XiaoMi-AI文件搜索系统
World File Search System空间关系
癫痫皮层脑电图检测仪的小型化...
摘要 — 癫痫是一种神经系统疾病，其特征是由大脑异常电活动引起的突发和反复发作。反应性神经刺激 (RNS) 为药物难治性癫痫患者提供了一种有希望的治疗选择。反应性神经刺激 (RNS) 是一种采用闭环系统的植入式设备。它通过皮层脑电图 (ECoG) 记录持续监测大脑活动。当系统检测到癫痫发作活动时，它会向大脑发送直接电刺激以抑制癫痫发作。癫痫发作检测算法需要针对患者进行优化，这导致近年来人们对深度学习方法的兴趣日益浓厚。虽然更深的网络架构通常可以提高检测准确性，但它们在植入式设备中的实现受到硬件资源有限和可用于 ECoG 监测的电极通道数量有限的限制。为了确保 RNS 的实际可行性，系统地最小化患者特定深度学习模型的计算成本和连接的 ECoG 电极数量至关重要。本研究通过分析在 3D ECoG 数据上训练的 3D 卷积神经网络 (3D CNN) 的第一个卷积层学习到的时空核，系统地减少了癫痫检测模型中的电极通道数量和计算成本。这种方法充分利用了网络学习网格电极之间的空间关系和 ECoG 信号的时间动态的能力。缩小后的癫痫检测 CNN 模型与原始 CNN 模型之间的性能比较表明，至少对于某些患者，可以在减小模型尺寸的同时保持推理性能。
大脑解剖：fMRI 训练的网络揭示自然图像处理中的空间选择性
深度神经网络 (DNN) 特征与皮质反应之间的一致性目前为更高级的视觉区域提供了最准确的定量解释 [1、2、3、4]。与此同时，这些模型特征也被批评为无法解释的解释，将一个黑匣子（人脑）换成了另一个黑匣子（神经网络）。在本文中，我们训练网络直接从头开始预测大脑对来自大规模自然场景数据集的图像的反应 [5]。然后，我们使用“网络解剖” [6]，这是一种可解释的人工智能技术，通过识别和定位图像中已训练网络的各个单元中最显著的特征来增强神经网络的可解释性，该技术已用于研究人脑的类别选择性 [7]。我们采用这种方法创建了一个假设中立模型，然后使用该模型探索类别选择性之外的特定视觉区域的调节特性，我们称之为“大脑解剖”。我们利用大脑解剖来研究一系列生态上重要的中间特性，包括深度、表面法线、曲率和物体关系，这些特性贯穿顶叶、外侧和腹侧视觉流以及场景选择区域的子区域。我们的研究结果揭示了大脑各区域对解释视觉场景的不同偏好，其中腹外侧区域偏爱较近和较弯曲的特征，内侧和顶叶区域选择更多样化和更平坦的 3D 元素，而顶叶区域则特别偏爱空间关系。场景选择区域表现出不同的偏好，因为后压部复合体偏爱远处和户外特征，而枕叶和海马旁回区域偏爱近处、垂直性，而在 OPA 的情况下，偏爱室内元素。这些发现表明，使用可解释的人工智能揭示整个视觉皮层的空间特征选择性具有潜力，有助于更深入、更细致地了解人类视觉皮层在观看自然场景时的功能特征。
RoboExp：通过机器人操纵的交互式探索行动条件的场景图
想象一个未来的家庭机器人，旨在快速准备突破。该机器人必须有效执行各种任务，例如在橱柜中进行库存检查，从冰箱中获取食物，从抽屉里收集餐具，以及在食物覆盖物下剩下的剩菜。取得成功的关键是与环境互动和探索环境的问题，尤其是找到不立即可见的项目。将其配备这种功能对于机器人有效完成其日常任务至关重要。机器人探索和积极的感知长期以来一直在挑战机器人技术[1-16]。已经提出了各种技术，包括信息理论，好奇心驱动的探索，基于边境的甲基动物和模仿学习[1，13 - 13 - 15，17 - 25]。然而，以前的研究主要集中在探索静态环境上，仅通过更改导航设置中的观点，或仅限于与一小部分对象类别（例如抽屉）或一组封闭的简单操作（例如推动）的相互作用[26]。在这项工作中，我们研究了交互式场景的利用任务，目标是有效地识别所有对象，包括直接可观察到的对象，以及只能通过机器人和环境之间的相互作用发现的对象（见图1）。朝向这个目标，我们提出了一个新颖的场景表示，称为“动作条件” 3D场景图（ACSG）。然后，我们证明可以将交互式场景探索作为动作条件的3D场景图形结构和遍历的问题。与这些与专注于编码静态关系的常规3D场景图不同，ACSG同时编码空间关系和逻辑关联指示动作效应（例如，打开冰箱内部揭示了一个苹果）。解决互动场景探索带来了挑战：我们如何推理需要探索哪些对象，选择与它们互动的正确动作，以及对我们的探索发现的知识？
