XiaoMi-AI文件搜索系统
World File Search System静噪
基于频率的深度学习实现多伪影脑电图去噪
摘要 脑电图 (EEG) 信号是神经科学研究和临床应用（如脑机接口和神经系统疾病诊断）的基础。这些信号通常是神经活动和噪声的组合，来自各种来源，包括眼球和肌肉运动等生理伪影。在这种情况下，我们解决了区分神经活动和噪声相关来源的挑战。我们开发了一种在频域中运行的新型 EEG 去噪模型，利用有关噪声频谱特征的先验知识自适应地计算用于噪声分离的最佳卷积滤波器。该模型经过训练可以学习一种经验关系，将噪声和噪声信号的频谱特性与允许信号去噪的非线性变换联系起来。在 EEGdenoiseNet 数据集上的性能评估表明，所提出的模型根据时间和频谱指标都实现了最佳结果。发现该模型可以从输入的 EEG 数据中去除生理伪影，从而实现有效的 EEG 去噪。事实上，该模型的性能与基准模型相当甚至更好，证明可以有效去除肌肉和眼部伪影，而无需对特定类型的伪影进行任何训练。
YUPITERU - 世界无线电史
• 接收 100kHz - 2000MHz • 多模式接收 • 1200 个记忆频道 • 频道范围频谱分析仪 • 频道范围峰值搜索 • 高级扫描功能 • 用户友好功能 • 大型清晰照明显示屏 • 计时器功能 • 电池节省设施 • 静噪控制 • 带大型扬声器的时尚机柜 • 超灵敏接收器 • 双 VFO • 克隆另一套设施 • 内置 24 小时时钟 • 显示 - 对比度 - 控制 • 低电量警报 • 可切换衰减器 • 可选控制蜂鸣声 • 键盘锁控制
来自深度量子电路的抗噪基态能量估计
在容错方面，量子计算的实用性将取决于量子算法中噪声影响的可避免程度。混合量子-经典算法（如变分量子特征值求解器 (VQE)）是为短期方案设计的。然而，随着问题规模的扩大，VQE 结果通常会因当今硬件上的噪声而变得杂乱。虽然错误缓解技术在一定程度上缓解了这些问题，但迫切需要开发对噪声具有更高鲁棒性的算法方法。在这里，我们探索了最近引入的量子计算矩 (QCM) 方法对基态能量问题的鲁棒性，并通过分析示例展示了底层能量估计如何明确地滤除非相干噪声。受此观察的启发，我们在 IBM Quantum 硬件上为量子磁性模型实现了 QCM，以检查随着电路深度的增加噪声过滤效果。我们发现 QCM 保持了极高程度的误差稳健性，而 VQE 则完全失效。在量子磁性模型中，对于多达 20 个量子比特的超深试验态电路（最多 500 个 CNOT），QCM 仍然能够提取合理的能量估计值。大量实验结果支持了这一观察结果。要达到这些结果，VQE 需要在错误率上将硬件改进大约 2 个数量级。
单次试验 MEG 数据可通过交叉去噪...
脑成像中普遍存在的一个挑战是噪声的存在，这会阻碍对潜在神经过程的研究，尤其是脑磁图 (MEG) 具有非常低的信噪比 (SNR)。提高 MEG 信噪比的既定策略包括对与同一刺激相对应的多次重复数据进行平均。然而，重复刺激可能是不可取的，因为潜在的神经活动已被证明会在试验过程中发生变化，而重复刺激会限制受试者体验到的刺激空间的广度。特别是，一次观看电影或故事的自然主义研究越来越受欢迎，这需要发现新的方法来提高 SNR。我们引入了一个简单的框架，通过利用受试者在经历相同刺激时神经反应的相关性来减少单次试验 MEG 数据中的噪声。我们在 8 名受试者的自然阅读理解任务中展示了它的用途，在他们阅读同一故事一次时收集了 MEG 数据。我们发现我们的程序可以减少数据中的噪声，并可以更好地发现神经现象。作为概念验证，我们表明 N400m 与单词惊讶的相关性（文献中已证实的发现）在去噪数据中比在原始数据中更明显。去噪数据还显示出比原始数据更高的解码和编码准确度，这表明与阅读相关的神经信号在去噪过程后得到保留或增强。
越南河静太阳能发电场
Banpu Public Company Limited 是一家领先的国际多功能能源供应商，该公司正在“绿色和智能”战略下加速业务转型，重点是扩大其绿色能源组合。为重申其战略方向，Banpu 最近通过 Banpu NEXT Co. Ltd. 的子公司 BRE Singapore Pte., Ltd (BRES) 收购了位于越南河静省的 50 兆瓦河静太阳能发电场，Banpu 持有其 50% 的股份。BRES 签署了一份销售和购买协议 (SPA)，以收购河静太阳能股份公司 100% 的股份。此次收购预计将于 2022 年第一季度完成，是 Banpu 对绿色能源和扩大公司生态系统的战略投资的一部分，旨在到 2025 年将绿色能源和能源技术业务的 EBITDA 贡献提高到 50% 以上。这也是 Banpu 遵循战略路线图的一步，该路线图与全球倡议和实现气候雄心的关键目标相一致。
静息节奏与血糖之间的关联...
