XiaoMi-AI文件搜索系统
World File Search System解码器
![arxiv：2405.14055V1 [CS.CL] 2024年5月22日](/simg/g:\will\search\icon\source\3\3e84ef4dea4303908c43d2afa2dfe36cc5a4c5a4.webp)
arxiv：2405.14055V1 [CS.CL] 2024年5月22日
脑部计算机界面具有有希望的医学和科学应用，可在协助语音和研究大脑方面。在这项工作中，我们为大脑对文本解码器提供了基于信息的评估度量。使用此指标，我们检查了两种方法来增加现有的最新连续文本解码器。我们表明，与基线模型相比，这些方法一致地可以将大脑解码性能提高40％以上。我们进一步研究了大脑到文本解码器的信息特性，并从经验上证明它们具有Zipfian Power Law Dynamics。最后，我们为基于fMRI的文本解码器的理想化性能提供了估计。我们将此理想化的模型与当前模型进行了比较，并使用基于信息的度量标准来量化解码误差的主要来源。我们得出的结论是，在进一步的算法改进的情况下，实用的大脑到文本解码器可能是可能的。
目录，2007 年 5 月 - Micron 无线电控制
DSP 解码器：ECO、MAX 和 FET 接收器配有可选智能解码器。它使用数字信号处理（因此称为 DSP ）在受到干扰时提供优雅的降级。它分析控制帧以确定是否受到干扰（或噪声）的影响，如果某个帧被认为是坏的，则每个输出通道设置为最后 4 帧的平均值。结果是伺服响应在受到相当大的干扰时会减慢，而不是到处跳跃。最终，解码器决定信号已完全损坏或已丢失，并进入“故障安全”模式。可以从 Micron 网站下载 DSP 接收器设置指南或 DSP 解码器套件组装手册，了解更多详细信息。
使用深度编码器-解码器卷积神经网络预测经颅磁刺激引起的脑电场
摘要 — 经颅磁刺激 (TMS) 是一种非侵入性、有效且安全的神经调节技术，可用于诊断和治疗神经和精神疾病。然而，大脑组成和结构的复杂性和异质性对准确确定关键大脑区域是否接收到正确水平的感应电场提出了挑战。有限元分析 (FEA) 等数值计算方法可用于估计电场分布。然而，这些方法需要极高的计算资源并且非常耗时。在这项工作中，我们开发了一个深度卷积神经网络 (DCNN) 编码器-解码器模型，用于从基于 T1 加权和 T2 加权磁共振成像 (MRI) 的解剖切片实时预测感应电场。我们招募了 11 名健康受试者，并将 TMS 应用于初级运动皮层以测量静息运动阈值。使用 SimNIBS 管道从受试者的 MRI 开发头部模型。将头部模型的整体尺寸缩放至每个受试者的 20 个新尺寸尺度，形成总共 231 个头部模型。进行缩放是为了增加代表不同头部模型尺寸的输入数据的数量。使用 FEA 软件 Sim4Life 计算感应电场，将其作为 DCNN 训练数据。对于训练好的网络，训练和测试数据的峰值信噪比分别为 32.83dB 和 28.01dB。我们模型的关键贡献在于能够实时预测感应电场，从而准确高效地预测目标脑区所需的 TMS 强度。
MRI脑肿瘤分割，使用具有密集编码器块和残留解码器块的3D U-NET
磁共振成像（MRI）自动脑肿瘤分割的主要任务是自动分割脑肿瘤水肿，腹部水肿，内窥镜核心，增强肿瘤核心和3D MR图像的非增强肿瘤核心。由于脑肿瘤的位置，大小，形状和强度差异很大，因此很难自动分割这些脑肿瘤区域。在本文中，通过结合Densenet和Resnet的优点，我们提出了一个新的3D U-NET，具有密集的编码器块和残留的解码器块。我们在编码器部分中使用了密集的块和解码器部分中的残留块。输出特征图的数量随编码器的收缩路径中的网络层增加而增加，这与密集块的特征一致。使用密集的块可以减少网络参数的数量，加深网络层，增强特征传播，减轻消失的梯度和扩大接收场。在解码器中使用残差块来替换原始U-NET的卷积神经块，这使网络性能更好。我们提出的方法在BRATS2019培训和验证数据集上进行了培训和验证。我们在BRATS2019验证数据集上分别获得了整个肿瘤，肿瘤核心和增强肿瘤核心的骰子得分，分别为0.901、0.815和0.766。我们的方法比原始的3D U-NET具有更好的性能。我们的实验结果表明，与某些最新方法相比，我们的方法是一种竞争性的自动脑肿瘤分割方法。
用于可植入脑机接口的脉冲神经网络解码器及其在 RISC-V 微控制器上的稀疏感知部署
摘要 — 可植入脑机接口 (BMI) 在运动康复和移动性增强方面大有可为，它们需要准确且节能的算法。在本文中，我们提出了一种用于可植入 BMI 的回归任务的新型脉冲神经网络 (SNN) 解码器。SNN 通过增强的时空反向传播进行训练，以充分利用其处理时间问题的能力。所提出的 SNN 解码器在离线手指速度解码任务中的表现优于最先进的卡尔曼滤波器和人工神经网络 (ANN) 解码器。解码器部署在基于 RISC-V 的硬件平台上，并经过优化以利用稀疏性。所提出的实现在占空比模式下的平均功耗为 0.50mW。在进行无占空比的连续推理时，它实现了每次推理 1.88 µ J 的能效，比基线 ANN 低 5.5 倍。此外，每次推理的平均解码延迟为 0.12 毫秒，比 ANN 实现快 5.7 倍。
DASpeech：用于快速和高精度的有向非循环变压器......