ApE，质粒编辑器：免费提供的 DNA 操作和可视化程序
DNA 可视化软件必须 1) 注释特征并以图形方式描述 DNA 特征，2) 模拟分子克隆技术，3) 生成具有视觉吸引力的图形输出。优秀的 DNA 可视化软件将意义赋予 DNA 碱基串。从根本上讲，这需要灵活的注释 - 将名称应用于区域，以及功能区域的可视化 - 应用图片来显示序列区域之间的空间关系。每一段 DNA 都应标注其生物学相关属性。此外，生物学家必须能够识别对特定重组技术有用的子序列，例如限制性酶识别序列、重组酶识别序列和重叠末端序列。优秀的 DNA 软件还提供对常见 DNA 操作（例如限制性消化或 Gibson 克隆）的强大计算机模拟。通过计算机操作 DNA，生物学家可以确保重组构建体包括功能完整的片段，这些片段具有顺序和框架内的 DNA。换句话说，优秀的软件允许研究人员综合工作计划。这可能是从所需产品开始在计算机上反向工作以确定所需的输入。相反，它允许研究人员从给定的一组可用质粒开始，并在虚拟实验室中工作以生成可能的产品。最后，可视化软件对于确定分析结果（DNA 序列、诊断 PCR 或限制性消化）是否产生了预期的产品非常有用。科学家可以使用该软件来比对序列或模拟每个步骤的凝胶以确认他们的工作。最后，好的 DNA 软件可以生成具有灵活细节级别的视觉上令人愉悦的输出。这种表示应该可以轻松地以开放且广泛使用的文本或图形格式导出。例如，文本输出可用于生成课堂报告、学生论文或供出版的手稿。同样，图形输出可用于生成会议海报或课堂报告或会议演示的幻灯片。
感知少，生成更多：用蒙版自动编码器进行超高效率3D传感的训练激光雷达感知
摘要 - 在这项工作中，我们提出了一种破坏性节俭的激光雷达感知数据流，该数据流产生而不是感知环境的一部分，这些部分是基于对环境的广泛培训，或者对整体预测准确性的影响有限的。因此，所提出的方法将传感能量与训练数据进行交易，以获取低功率机器人和自动导航，以便用传感器省将，从而在一次电池充电时延长了其寿命。我们提出的为此目的提出的生成预训练策略称为径向掩盖的自动编码（R-MAE），也可以在典型的激光雷达系统中很容易实施，通过选择性激活和控制在现场操作过程中随机生成的角区域的激光功率。我们的广泛评估表明，使用R-MAE进行预训练可以重点关注数据的径向段，从而比常规程序更有效地限制了空间关系和对象之间的距离。因此，所提出的方法不仅降低了传感能量，而且还提高了预测准确性。例如，我们对Waymo，Nuscenes和Kitti数据集进行了广泛的评估表明，该方法在跨数据集的检测任务的平均精度提高了5％，并且从Waymo和Nuscenes转移到Kitti的检测任务的平均精度提高了4％。在3D对象检测中，它在KITTI数据集中的中等难度水平下，在AP中最多可增强小对象检测。即使使用90％的径向掩蔽，它在Waymo数据集中所有对象类中的MAP/MAPH中都超过了基线模型。此外，我们的方法在Nuscenes数据集上分别获得了MAP和NDS的3.17％和2.31％的提高，这表明了其在单个和融合的LIDAR相机模态方面的有效性。代码可在https://github.com/sinatayebati/radial Mae上公开获取。索引项 - lidar预训练，掩盖自动编码器，超有效的3D传感，边缘自治。
VLA-3D：用于3D语义场景的数据集理解和导航
摘要 - 随着大型语言模型（LLM），视觉模型（VLM）和其他一般基础模型的最新兴起，多模式，多任务体现的代理的潜力越来越大，可以在不同的环境中以自然语言作为输入来运作。一个这样的应用区是使用自然语言说明的室内导航。尽管最近进展，但由于所需的空间推理和语义理解，该问题仍然具有挑战性，尤其是在可能包含许多属于细粒类的对象的任意场景中。为了应对这一挑战，我们策划了3D场景（VLA-3D）的视觉和语言引导动作的最大现实世界数据集（VLA-3D），包括超过11.5k的现有数据集中的3D室内室内室内，2350万个启发式化的启发式化的启发式语义生成的语义关系，对象之间，综合构成了综合典型的参考性。我们的数据集由处理过的3D点云，语义对象和房间注释，场景图，可通航的自由空间注释以及参考语言语句，这些语言语言专门针对独立于视图的空间关系，以消除歧义对象。这些功能的目标是专门帮助导航的下游任务，尤其是在现实系统中，必须在不断变化的场景和不完美的语言的开放世界中保证某种级别的鲁棒性。我们还旨在使该数据集有助于开发交互式代理，这些互动代理都可以响应命令并提出有关场景的问题并回答问题。我们使用当前的最新模型基准测试数据集，以获得性能基线。所有要生成和可视化数据集的代码均公开发布1。随着该数据集的发布，我们希望为语义3D场景中的进度提供资源，这对变化是可靠的，这将有助于开发交互式室内导航系统。
