XiaoMi-AI文件搜索系统
World File Search System类脑
用于多类脑肿瘤检测的智能超轻量深度学习模型
1 巴基斯坦工程与应用科学学院 (PIEAS) 计算机与信息科学系，伊斯兰堡 45650，巴基斯坦 2 华威大学计算机科学系，考文垂 CV4 7AL，英国；shan.raza@warwick.ac.uk 3 自由查谟和克什米尔大学尼勒姆校区计算机科学与信息技术系，Athmuqam 13230，巴基斯坦 4 自由查谟和克什米尔大学阿卜杜拉国王校区计算机科学与信息技术系，穆扎法拉巴德 13100，巴基斯坦 5 诺拉·宾特·阿卜杜勒拉赫曼公主大学工程学院工业与系统工程系，邮政信箱 84428，利雅得 11671，沙特阿拉伯；areej@pnau.edu.sa 6 乌姆阿尔古拉大学计算机科学系，计算机与信息系统学院，麦加 24382，沙特阿拉伯； k.nour@uqu.edu.sa 7 农业与生物光子学部，国家激光与光电学院，PIEAS，伊斯兰堡 45650，巴基斯坦；aziz.rehman@nilop.edu.pk 8 计算机科学系，Mahayil 科学与艺术学院，哈立德国王大学，艾卜哈 62529，沙特阿拉伯 9 计算机与自我发展系，预科系，萨坦·本·阿卜杜勒阿齐兹王子大学，AlKharj 16278，沙特阿拉伯；a.hilal@psau.edu.sa * 通信地址：drsaqureshi@pieas.edu.pk (SAQ)；lall_hussain2008@live.com (LH)；falwesabi@kku.edu.sa (FNA-W.)
从人类脑电图解码个性化运动皮层兴奋状态
图 1. 用于优化每个参与者个性化分类器的分析程序。原始 EEG 数据经过频谱分析。计算 MEP 振幅并通过中值分割分为小 MEP 和大 MEP。之后，通过拟合 100 个不同的 lambda 值和 168 个不同的特征数的 LDA 分类器执行 5 倍交叉验证网格搜索，并按重要性顺序添加特征。然后，选择每个参与者表现最佳的交叉验证分类器，并使用交叉验证期间获得的每个预测类的真实 MEP 振幅计算预测的 MEP 振幅调制。对于每个参与者，在优化和分类循环中训练和测试 16,800 个分类器，这在标准笔记本电脑上需要约 4 分钟。
高光谱成像用于人类脑癌体内/体外组织分析
在脑癌手术中准确识别肿瘤边界决定了患者的生活质量。目前，在切除肿瘤过程中采用了不同的术中引导工具，但这些工具存在一些局限性。高光谱成像 (HSI) 是一种无标记、非电离技术，可在手术过程中协助神经外科医生。本文使用 HSI 对体内和体外人脑肿瘤样本进行了分析，以评估两种样本之间的相关性。使用含氧血红蛋白和脱氧血红蛋白的光谱比来区分正常组织、肿瘤组织和血管。数据库由七张体内和十四张体外高光谱图像组成，这些图像来自七名不同的患者，这些患者被诊断为 IV 级胶质母细胞瘤、转移性继发性乳腺癌、I 级和 II 级脑膜瘤以及 II 级星形细胞瘤 (神经胶质瘤)。这项工作使用了 44,964 个标记像素。所提出的方法使用所提出的光谱比实现了不同组织类型的区分。对比体内和体外样本，体外样本的血红蛋白比例更高，并利用光谱比例生成血管增强图，旨在实现术中实时手术辅助。
通过光谱方法和卷积神经网络评估的人类脑电图大脑活动中视觉设计要素和原理的影响
1语言和计算机科学系，计算机科学与工程学院，拉加29071Má拉加，西班牙拉加； fecabrera@uma.es（F.E.C。）; fabianvaccaro@uma.es（g.v.）; jipelaez@uma.es（J.I.P。）2应用社会研究中心（CISA），ADA BYRON研究大楼，拉加大学，29071MáLaga，西班牙拉加，3 Instituto de Instituto debiomédicadica dicadeMáLagaLaga（Ibima）西班牙29071MáLaga大学5号大学5号工程学院，数字通信学院（IDCOM），爱丁堡大学，爱丁堡8号，托马斯·贝斯Rd，爱丁堡EH9 3FG，英国javier.escudero@ed.ac.uk（J.E。）†这些作者分享了高级作者身份。
概率骨架赋予类脑神经网络天生的计算能力
