XiaoMi-AI文件搜索系统
World File Search System表示方法
下一代自主机器人代理的人工智能与人工智能
工业/服务机器人的发展趋势是开发能够与人类合作的机器人，以自主、安全和有目的的方式与人类互动。这些是第四次和第五次工业革命（4IR、5IR）的基本要素：关键的创新是采用智能技术，可以开发与人类相似甚至更高级的信息物理系统。普遍的看法是，智能可能由人工智能 (AI) 提供，这一说法更多的是得到媒体报道和商业利益的支持，而不是坚实的科学证据。目前，人工智能的概念相当广泛，涵盖了法学硕士和许多其他东西，没有任何统一的原则，但可以自我激励以在各个领域取得成功。目前对人工智能机器人的看法大多遵循一种纯粹的无形方法，与老式的笛卡尔心身二元论一致，反映在冯·诺依曼计算架构固有的软件和硬件区别中。本立场文件的工作假设是，通往具有认知能力的下一代自主机器人代理的道路需要一种完全受大脑启发的、具身认知方法，该方法避免了身心二元论的陷阱，旨在完全整合身体件和认知件。我们将这种方法命名为人工智能认知 (ACo)，并将其建立在认知神经科学的基础上。它特别关注基于双向人机交互的主动知识获取：实际优势是增强泛化和可解释性。此外，我们认为，受大脑启发的交互网络对于允许人类与人工智能认知代理合作、建立日益增长的个人信任和相互责任水平是必要的：这在当前的人工智能中显然是缺失的，尽管人们正在积极寻求这一点。ACo 方法是一项正在进行的工作，可以利用许多研究线索，其中一些线索早于定义人工智能概念和方法的早期尝试。在本文的其余部分，我们将考虑需要在统一框架中重新审视的一些构建模块：发展机器人技术的原理、具有勘探能力的动作表示方法以及社交互动的关键作用。
整合来自移动设备的患者生成的健康数据
引言医学领域是受移动设备广泛可用性影响最大的学科之一。医疗保健专业人员对移动设备的使用改变了临床实践的许多方面[1,2]。移动设备在医疗保健环境和家里已变得司空见惯，从而导致医疗软件应用程序开发的迅速增长[3]。这些工具可以通过允许患者通过软件应用程序提供的视觉或听觉表征来查看和理解其健康数据，从而增强患者的经验，参与度，激活和满意度[4,5]。然而，我们尚未对重要的MHealth结构或如何概念化和操作它们有共同的理解[5,6]。因此，以患者为中心的移动健康（MHealth）被视为一个充满挑战的机会，与概念实现有关的仍然开放的问题[5]。借助这些新兴移动设备及其合作伙伴软件应用程序可获得的所有新数据，对如何最好地将这些无数数据集成到患者的电子健康记录（EHR）或电子医疗记录（EMR）方面提出了挑战，以最大程度地利用积极的临床影响，同时最大程度地减少复杂性。机构可能会采用可能无法相互通信的不同EMR，而患者的EHR可能会在医疗保健系统，州和国际边界之间跟随它们。这些移动健康数据建议适用于EHR和EMR，并在本指南中被称为EHR/EMR。医疗保健数据监视系统可以分类如下：远程健康监控系统（RHMS），其中包括可以远程发送和/或接收其数据的系统；移动健康监测系统（MHMS），一种RHMS扩展程序，使用智能手机或其他移动设备按需本地数据处理；可穿戴健康监测系统（WHM），其中通过可穿戴设备/传感器进一步富集了移动性；智能健康监测系统（SHMS），“智能”表示方法和相关设备。在这些系统中，MHM可以利用移动设备的本地处理能力来分析收集的数据并确定是否存在关键条件。在这种情况下，立即发出警报并传达给医务人员，而通常，数据上传并非实时进行以减少功耗[7]。世界卫生组织将MHealth定义为“移动设备支持的医疗和公共卫生实践”。移动健康技术是指各种可穿戴设备，其中包括监视生物识别和健康数据的“健康设备” - 心率，睡眠，运动和计数器，“个人紧急响应系统” - 医疗警报系统，
过完备小波框架扩展对脑电信息挖掘的潜力