街区新心脏
评审团评价摘录该设计的特点是明确的设计意愿与开放性、城市规划秩序与创造身份的简洁性之间总体平衡的态度。三座建筑的平面图采用多边形，清晰地组织了不同的城市规划要求和异质城市空间的功能框架条件，评审团强调了这一原则是“化圆为方”。这些建筑的地址布局均衡，具有象征意义，从各个角度看都显得纤细而有活力。这为所需的区域中心在远处和地面上创造了一种身份。两座比例和结构和谐的塔楼的多边形基本形状因此被凸显为特别具有身份认同感的形式，特别是因为整个建筑整体很好地融入了异构的建筑环境，而没有试图参考特定的结构，并开辟了有趣的视角。它还具有良好的通风和良好的风舒适度。值得欢迎的是，图形和正面不构成背面。作为塔楼之间的第三个元素的“社区中心”在第二阶段得到了进一步的简洁发展，并与区域体育设施建立了良好的结构和空间关系，同时避免过分强调向北的通道。除了适当的渗透性之外，这座代表整个建筑群的第三座建筑还能够以其慷慨和大多合理的规划来说服周围邻居。讨论了设计的高度发展。由于其纤细和良好的比例，评审团认为其当前的高度与城市环境中的高点具有明显的相似性。该办公大楼拥有易于使用、灵活的楼层平面图，可供单一或多租户使用，并拥有迷人的外部景观，加上独立的外观，具有良好的市场竞争力。这里，“第五角”是一个有趣的“附加”。评审团还认可了住宅平面图中合适且有吸引力的公寓的潜力。总体而言，评审团高度评价该设计，认为它对竞赛做出了杰出贡献，特别称赞了它的结构强度、灵活性和连贯的整体概念。
特刊 青光眼结构与功能人工智能映射
Garway-Heath 图依赖于对照片上可见 RNFL 缺损的主观检测。然而，实验和临床研究表明，仅当 RNFL 丢失了很大一部分时才会出现此类缺损。3、4 此外，由于研究中可用的眼睛数量有限，以及难以在视神经周围某些区域可视化 RNFL 缺损，某些地形关系可能未被充分重视。使用频域光学相干断层扫描 (SDOCT) 对 RNFL 进行成像能够提供可重复的定量 RNFL 评估，其评估程度远远高于评估无红 RNFL 照片。许多先前的研究已经评估了 SDOCT 和 SAP 之间的关系。5 – 7 但是，鉴于这些测试提供的数据量巨大，可能很难应用传统的统计工具来充分模拟相关的 SF 关系。最近，神经网络和其他人工智能 (AI) 算法已被证明能够成功地模拟来自各个医学领域的数据中复杂的非线性关系。8 – 12 特别是，卷积神经网络 (CNN) 能够利用空间信息来识别传统方法可能不易辨别的潜在关系。一些研究尝试使用 AI 算法来预测 SDOCT 测量的视野结果，并取得了良好的效果。13 – 16 在一项研究中，Guo 等人 13 表明，可以根据 RNFL 和神经节细胞和内丛状层厚度合理地预测 SAP 敏感度阈值。使用视神经乳头和黄斑的 SDOCT 体积扫描，Maetschke 等人 14 能够预测视野全局指标，例如平均偏差和视野指数。这些研究一般关注的是 SAP 敏感度阈值、预定义扇区或全局指标能否很好地通过 SDOCT 数据进行近似，但没有评估结构损伤和功能损伤之间的地形映射和空间关系，这本身就是另一个重要问题。我们假设，一旦训练了 AI 模型来预测 SAP 敏感度阈值，就可以通过模拟不同特征的 RNFL 缺陷并观察它们对 SAP 结果的影响来获得 SF 关系的地形信息。这将使我们能够更全面地研究 SDOCT 上看到的结构损伤对 SAP 测量的视觉功能的影响。为此，在本研究中，我们开发并验证了一种 CNN，它可以从大量青光眼和青光眼临床患者中的视乳头周围 SDOCT RNFL 厚度测量值预测 SAP 敏感度阈值。
时空脑状态的质量差异支持自闭症的青春期构型面部处理
