XiaoMi-AI文件搜索系统
World File Search System空间频率
用于脑电图情绪识别的图形自适应半监督判别子空间学习
由于脑电信号不易伪装且蕴含着丰富的神经生理信息，在客观情绪识别方面表现出显著的优势，基于脑电信号的情绪识别成为脑机接口领域的热门研究领域。然而，脑电信号一般具有非平稳性且信噪比较低，难以分析。受探索判别子空间表示通常有助于捕捉脑电数据语义信息的启发，本文提出了一种图自适应半监督判别子空间学习（GASDSL）模型用于基于脑电信号的情绪识别。GASDSL旨在探索一个判别子空间，其中类内散度减小而类间可分性增加。采用自适应最大熵图构建和半监督子空间情绪状态预测来调解判别子空间学习。对 SEED-IV 和 SEED-V 数据集进行的大量比较研究表明：1）与其他半监督学习模型相比，GASDSL 实现了令人满意的情绪识别准确率；2）随着模型的迭代，学习到的最大熵图和子空间的判别能力都得到了提高；3）根据空间频率模式分析结果，从 Gamma 波段、左/右颞叶、前额叶和（中央）顶叶提取的特征对情绪识别贡献更大。2023 作者。由 Elsevier BV 代表沙特国王大学出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
大脑结构功能耦合为任务解码和个体指纹识别提供特征
功能活动的大脑特征在解码大脑状态（即区分不同的任务）和指纹识别（即在大群体中识别个体）方面都表现出良好的效果。重要的是，这些大脑特征并不能解释大脑功能发生的底层大脑解剖结构。基于图形信号处理 (GSP) 的结构-功能耦合最近揭示了健康受试者在静息状态下从单峰到跨峰区域的平均空间梯度。在这里，我们探索结构-功能耦合对不同大脑状态（任务）和个体受试者的特异性。我们对来自人类连接组计划的 100 名不相关的健康受试者在休息和七个不同任务期间使用了多模态磁共振成像，并采用支持向量机分类方法进行解码和指纹识别，并使用各种交叉验证设置。我们发现结构-功能耦合测量可以对任务解码和指纹识别进行准确分类。具体而言，指纹识别的关键信息位于功能信号的更自由部分，其贡献明显集中在额顶网络。此外，功能信号的自由部分与认知特征表现出很强的相关性，经偏最小二乘分析评估，证实了其与指纹识别的相关性。通过引入基于 GSP 的信号过滤和 FC 分解的新视角，这些结果表明，大脑结构功能耦合提供了一类新的认知特征和个体大脑组织在静息和执行任务时的组织特征。此外，它们还提供了阐明结构连接组低空间频率和高空间频率的作用的见解，从而对在结构连接组图谱中可以找到用于表征个体的关键结构功能信息的位置有了新的认识。
大脑结构功能耦合为...提供特征
功能活动的大脑特征在解码大脑状态（即区分不同的任务）和指纹识别（即在大群体中识别个体）方面都表现出良好的效果。重要的是，这些大脑特征并不能解释大脑功能发生的底层大脑解剖结构。基于图形信号处理 (GSP) 的结构-功能耦合最近揭示了健康受试者在静息状态下从单峰到跨峰区域的平均空间梯度。在这里，我们探索结构-功能耦合对不同大脑状态（任务）和个体受试者的特异性。我们对来自人类连接组计划的 100 名不相关的健康受试者在休息和七个不同任务期间使用了多模态磁共振成像，并采用支持向量机分类方法进行解码和指纹识别，并使用各种交叉验证设置。我们发现结构-功能耦合测量可以对任务解码和指纹识别进行准确分类。具体而言，指纹识别的关键信息位于功能信号的更自由部分，其贡献明显集中在额顶网络。此外，功能信号的自由部分与认知特征表现出很强的相关性，经偏最小二乘分析评估，证实了其与指纹识别的相关性。通过引入基于 GSP 的信号过滤和 FC 分解的新视角，这些结果表明，大脑结构功能耦合提供了一类新的认知特征和个体大脑组织在静息和执行任务时的组织特征。此外，它们还提供了阐明结构连接组低空间频率和高空间频率的作用的见解，从而对在结构连接组图谱中可以找到用于表征个体的关键结构功能信息的位置有了新的认识。
H. Philip Stahl，“用于超大型太空望远镜的先进紫外线、光学和红外镜面技术开发”，J. Astron. Telesc. Ins
摘要：先进镜面技术开发 (AMTD) 项目为期 6 年，旨在完善 4 米或更大的单片或分段紫外/光学/红外空间望远镜主镜组件所需的技术，用于一般天体物理和系外行星任务。AMTD 采用科学驱动的系统工程方法。从科学要求开始，推导出主镜孔径、面密度、表面误差和稳定性的工程规范。影响最大的规范可能是每 10 分钟 10 pm 的波前稳定性。六项关键技术取得了进展：(1) 制造大孔径低面密度高刚度镜面基板；(2) 设计支撑系统；(3) 校正中/高空间频率图形误差；(4) 减轻段边缘衍射；(5) 调整段间间隙；(6) 验证集成模型。 AMTD 成功展示了一种制造尺寸达 1.5 米、厚度达 40 厘米的基板的工艺，该工艺通过堆叠多个核心元件并将它们低温熔合在一起来实现。为了帮助预测在轨性能并协助架构贸易研究，为两个镜子组件（由 AMTD 合作伙伴 Harris Corp. 制造的 1.5 米超低膨胀 (ULE ® ) 镜子和 Schott North American 拥有的 1.2 米 Zerodur ® 镜子）创建了集成模型。X 射线计算机断层扫描用于构建 1.5 米 ULE ® 镜子的“竣工”模型。通过在相关的热真空环境中测试全尺寸和子尺寸组件来验证这些模型。© 作者。由 SPIE 根据知识共享署名 4.0 未本地化许可证出版。全部或部分分发或复制本作品需要完全署名原始出版物，包括其 DOI。 [DOI：10.1117/1.JATIS.6.2.025001]