脑电图 (EEG) 是通过放大和记录人体头皮上由大脑电流产生的电活动而获得的记录 (Zandi 等人，2011；Larson 和 Taulu，2018)。EEG 是脑成像科学中广泛使用的媒介，在脑机接口 (BCI；Gao 等人，2021) 研究中发挥着重要作用。BCI 是一种将脑信号转换为有用命令的在线计算机系统。到目前为止，不同类型的脑信号已被用于开发 BCI 系统。由于其方便和低成本，EEG 信号已成为 BCI 系统中的主要媒介。然而，实践证明，由于 EEG 信号能量较弱，EEG 信号的采集很容易受到各种噪声的干扰。为了从嘈杂的 EEG 信号中提取有用信息 (Shad 等人，2020)，在 EEG 信号分析中研究了各种信号处理方法。在脑信号分析中，提高信噪比是一个重要的预处理步骤。传统上，它是使用快速傅里叶变换（FFT）完成的（Wahab et al., 2021）。在BCI中，FFT也用于从EEG信号中实现显著特征的提取。短时傅里叶变换是FFT的增强，它可以生成EEG的二维频谱表示（Ha and Jeong，2019）。然而，STFT的主要缺点是其频率分辨率不可调。Huang提出了一种将STFT与卷积神经网络相结合用于生物医学信号分类的方法（Huang et al., 2019）。此外，基于傅里叶分析的数字滤波器也是EEG信号去噪的重要工具（Hsia and Kraft，1983）。它们的应用包括噪声伪影去除、特定频带的特征选择。尽管近年来新的脑电滤波技术不断涌现，但滤波技术并不是 BCI 研究的重点，相关研究也报告了数字滤波器的缺点（Alhammadi and Mahmoud，2016）。在过去的几十年中，随着计算能力的提高，许多更先进的信号处理方法被发明并投入实践。Upadhyay 提出了一种结合 S 变换和独立成分分析的新技术，用于脑电信号中的伪影消除和噪声抑制（Upadhyay et al.，2016）。Djemili 利用经验模态分解将脑电信号分解为固有模态函数，实现了正常和癫痫脑电特征的智能分类（Djemili et al.，2016）。Jiang 的研究中，提出了一种基于多词典的稀疏表示方法，用于癫痫脑电尖峰的自动检测（Jiang et al.，2020）。 Dora 应用变分模态分解来校正 EEG 测量中的伪影（Dora 和 Biswal，2020 年）。Chen 提出了一种稀疏傅里叶变换，并将其应用于电力线伪影消除（Chen et al.，2021b）。
概念框架“知识节点”中的名词
Martina ASENBRENER KATIC*、Sanja CANDRLIC、Mile PAVLIC 摘要：“知识节点”方法是概念框架“知识节点 (NOK)”的元素之一。它能够以图形和形式化（文本）形式表示知识，并可以将自然语言句子的形式化记录存储在关系数据库中。为了能够将所有单词从自然语言句子正确转换为形式化记录，有必要设计一种语言的元模型，即分析每种特定自然语言的所有词类，并定义将自然语言句子转换为形式化记录的规则。本文分析了克罗地亚语和英语中的名词。它介绍了将名词和名词短语结构转换为形式化记录的规则，并提供了两种语言的示例。使用一小组句子（用作输入知识）和问题对系统进行了初步测试。测试结果展示并讨论。关键词：知识表示；知识节点；NOK；名词 1 引言及相关工作 知识表示的发展始于 20 世纪 70 年代的人工智能领域。它在人工智能的发展中发挥了重要作用，并且一直是人工智能最强大的领域之一 [1]。知识表示寻找对信息和知识进行形式化描述的方法，这意味着用一种具有明确语法和语义的无歧义语言或符号来表示。知识可以以不同的方式存储 [2]，例如通过使用语义网络 [3]、框架 [4]、本体 [5]、模糊 Petri 网 [6]、神经网络 [7] 或其他图形方法进行知识表示 [8]。知识表示方法之一是知识节点 (NOK) [9, 10]。概念框架“知识节点 (NOK)”是一组方法、规则、相应的分析工具和自然语言句子中包含的语义表示。概念框架 NOK 包括 NOK 方法、图形表示的形式化（知识图表节点，DNOK）、以文本形式显示知识的形式化（知识形式化节点，FNOK）和以文本形式表示问题的形式化（知识形式化节点，QFNOK）[11]。初步研究 [12-14] 表明，可以使用概念框架 NOK 对自然语言中的句子进行建模。进一步的研究表明，只要规则定义明确，NOK 可适用于不同语言，而无需调整问答系统 (QA) 的算法 [15]。有必要分析自然语言的所有词类，以设计一种语言的元模型并定义将句子转换为 FNOK 记录的规则。在之前的工作中，已经在 NOK 方法中对形容词 [16] 和动词 [17] 进行了分析。本文重点关注克罗地亚语和英语中的名词。本文定义了名词转换为 FNOK 记录中的节点的规则和解决方案。规则根据名词与动词（服务于主语或宾语的名词）、谓语名词、同位语和名词格之间的关系来分析名词。此外，冠词（a、an、the）