遗传密码赋予大脑神经网络与生俱来的计算能力。但它是如何实现的却一直不得而知。实验数据表明，基因组通过成对连接概率对大量遗传上不同类型的神经元编码了新皮层回路的架构。我们为这种间接编码方式建立了一个数学模型，即一个概率骨架，并表明它足以将一套要求相当高的计算能力编入神经网络。这些计算能力无需学习即可产生，但很可能为后续的快速学习提供强大的平台。它们通过统计层面的架构特征而不是突触权重嵌入神经网络。因此，它们在低维参数空间中指定，从而提供增强的鲁棒性和泛化能力，正如先前的研究所预测的那样。
StreamBrain：一种用于 CPU、GPU 和 FPGA 上的类脑神经网络的 HPC 框架
摘要 基于反向传播的现代深度学习方法越来越受欢迎，并已用于多个领域和应用领域。与此同时，还有其他鲜为人知的机器学习算法，它们具有成熟而坚实的理论基础，但其性能仍未被探索。类似大脑的贝叶斯置信传播神经网络 (BCPNN) 就是一个例子。在本文中，我们介绍了 StreamBrain——一个允许基于 BCPNN 的神经网络实际部署在高性能计算系统中的框架。StreamBrain 是一种领域特定语言 (DSL)，概念上类似于现有的机器学习 (ML) 框架，并支持 CPU、GPU 甚至 FPGA 的后端。我们通过经验证明 StreamBrain 可以在几秒钟内训练著名的 ML 基准数据集 MNIST，并且我们是第一个在 STL-10 大小网络上展示 BCPNN 的人。我们还展示了如何使用 StreamBrain 进行自定义浮点格式训练，并说明了使用 FPGA 对 BCPNN 使用不同 bfloat 变体的影响。关键词 HPC、无监督学习、表示学习、神经网络、AI、新兴机器学习、BCPNN、GPU、FPGA
COM596 类脑人工智能
论文演示视频 在这项作业中，3 名学生组成的小组需要准备一段 20 分钟的演示视频，内容是关于一篇来自大脑启发式人工智能文献的文章。将提供一份潜在论文清单，但学生可以根据自己的意愿要求其他论文（但选择必须得到导师的批准）。演示必须使用幻灯片进行，但您可以使用任何录音设备、编辑软件等进行演示。它甚至可以只是手机上的录音。唯一的要求是您以标准视频文件格式（例如 avi、mp4、mov 等）提交视频，并将其上传到 myCourses。演示时间不能超过 20 分钟——如果超过，您将被扣分！！！！您不需要在视频中展示任何人的脸，只需显示幻灯片，但您的声音必须可听见。此外，重要的是
基于多目标优化的癫痫发作分类脑电图通道选择方法
我们提出了一种基于非支配排序遗传算法 (NSGA) 的癫痫发作分类脑电图 (EEG) 通道选择的多目标优化方法。我们在来自 CHB-MIT 公共数据集的 24 名患者的 EEG 数据上测试了该方法。该过程首先使用经验模态分解 (EMD) 或离散小波变换 (DWT) 将来自每个通道的 EEG 数据分解为不同的频带，然后为每个子带提取四个特征；两个能量值和两个分形维数值。然后通过 NSGA-II 或 NSGA-III 迭代测试获得的特征向量以解决两个无约束目标；最大限度地提高分类准确率并减少癫痫发作分类所需的 EEG 通道数量。我们的结果表明，仅使用一个 EEG 通道就能实现高达 1.00 的准确率。有趣的是，当使用所有可用的 EEG 通道时，与使用 NSGA-II 或 NSGA-III 选择 EEG 通道的情况相比，获得的准确度较低；即，在患者 19 中，我们使用所有通道获得的准确度为 0.95，而使用 NSGA-III 仅选择的两个通道获得的准确度为 0.975。获得的结果令人鼓舞，并且已经表明可以使用少量电极对癫痫发作进行分类，这为未来开发便携式 EEG 发作检测设备提供了证据。
COMP596 类脑人工智能
编程作业如上所述，将有两个编程作业，第一个将于 1 月 13 日那一周发布，第二个将于 2 月 24 日那一周发布。对于这两个作业，你将收到一个 Python 代码主干，你将使用它来构建模型。第一个作业将让你编写一个玻尔兹曼机来建模手写数字图像。第二个作业将让你编写一个演员评论家网络来完成空间导航任务。对于这两个作业，你将不被允许使用提供自动求导功能的现代机器学习库。你将用老办法来做！在这两项作业中，都会有几个问题需要回答，还有一些额外的任务需要研究生完成。