学习，空间，时间。
19 号染色体上 SNP 相互作用的模拟深度学习模型，用于预测阿尔茨海默病风险和疾病进展速度
尽管脱氧核糖核酸 (DNA) 的组成简单，只有 4 个核苷酸变体，但它却存储着物种间和物种内大量变异的独特信息。遗传密码由单核苷酸多态性 (SNP) 的顺序和位置、它们之间的空间关系以及它们与其他 SNP 的上位相互作用决定 [8–10]。全基因组关联研究 (GWAS) 方法通过对痴呆症患者和认知未受损 (CU) 的个体进行组比较来识别与 AD 相关的 SNP [11–15]。然而，GWAS 不考虑上位相互作用。为了更好地解释遗传性并确定 AD 的遗传结构，开发了使用载脂蛋白 E (APOE) Ɛ 4 单倍型（最重要的散发性 AD 风险因素）以及通过 GWAS 方法和多基因风险评分 (PGRS) 确定的许多其他 AD 风险 SNP 的多元回归方法 [16–19]。然而，它们仅解释了疾病遗传性的一部分，表明缺少额外的风险 SNP 和有关相互作用的关键信息。
期刊预校样 - 埃塞克斯研究资料库
从原始脑电信号中学习可区分的特征对于准确分类运动想象 (MI) 任务至关重要。为了结合脑电源之间的空间关系，我们开发了一个基于脑电图的特征集。在此图中，脑电通道表示节点，功率谱密度 (PSD) 特征定义其属性，边缘保留空间信息。我们设计了一个基于脑电图的图形自注意网络 (EGSAN) 来学习脑电图的低维嵌入向量，可将其用作运动想象任务分类的可区分特征。我们在两个公开可用的 MI 脑电数据集上评估了我们的 EGSAN 模型，每个数据集包含不同类型的运动想象任务。我们的实验表明，我们提出的模型有效地从脑电图中提取了可区分的特征，与现有的最先进方法相比，分类准确率明显更高。关键词：运动想象 (MI)、脑电图 (EEG)、特征学习、图形表示、自注意
身份和想象行动的统一框架...
摘要 — 我们提出了一个统一的深度学习框架，用于基于脑电图 (EEG) 信号识别用户身份和识别想象动作，以用作脑机接口。我们的解决方案利用一种新颖的移位子采样预处理步骤作为数据增强的形式，并使用矩阵表示来编码多电极 EEG 信号固有的局部空间关系。然后将生成的类似图像的数据输入到卷积神经网络以处理局部空间依赖性，并最终通过双向长短期记忆模块进行分析以关注时间关系。我们的解决方案与最先进的几种方法进行了比较，在不同任务上表现出相当或更优异的性能。具体而言，我们在动作和用户分类任务中都实现了 90% 以上的准确率。在用户识别方面，在已知用户和手势的情况下，我们的等错误率达到 0.39%，在更具挑战性的未知用户和手势的情况下，我们的等错误率达到 6.16%。我们还进行了初步实验，以便将未来的工作引导到依赖于一组精简的 EEG 电极的日常应用。
调节气道炎症的神经免疫通路
气道疾病通常伴有炎症，而炎症长期以来被认为是导致患者出现阻塞、粘液分泌过多、呼吸困难、咳嗽和其他特征性症状的原因。因此，临床干预通常针对炎症来逆转肺部病理并降低发病率。气道和肺部受神经纤维亚群的密集支配，这些神经纤维不仅受肺部炎症的影响，而且可能还是免疫细胞功能的重要调节器。这种双向神经免疫串扰由免疫细胞和气道神经纤维之间的紧密空间关系、互补的神经和免疫信号通路、局部专门的气道化学感应细胞和专用的反射回路支持。在本文中，我们回顾了有关该主题的最新文献，并介绍了支持神经免疫相互作用在气道炎症中的作用的最新证据。此外，我们扩展了这些证据，综合考虑了这些发现的临床转化，以改善呼吸道疾病患者的管理。© 2023 美国过敏、哮喘和免疫学学院。由 Elsevier Inc. 出版。保留所有权利。
Quantum GIS (QGIS)：更昂贵的 GIS 平台的免费替代品介绍 1
摘要 地理信息系统 (GIS) 软件包价格过高，导致许多人不愿进行地图绘制和空间分析。在本说明书中，我们向读者介绍了一款名为 Quantum GIS (QGIS) 的免费 GIS 软件包。我们通过向读者介绍简单的 GIS 流程来说明此软件包的实用性，这些流程可用于可视化对各种领域（包括自然资源、农业和城市规划等）具有重要意义的空间模式。读者将学习如何为感兴趣的县（本例中为阿拉楚阿县）创建土地覆盖图，以及如何创建热图来说明给定属性的密度（本例中为佛罗里达泉）。本文档将使那些有兴趣将 GIS 纳入工作但买不起昂贵的专有 GIS 软件包的人以及任何有兴趣学习新 GIS 软件包的人受益。简介 地理信息系统 (GIS) 是一个虚拟界面，允许用户探索和可视化空间明确数据集内和之间的空间关系。 GIS 是企业和科学界以及农业和土地管理从业人员的宝贵工具。GIS 可以直观地可视化和传达空间信息
MC-GPT：使用内存图和推理链授权视觉和语言导航
摘要 - 在视觉和语言导航（VLN）任务中，必须按照自然语言指令导航到目的地。虽然基于学习的方法一直是对任务的主要解决方案，但他们遭受了高培训成本和缺乏解释性的困扰。最近，由于其强大的概括能力，大型语言模型（LLMS）已成为VLN的有前途的工具。但是，现有的基于LLM的方法面临着记忆构建和导航策略多样性的限制。为了应对这些挑战，我们提出了一套技术。首先，我们引入了一种维护拓扑图的方法，该拓扑图存储导航历史记录，保留有关观点，对象及其空间关系的信息。此地图也充当全球动作空间。此外，我们提出了一个思想模块的导航链，利用人类导航示例丰富了导航策略多样性。最后，我们建立了一条管道，将导航记忆和策略与感知和动作预测模块集成在一起。Reverie和R2R数据集的实验结果表明，我们的方法有效地增强了LLM的导航能力并提高导航推理的解释性。
使用基于迁移学习的特征提取和卷积神经网络进行基于脑电图的情绪识别
摘要。本文介绍了一种基于脑电图 (EEG) 的情绪识别新方法。该方法使用迁移学习从多通道脑电图信号中提取特征，然后将这些特征排列在 8×9 的图中以表示它们在头皮上的空间位置，然后我们引入一个 CNN 模型，该模型接收空间特征图并提取脑电图通道之间的空间关系并最终对情绪进行分类。首先，将脑电图信号转换为频谱图并通过预先训练的图像分类模型从脑电图频谱中获取特征向量。然后，重新排列不同通道的特征向量并将其作为 CNN 模型的输入，该模型提取空间特征或通道依赖关系作为训练的一部分。最后，CNN 输出被展平并通过密集层以在情绪类别之间进行分类。在本研究中，SEED、SEED-IV 和 SEED-V EEG 情绪数据集用于分类，我们的方法通过五倍交叉验证在 SEED 上实现了 97.09% 的最佳分类准确率，在 SEED-IV 上实现了 89.81% 的最佳分类准确率，在 SEED-V 数据集上实现了 88.23% 的最佳分类准确率。