XiaoMi-AI文件搜索系统
World File Search System识别任务
一种快速低功耗多传感器 3D 场景框架...
摘要。我们提出了一个计算框架，它结合了深度和颜色（纹理）模态来进行 3D 场景重建。场景深度由采用飞行时间原理的低功率光子混合装置 (PMD) 捕获，而颜色（2D）数据则由高分辨率 RGB 传感器捕获。这种 3D 捕获设置有助于 3D 人脸识别任务，更具体地说，有助于深度引导图像分割、3D 人脸重建、姿势修改和规范化，这些都是特征提取和识别之前的重要预处理步骤。两种捕获的模态具有不同的空间分辨率，需要对齐和融合，以形成所谓的视图加深度或 RGB-Z 3D 场景表示。我们特别讨论了系统的低功耗操作模式，其中深度数据看起来非常嘈杂，需要在与颜色数据融合之前进行有效去噪。我们建议使用非局部均值 (NLM) 去噪方法的修改，该方法在我们的框架中对复值数据进行操作，从而提供针对低光捕获条件的一定稳健性和对场景内容的自适应性。在我们的方法中，我们对范围点云数据实施双边滤波器，确保数据融合步骤的非常好的起点。后者基于迭代理查森方法，该方法用于使用来自颜色数据的结构信息对深度数据进行有效的非均匀到均匀重采样。我们展示了基于 GPU 的框架的实时实现，可产生适合面部规范化和识别的高质量 3D 场景重建。关键词：ToF、2D/3D、深度、融合、去噪、NLM、面部、ICP
假马齿苋的认知增强作用
背景：认知障碍是精神分裂症的常见特征，抗精神病药物无法缓解。婆罗米俗称认知增强剂，可能是精神分裂症认知缺陷治疗的新前沿。目的：研究婆罗米对亚慢性苯环利定 (PCP) 精神分裂症大鼠模型中认知缺陷和大脑谷氨酸/N-甲基-D-天冬氨酸 (NMDA) 受体密度的减弱作用。材料和方法：给大鼠施用 PCP 或载体。PCP 组一半用婆罗米治疗。从新物体识别任务中获得代表认知能力的辨别率 (DR)。使用免疫组织化学测量前额皮质、纹状体、海马 1 至 3 角区 (CA1-3) 和齿状回 (DG) 中的 NMDA 免疫密度。结果：与对照组相比，PCP 组的 DR 显著降低。同时，前额皮质和 CA1-3 中的 NMDA 上调也随之发生，但纹状体和 DG 中没有。与单独使用 PCP 相比，使用婆罗米的 PCP 显著提高了 DR 评分。同时，前额皮质和 CA1-3 中的 NMDA 免疫密度也显著降低。使用婆罗米的 PCP 与对照组之间，大脑 NMDA 免疫密度没有显著差异。结论：PCP 给药大鼠的认知缺陷是由前额皮质和 CA1-3 中的 NMDA 上调介导的。有趣的是，婆罗米可以通过将这些大脑区域的 NMDA 密度降低至正常水平来恢复这种认知缺陷。
XdeCompo：卷积神经网络中的可解释分解方法用于肿瘤图像分类
摘要：在各种肿瘤类型中，大肠癌和脑肿瘤仍然被认为是世界上最严重和致命的疾病之一。因此，许多研究人员致力于提高诊断医学机器学习模型的准确性和可靠性。在计算机辅助诊断中，在处理具有不足数据注释的数据集时，自我监督学习已被证明是一个有效的解决方案。但是，医疗图像数据集经常患有数据违规性，使识别任务更具挑战性。班级分解方法通过简化数据集的类边界的学习，为这个具有挑战性的问题提供了强大的解决方案。在本文中，我们提出了一个称为XdeCompo的强大自我监督模型，以提高功能从借口任务到下游任务的可传递性。XdeCompo是基于基于基于繁殖的类别分解而设计的，以有效鼓励在下游任务中学习阶级边界。XdeCompo具有可解释的组成部分，可以突出重要的像素，这些像素有助于分类，并解释了类分解对改善提取特征专业的影响。我们还探讨了XdeCompo在处理不同医学数据集的典型性，例如用于大肠癌和脑肿瘤图像的组织病理学。定量结果表明，CRC和脑肿瘤图像的高精度分别为96.16％和94.30％的XdeCompo的鲁棒性。XdeCompo与其他模型相比，在不同的医学图像数据集中证明了其概括能力，并在不同的医学图像数据集中实现了高分类精度（无论是定量还是质量上）。已使用后可解释的方法来验证特征可传递性，并证明了高度准确的特征表示。
用于评估决策信心的元学习 BCI