直接语音到语音翻译 (S2ST) 使用单一模型将语音从一种语言翻译成另一种语言。然而，由于语言和声学多样性的存在，目标语音遵循复杂的多模态分布，这对 S2ST 模型实现高质量翻译和快速解码提出了挑战。在本文中，我们提出了 DASpeech，这是一种非自回归直接 S2ST 模型，可实现快速和高质量的 S2ST。为了更好地捕捉目标语音的复杂分布，DASpeech 采用两遍架构将生成过程分解为两个步骤，其中语言解码器首先生成目标文本，然后声学解码器根据语言解码器的隐藏状态生成目标语音。具体而言，我们使用 DA-Transformer 的解码器作为语言解码器，并使用 FastSpeech 2 作为声学解码器。DA-Transformer 使用有向无环图 (DAG) 对翻译进行建模。为了在训练过程中考虑 DAG 中的所有潜在路径，我们通过动态规划计算每个目标 token 的预期隐藏状态，并将它们输入声学解码器以预测目标梅尔频谱图。在推理过程中，我们选择最可能的路径并将该路径上的隐藏状态作为声学解码器的输入。在 CVSS Fr → En 基准上的实验表明，DASpeech 可以实现与最先进的 S2ST 模型 Translatotron 2 相当甚至更好的性能，同时与自回归基线相比保持高达 18.53 倍的加速。与之前的非自回归 S2ST 模型相比，DASpeech 不依赖于知识蒸馏和迭代解码，在翻译质量和解码速度方面都实现了显着提升。此外，DASpeech 还展示了在翻译过程中保留源语音的说话者声音的能力。23
使用张量网络解码器对泡利噪声进行量子编码的随机 Clifford 电路
其中 p I + p X + p Y + p Z = 1。我们主要考虑去极化噪声的情况 p X = p Y = p Z = p / 3，p I = (1 − p )。▶ 众所周知 1 使用随机 Clifford 单位向量进行编码，可以实现称为哈希界限的速率
Moseley DSP6000A 数字演播室发射机链接手册
6-1 编码器状态引脚说明 6-2 编码器状态输出有效性 6-3 解码器状态引脚说明 6-4 解码器状态输出有效性 6-5 电源部分 6-6 主音频部分 6-7 辅助音频部分 6-8 外部同步部分 6-9 通道编码器部分 6- 10 时序和模式控制 6-11 主编码器部分 6-12 辅助编码器部分 6-13 主/辅助/数据多路复用器 6-14 异步数据 6-15 编码器显示 6-16 电源部分 6-17 主音频部分 6- 18 辅助音频部分 6-19 AGC 部分 6-20 时钟恢复部分 6-21 时序和模式控制部分 6-22 通道解码器部分 6-23 主解码器部分 6-24 辅助解码器部分 6-25 主/辅助/数据多路复用器 6-26 异步数据 6-27 备件 6-28 解码器显示板 6-29 推荐测试设备 A-1 DSP6000A 阈值与传输速率 A-2 频谱效率模式
基于生物信号的电机控制自适应用户机界面
摘要 用户机界面将从用户测量的生物信号映射到外部设备的控制命令。从生物信号到设备输入的映射由解码算法执行。用户和解码器的适应——共同适应——为提高不同用户和应用程序的界面包容性和可用性提供了机会。用户学习可实现强大的界面控制，可跨环境和上下文进行推广。解码器适应可以个性化界面，考虑日常信号变化并提高整体性能。因此，共同适应创造了塑造用户和解码器系统的机会，以实现强大且可推广的个性化界面。然而，共同适应会创建一个双学习者系统，用户和解码器之间具有动态交互。设计共同适应界面需要新的工具和框架来分析和设计用户解码器交互。在本文中，我们回顾了用户机界面中的自适应解码、用户学习和共同适应，主要是用于运动控制的脑机、肌电和运动学界面。然后，我们讨论了共同适应接口的性能标准，并提出了一种设计用户-解码器共同适应的博弈论方法。