人工智能深度学习重建算法对 CT 图像质量和潜在剂量减少的影响：一项体模研究
摘要背景：最近，计算机断层扫描 (CT) 制造商已经开发出基于深度学习的重建算法来弥补迭代重建 (IR) 算法的局限性，例如图像平滑和空间分辨率对对比度和剂量水平的依赖性。目的：评估人工智能深度学习重建 (AI-DLR) 算法与混合 IR 算法对胸部 CT 图像质量和剂量减少的影响，对比不同临床适应症。方法：在用于胸部 CT 条件的五个剂量水平 (CTDI vol: 9.5/7.5/6/2.5/0.4 mGy) 下对 CT 美国放射学会 (ACR) 464 和 CT Torso CTU-41 体模进行采集。使用滤波反投影、两级 IR（iDose 4 级别 4 (i4) 和 7 (i7)）和五级 AI-DLR（精确图像；更平滑、平滑、标准、清晰、更清晰）重建原始数据。计算了噪声功率谱 (NPS)、基于任务的传递函数和可检测性指数 (d ′)：d ′ 模型检测软组织纵隔结节（纵隔内的低对比度软组织胸部结节 [LCN]）、毛玻璃影 (GGO) 或高对比度肺 (HCP) 病变。两名放射科医生独立评估胸部拟人幻影图像的主观图像质量。他们使用常用的四或五分量表评估了纵隔图像的图像噪声、图像平滑度、纵隔血管与脂肪之间的对比度、实质图像的支气管与肺实质之间的视觉边界检测以及整体图像质量。结果：从标准到平滑水平，平均而言，噪声幅度降低（所有剂量水平：纵隔图像为 - 66.3% ± 0.5%，实质图像为 - 63.1% ± 0.1%），平均 NPS 空间频率降低（所有剂量水平：纵隔图像为 - 35.3% ± 2.2%，实质图像为 - 13.3% ± 2.2%），三种病变的可检测性 (d′) 增加。从标准到清晰水平则发现了相反的模式。从平滑到清晰水平，
IEEE ICCET 2025
征文 – IEEE ICCET 2025 主题：下一代多址网络的多维调制过去十年见证了数据吞吐量和连接节点数量的大幅增加，最近的研究也预示了下一代多址网络的这些增长。这些巨大的增长无疑将导致对频谱效率和能源效率日益严格的要求。为了满足这两个要求，多维调制，例如索引调制、基于媒体的调制、基于RIS/反射调制、OTFS和子载波数调制，近年来引起了研究人员的关注。与传统的幅度相位调制方案不同，稀疏调制除了经典的幅度相位星座图之外，还采用了一个或多个调制维度，从而形成更高维的调制方案，这在适当的系统配置下大大提高了频谱效率。通过多维调制，只有一部分媒体资源或功能块会被激活，以形成独特的激活模式。因此，除了由数据星座符号调制的比特流之外，激活模式本身还可用于调制额外的比特流。作为一个处于起步阶段的范例，仍有大量开放的研究问题等待解决，进一步的研究活动对于最终推动稀疏调制进入实际实施阶段至关重要。除了理论研究外，还需要解决实际实施的问题。鉴于上述将多维调制应用于 6G 通信的优势以及剩余的研究问题，本专题旨在汇集来自不同背景的学术界和工业界的顶尖研究人员，以吸引原创和高质量的出版物，解决与多维调制相关的理论和实践问题。鼓励在会议、研讨会或研讨会论文集上发表的论文的扩展版本供考虑。感兴趣的主题我们欢迎涉及以下领域的投稿，但不限于此： 人工智能和学习技术辅助多维调制 大规模 MIMO 和可重构智能表面 (RIS) 辅助多维调制 毫米波中的多维调制、太赫兹和光无线通信 水下光/声通信的多维调制 距离感知和空间频率相关的多维调制 高移动性的多维调制 多维调制的物理安全和保密相关问题 多用户和协作中继网络中的多维调制 基于多维调制的通信系统的性能分析
社论：大脑计算机界面及其应用
目前，脑部计算机界面（BCI）是神经科学领域的研究重点和热点。相关技术被广泛用于各种情况，例如临床使用，康复，工程和日常生活。BCI使用不同的大脑信号，记录方法和信号处理算法来在大脑与外部软件/硬件平台之间构建链接。随着硬件（例如BCI芯片，可穿戴设备）和算法（例如机器学习，深度学习）的开发，BCI变得越来越实用和稳定。我们发布了此研究主题，以收集BCI的全球最新研究。来自世界各地的研究人员积极参与并贡献了许多手稿。经过仔细和专业审查所有提交的内容后，接受了14项高质量手稿。在此主题中，一些贡献着重于在BCI中使用深度学习，其中卷积神经网络（CNN）是最广泛使用的。Zhang等。 为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。 