摘要 目的。我们研究了最近引入的基于元学习的迁移学习技术是否可以提高脑机接口 (BCI) 在决策信心预测方面的性能，而传统机器学习方法则无法实现。方法。我们将偏向正则化算法的元学习应用于基于视频馈送的困难目标识别任务中，根据脑电图 (EEG) 和眼电图 (EOG) 数据逐个决策地预测决策信心的问题。该方法利用以前参与者的数据来生成预测算法，然后快速调整该算法以适应新参与者。我们将该方法与 BCI 中几乎普遍采用的传统单受试者训练、一种称为领域对抗神经网络的最先进的迁移学习技术、我们最近用于类似任务的零训练方法的迁移学习改编以及简单的基线算法进行了比较。主要结果。在大多数情况下，元学习方法明显优于其他方法，在只有来自新参与者的有限数据可用于训练/调整的情况下，效果要好得多。通过有偏正则化的元学习，我们的 BCI 能够无缝集成来自过去参与者的信息与来自特定用户的数据，以产生高性能预测器。它在小型训练集存在下的稳健性是 BCI 应用中的真正优势，因为新用户需要在更短的时间内训练 BCI。意义。由于 EEG/EOG 数据的多变性和噪声，BCI 通常需要使用来自特定参与者的数据进行训练。这项工作表明，使用我们的有偏正则化元学习版本可以获得更好的性能。
微生物组对主机社区动态的影响
持续的有机污染物（POP），其中包括全球广泛使用的农药和工业化学物质，对人类健康构成了秘密威胁。β -heacachlorocyclohexane（β-HCH）是一种具有惊人稳定性的有机氯农药，仍然在许多国家非法倾倒，并被认为是多种致病机制的原因。这项研究代表了暴露于特异性靶向神经元细胞（N2A），小胶质细胞（BV -2）和C57BL/6小鼠的β -HCH引起的神经毒性作用的开创性探索。如Western印迹和QPCR分析所示，β-HCH的给药触发了NF-κB的调节，NF-κB是影响炎症和促炎性细胞因子表达的关键因素。我们通过Proteo MIC和Western印迹技术证明了β -HCH诱导的H3组蛋白的表观遗传修饰。N2a中H3K9和H3K27的组蛋白乙酰化增加，在用β -HCH施用的C57BL/6小鼠的前额叶皮层中，它在BV -2细胞和海马群中降低。我们还通过新的对象识别测试（NORT）和对象位置识别任务（OPRT）行为测试对识别记忆和空间导航产生了严重的有害影响。认知障碍与BDNF和SNAP-25基因的表达降低有关，后者是参与突触功能和活性的介体。获得的结果扩大了我们对β -HCH暴露产生的有害影响的理解，通过强调其对神经疾病的发病机理的影响。这些发现将支持干预计划，以限制暴露于POPS引起的风险。监管机构应阻止进一步的非法使用，从而造成环境危害并危害人类和动物健康。
![arxiv：2405.19373v1 [eess.sp] 2024年5月28日](/simg/d\d4c4c0613a482f7cd12f63056b2fb949e8f7d0ff.webp)
arxiv：2405.19373v1 [eess.sp] 2024年5月28日
摘要。基于脑电图（EEG）（EEG）的情绪识别已在神经信号处理和情感计算等领域引起了很大的关注和多样化的发展。然而，个体的独特大脑解剖结构导致跨受试者的脑电图信号的不可忽视的自然差异，这对跨主题情绪识别提出了挑战。尽管最近的研究试图解决这些问题，但它们仍然面临实际有效性和模型框架团结的局限性。当前的方法通常难以捕获EEG信号的复杂空间 - 时间动力学，并且无法有效地整合Mul-timodal信息，从而导致次优性能和跨受试者的普遍性有限。为了克服这些局限性，我们将基于预先训练的模型多模式读取器进行跨性能情绪识别，该识别利用了掩盖的脑信号建模和相互联系的时空注意机制。该模型通过在大规模数据集上进行预训练来学习EEG信号的通用潜在表示，并采用相关的时空注意机制来处理从EEG数据提取的差异熵（DE）特征。随后，提出了一个多级融合层以赋予歧视性特征，从而最大程度地提高了不同维度和模态的fe构的优势。公共数据集上的广泛实验证明了情绪阅读器在跨主题情感识别任务中的出色表现，表现优于最先进的方法。此外，该模型是从关注观点中解剖的，对与情绪相关的大脑区域进行定性分析，为神经信号处理中的情感研究提供了有价值的见解。
基于脑电图的深度运动图像分类的可概括和歧视性学习方法
卷积神经网络（CNN）已广泛应用于运动图像（MI）分类范围，从分类精度方面显着提高了最新的（SOA）性能。尽管彻底探索了创新的模型结构，但对目标函数的关注很少。在MI区域中的大多数可用CNN中，标准的横向损失通常作为目标函数执行，这仅确保深度特征可分离性。与当前目标函数的限制相对应，提出了一种新的损失函数，该损失函数与平滑的跨熵（标签平滑）和中心损失的组合被提议作为MI识别任务中模型的监督信号。特别是，通过预测标签和通过均匀分布的噪声正规化的一式硬硬标签之间的熵来计算平滑的横膜。中心损失将学习每个班级的深度特征中心，并最大程度地减少深度特征及其相应中心之间的距离。拟议的损失试图在两个学习目标中优化该模型，以防止过度确定预测并增加深度特征的判别能力（类间的可分离性和内部不变性），从而确保MI识别模型的有效性。我们对两个众所周知的基准（BCI竞争IV-2A和IV-2B）进行了广泛的实验，以评估我们的方法。结果表明，所提出的方法比两个数据集上的其他SOA模型都能达到更好的性能。提出的学习方案为MI分类任务中的CNN模型提供了更强大的优化，同时降低了过度拟合的风险，并增加了深入学习特征的歧视性。