自闭症是一种发展状况，其特征是社会交流困难，限制性的利益和重复行为以及感觉问题（美国心理学协会，2013年）。动物和人类研究已经鉴定了自闭症病因中涉及的遗传，表观遗传和环境因素（de la Torre-ubieta等，2016; Fern Andez等，2018; Gao等，2019; Mandy＆Lai，2016; Nomi＆nomi＆Uddin，2015年）。然而，这些因素通过这些因素对大脑功能产生级联作用的特定机制尚未明确。中心辩论是，在神经型脑发育中是否最好理解自闭症，或者是否在质量不同的发展端口中更好地将其描述为具有重大的补偿性和适应性过程的特性不同的发育端口（Astle＆Fletcher- Watson，2020年； 2020年； Johnson等）。洞悉此问题的一种方法是专注于可以精确量化大脑反应的特定神经认知领域。特别是，快速而有效的面部处理在社交互动过程中提供了至关重要的口头信息（Frith＆Frith，2007），可以剖析以洞悉社会发展（Dawson等，2005a）。面部处理通常具有专业知识，因此皮质区域专门从面孔中迅速编码相关信息（Itier和Taylor，2004a，2004b; Johnson，2011; Kuefner等，2010; Mares等，2010; Mares等，2020; Pascalis et; Pascalis et al。早期生活中这种技能的改变可能会对后来的社会和语言发展产生级联影响（Chevallier等，2012； Dawson等，2005b； Mundy，2018）。研究对面部的神经反应可以提供对影响自闭症社会脑发育的机制。面部处理的一个关键要素是配置过程，其中编码面部零件之间的空间关系，可以快速检测，歧视和识别（Piepers＆Robbins，2012）。以直立取向提出的面孔被识别得更快，比较比较更快，比较更快的，与倒置信息更改的倒置方向相比（Yin，1969）。这种反转效应的面对面比非面刺激更强，并且与视觉体验有关（Geldart等，2002; R€Oder等，2013）和与刺激类别的专业知识（Diamond＆Carey，1986; Piepers＆Robbins; Piepers＆Robbins，2012; Yin，1969; Yin，1969）。与神经型个体相比，一些自闭症的内部分裂显示出降低的反转效应，具有相似的直立和倒置面的表现（Teunisse＆de Gelder，2003年）；在
牙科入学测试（DAT）用户手册
牙科入学测试计划的开发始于1945年。当时，美国有39所认可的牙科学校，并招募了12,000名学生。当时已知，开发牙齿能力测试电池的基本原因有三个。一个是牙科学校四年来学生流失率的高率。估计，毕业前，全国一年级的20％至25％从牙科学校退出。可以预期，招生委员会在选择新生时使用的能力测试数据将减少由于奖学金不佳而撤离的学生人数。制定测试计划的另一个原因是，第二次世界大战的退伍军人开始大量申请牙科学校，而学校担心的是在与非退伍军人最新记录的教育记录中进行比较的前景。人们认为，通过使用教育记录和最近的考试成绩，可以更准确地评估退伍军人。这导致开发测试程序的第三个原因。牙科学校的录取官知道，各种高中和大学的成绩在教育成就方面具有不同的含义，并且人们认为，通过使用国家测试，可以使用常见的Yardstick来比较学生的成就。委员会还对衡量学生的兴趣，个性，毅力和社会本能的可能性感兴趣。在1945年，开发牙齿能力测试电池的委员会正在考虑衡量学生阅读和理解，记住言语和视觉材料的能力，以识别言语含义，推理，可视化模式，口头表达信息，表达手动敏捷性。归功于该委员会的信用，当测试电池确定性时，该清单大大降低了。牙齿能力测试电池是作为一种工具来衡量数学，口头推理，科学的阅读理解以及自然科学的学术成就的工具。委员会还包括对象可视化和粉笔雕刻的测试。除了一些例外，多年来，测试程序中给出的测试类型保持一致。在1972年，在天然科学的调查中添加了有机化学测试，并被感知运动能力测试取代了粉笔雕刻测试。在1972年之前，粉笔雕刻测试和空间关系测试提供了与手动敏捷性有关的信息，以及在三个维度上可视化的能力。出于各种原因，包括在全国范围内进行手动测试的困难和成本，粉笔雕刻测试被感知运动能力测试取代。验证研究（Graham，1972，1974）比较粉笔雕刻测试分数以及纸和铅笔感知能力测试评分与牙科学校的表现，这表明纸张和铅笔测试得分在预测性能中与粉笔雕刻测试一样有效。在开发感知运动能力测试时，确定了四个原则。简而言之，测试必须为：1）适用于小组给药，2）基于非人工绩效的3）高可靠性且不受实践效果的影响，以及4）能够区分技术和非技术水平的能力测量。允许通过感知运动能力测试更换粉笔雕刻试验的潜在因子是，当通过铅笔和纸测试可靠地对视觉感知进行可靠测量时，将是有效的预测指标，以判断在牙科课程中所需的技术课程成功的可能性。