实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。 Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Zhang等。为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Qiu等。使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Deng等。 提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。 计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。 Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。 该算法在基于脑电图的动作解码中提供了高可变性和跨主题。 在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。 Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Deng等。提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。该算法在基于脑电图的动作解码中提供了高可变性和跨主题。在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen L.等。将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。元转移学习（MTL）用于避免耗时的校准。Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen G.等。探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。
使用光子芯片-Munin
应将对应关系发给BSA（balpreet.singh.ahluwalia@uit.no）结构化照明显微镜（SIM），可在高速下对亚细胞结构进行实时细胞超分辨率成像。目前，Linear Sim使用自由空间光学器件以所需的光图形来照亮样品，但是这种布置容易错过一致性，并为显微镜增加了成本和复杂性。在这里，我们提出了一种基于光子芯片的替代2D SIM方法，其中显微镜中的常规玻璃样品载玻片被平面光子芯片所取代，该平面光子芯片既可以固定并照亮样品。光子芯片将SIM的光照明路径的足迹降低到约4x4 cm 2。芯片上的一系列光学波导以不同的角度创建了站立的干扰模式，从而通过evanevanevanecent磁场照亮了样品。高折射率氮化硅波导允许在成像空间分辨率中增强2.3倍，超过了SIM的通常2x极限。总而言之，CSIM提供了一种简单，稳定且负担得起的方法，用于在大型视野上执行2D超分辨率成像。光学显微镜的空间分辨率通过衍射有效地限制了可实现的分辨率横向约250 nm，而轴向为500 nm的1,2。超级分辨率荧光显微镜的出现（通常称为纳米镜检查）证明了欺骗衍射极限的能力，将显微镜的横向分辨率向下延伸到只有几个纳米3。因此，超分辨率成像的下一个飞跃可以通过增加纳米镜方法的吞吐量来实现。在现有的光学纳米镜检查方法4-8中，结构化照明显微镜（SIM）9,10对于大多数明亮的荧光团作品。，而不是在SIM中照亮样品，而是在SIM中照亮了正弦激发模式，可以照亮样品，并在摄像机上捕获荧光发射。通常使用样品平面上的两个或三个梁的干扰来生成正弦激发光。通过乘法在频率空间中代表卷积，混合了两个函数的空间频率，在样品平面上结合了照明和对象函数。以这种方式，由于频率下转换与所得荧光发射为Moiré边缘模式，因此在物镜的通过频带的通过频带下方可以提供高频，未解决的内容。要从Moiré模式中提取高频含量，需要三到五个相移的结构化照明才能改善沿一个轴的分辨率。对于各向同性分辨率，必须重复该过程的激发模式的3个方向（角度），对于2D（3D）SIM重构，总共有9（15）个图像。由于SIM只需要9（15 for 3d）图像即可在广泛的视野上创建一个超分辨率图像，因此此方法本质上是快速的，这使其成为实时细胞光学纳米镜检查的最流行方法之一。，尽管STED和SMLM方法在单个单元格的水平上提供了出色的图像，但是当需要许多细胞的高速图像以建立统计影响时，这些技术会遭受低吞吐量。在常规模拟中，照明和开发高分辨率方法，例如刺激激发耗竭（STED）显微镜技术4,5和单分子定位显微镜（SMLM）6-8，从而使分辨率降低到几十纳米量，在生命科学中发现了新的发现可能性。在现有的超分辨率显微镜技术中，SIM提供了最快的时间分辨率，并且与标准标签和低光毒性的兼容性SIM方法指向实际高通量纳米镜检查方向。为了充分利用快速SIM成像技术的实用性，可实现的空间分辨率，方法的吞吐量和SIM的系统复杂性需要改进。