可解释的人工智能辅助对新手牙科医生临床决策的影响 可解释的人工智能辅助对新手牙科医生临床决策的影响
目的：尽管人工智能 (AI) 在医疗保健领域的应用越来越多，但在实施过程中仍存在挑战，这可能导致医生在临床决策过程中出现偏见。通过牙科放射学中的识别任务（诊断的重要组成部分），研究了人工智能与新手临床医生的互动。该研究评估了牙科学生在有无 AI 帮助的情况下，通过放射学识别根分叉病变 (FI) 的表现、效率和信心水平。材料和方法：22 名三年级和 19 名四年级牙科学生（分别为 DS3 和 DS4）完成了远程管理的调查，以在一系列牙科 X 光片上识别 FI 病变。对照组在没有 AI 帮助的情况下接受射线照片，而测试组接受相同的射线照片和 AI 标记的射线照片。使用卡方、Fischer 精确检验、方差分析或 Kruskal-Wallis 检验对数据进行适当分析。结果：除了 1 个问题倾向于用 AI 生成的答案出错（P < .05）外，有无 AI 辅助的组之间的表现在统计学上并不显著。各组之间的任务完成效率和信心水平在统计学上并不显著。然而，有无 AI 辅助的两组都认为使用 AI 会改善临床决策。讨论：使用 AI 辅助在射线照片中检测 FI 的牙科学生倾向于过度依赖 AI。结论：AI 输入会影响临床决策，这在新手临床医生身上可能尤其明显。由于它已融入日常临床实践中，因此必须谨慎行事，以防止过度依赖 AI 生成的信息。
合并实体类型感知和单词 - 词关系 -
摘要：命名实体识别（NER）是自然语言处理中的关键子任务。在解决NER问题时，对实体边界和实体类型有更深入的了解特别有价值。大多数以前的顺序标签模型都是特定于任务的，而近年来，由于在编码器 - 犯罪模型框架中解决NER任务的优势，因此目睹了生成模型的兴起。尽管达到了有希望的性能，但我们的试点研究表明，现有的生成模型在检测实体边界和估计实体类型方面无效。在本文中，提出了一个多个关注框架，该框架将实体类型嵌入和单词 - 单词关系的注意力引入了指定的实体识别任务。为了提高实体型映射的准确性，我们采用外部知识库来计算先前的实体类型分布，然后通过编码器的自我注意力将信息输入到模型中。为了增强上下文信息，我们将实体类型作为输入的一部分。我们的方法从实体类型的隐藏状态中获得了其他注意，并将其用于解码器中的自我和跨注意机制。我们将序列中的实体边界信息转换为单词 - 单词关系，并将相应的嵌入到交叉注意机制中。通过单词 - 单词关系信息，该方法可以学习和了解更多实体边界信息，从而提高其实体识别精度。我们在广泛的基准测试基准上进行了实验，包括四个平面和两个长实体基准。我们的方法显着改善或表现类似于最佳的生成NER模型。实验结果表明，我们的方法可以大大增强生成模型的能力。
OMAD：针对物质和非物质用户的设备上心理异常检测
摘要 —COVID-19 期间的居家令有助于拉平曲线，但具有讽刺意味的是，它却引发了物质使用障碍患者的心理健康问题。使用现成的消费级可穿戴设备（如智能手表）测量大脑中的电活动信号并将其实时映射到潜在的情绪、行为和情绪变化，在假设心理健康异常方面发挥着重要作用。在这项工作中，我们建议实现一种可穿戴的设备心理异常检测 (OMAD) 系统，以检测导致心理健康问题的异常行为和活动，并帮助临床医生设计有效的干预策略。我们提出了一种基于脑电图 (EEG) 信号的内在伪影去除模型，以更好地关联细粒度的行为变化。我们在伪影去除和活动识别（主要）模块上设计了模型压缩技术。我们在卷积神经网络和多层感知器上实现了基于幅度的权重剪枝技术，以在 Nvidia Jetson Nano 上使用推理阶段；可穿戴设备中最受资源限制的设备之一。我们尝试了三种不同的特征提取和伪影去除方法组合。我们使用对照组和治疗组（酒精组）的 EEG 数据，针对不同的物体识别任务，评估了 OMAD 在未剪枝和压缩模型的准确度、F1 分数、内存使用率和运行时间方面的性能。我们的伪影去除模型和主要活动检测模型分别实现了约 ≈ 93% 和 90% 的准确度，模型大小（70%）和推理时间（31%）显著减少。索引术语 — 物质使用障碍、精神异常检测、EEG 伪影、权重剪枝、资源受限设备。