糖尿病是成年人口中常见的慢性病，是心血管疾病（CVD），肾衰竭，认知能力下降和死亡率的主要贡献者。据估计，超过10％的美国人口患有糖尿病[1]，糖尿病的总成本在2017年为3270亿美元[2]。最近几十年来，各个年龄段，性别和种族/族裔的糖尿病患者的普遍性大大增加[3]。相对于非西班牙裔白人，非西班牙裔黑人，西班牙裔和亚洲人的糖尿病差异也很大[4]。数十年的研究已经确定了糖尿病的生活方式风险因素，尤其是不健康的饮食和身体不活动。最近，昼夜节律的疾病已成为糖尿病的新风险因素[5]。静止的节奏包括在24小时内发生的睡眠，体育活动和久坐行为。这是昼夜节律内部节奏的中心行为表现，它在代谢组织（例如骨骼肌）中的Circadian时钟夹带中起着重要作用[6]。因此，昼夜节律的破坏与弱化和/或破坏的休息活性效率之间存在双向关系[6]。鉴于双向关系，努力训练如何干预静止运动节奏以改善代谢健康的努力已经获得了吸引力[7]。我们最近发现，多个静息参数，包括较低的振幅和较不健壮的总体节奏性，与老年男性的糖尿病的较高的患病和糖尿病发生率有关[10]。先前的几项研究已将24小时行为的静息模式与代谢功能障碍（例如，成人种群中的代谢功能障碍（例如，较高的体重指数（BMI），代谢综合征，血脂异常和糖尿病）相关联[8-10]。然而，将静息节奏特征和脱节的证据仍然有限。此外，几乎所有以前的研究都以白色为主的老年人进行，目前尚不清楚这些研究的发现如何推广到其他人群。鉴于在美国糖尿病中现有的种族差异[4]，重要的是研究更多样化的人群中静息节奏和糖尿病之间的关联。Using the National Health and Nutrition Examination Survey (NHANES) 2011–2014, a nationally survey of the US population that oversampled racial/ethnic minority groups, we investigated the association between characteristics of rest-activity rhythms and multiple glycemic markers, including glycated hemoglobin (HbA1c), fasting glucose and insulin, homeostatic model assess- ment of insulin resistance （HOMA-IR），以及来自口服葡萄糖耐量测试（OGTT）的结果。由于样本大而多样化，我们还能够通过不同的年龄，性别，种族/种族和BMI群体来检查这种关联。
CLEMARS 计划
辅助通信（优先级 5） 在没有优先级 1、2、3 和 4 的情况时，CLEMARS 信道（CLEMARS 1 [CALAW1]、2 [CALAW2] 和 NALEMARS [VLAW31] 除外）可用作当地机构辅助信道进行日常通信。此类使用有特定的限制： • 在使用该信道进行辅助通信之前，机构首先要监控该信道，以确保 CLEMARS 上没有进行更高优先级的通信。 • 使用符合本计划中概述的操作标准。这包括能够同时监控 CSQ（静噪）或 PL 音调 156.7 和机构 PL 音调。 • 如果需要将该信道用于优先级 1、2、3 或 4 的情况，则立即腾出该信道。
基于人工智能CNN的去噪对FDG PET放射组学的影响
成像方式如今已成为医学中必不可少的诊断工具。从 2009 年到 2019 年，美国的 CT、MRI 和 PET 检查数量分别增加了约 18%、42% 和 105%（1）。这种不断增长的需求已经超过了实际供应，导致法国/欧洲的 MRI 和 PET 扫描不合理地延迟了数周甚至数月（2）。适当的图像去噪可能有助于减少扫描时间，甚至减少 PET 的注射剂量。它可以增加检查次数，而不会影响太多工作时间或需要安装新的医学成像设备。深度学习作为人工智能 (AI) 的一个分支，可以构建有前景的去噪模型。我们专注于 PET 成像，因为它的扫描时间较长，因此去噪效果会更好。尽管许多研究实际上都在研究这种方法的临床表现，但它也可能影响其他新兴领域，如基于成像的预测模型、放射组学和其他 AI 应用 (3)。医学图像基本上是基于其密度 (CT)、磁性 (MRI) 或功能信息 (PET/SPECT) 的不同灰度级的视觉表示。灰度值的分布表征了信息的异质性。一个快速发展的领域称为放射组学，它提供了一种从图像中提取基于强度、形状、纹理的不同特征的方法，以构建预测模型 (4)。这种方法有望预测患者的结果。它们可能允许个性化治疗。例如，在肺癌中计算了一个包括放射组学特征的总体生存预测模型（5）。2013 年至 2018 年间，该领域的发表论文年增长率为 177.82%（6）。这些模型非常有前景，但仍需付出一些努力才能在常规临床环境中转化和实施它们（7）。人工智能在医学成像领域的应用尚处于早期阶段。在本文中，我们使用了深度学习，更具体地说是卷积神经网络方法，它们代表了人工智能技术的一个细分领域。如今，深度学习在图像重建、处理（去噪、分割）、分析和预测建模中发挥着关键作用。这些应用在未来将得到进一步发展（8）。在大多数这些任务中，它们的表现往往优于更传统的方法 ( 9 )。将这种基于 AI 的 PET/MR 去噪算法与临床数据进行比较，发现对比度与噪声比增加了 46.80 ± 25.23%，而仅使用高斯滤波器的对比度与噪声比仅为 18.16 ± 10.02%（10）。在（10）中研究的其他方法，如引导非局部均值、块匹配 4D 或深度解码器，分别将 CNR 提高了 24.35 ± 16.30%、38.31 ± 20.26% 和 41.67 ± 22.28%。也可以在重建期间执行去噪，但这无法在现有机器上实现。最重要的限制是所有这些方法都缺乏 FDA 或 CE 认证。我们的研究重点是 Subtle PET™（Subtle Medical，美国斯坦福，由法国 Incepto 提供）。它是一款经 FDA 和 CE 批准的 FDG PET（11）后处理去噪软件，基于卷积神经网络（CNN），这是最常见的图像处理深度学习架构。
使用去噪扩散概率模型生成真实的神经生理时间序列
近年来，深度生成模型对工程和科学产生了深远的影响，彻底改变了图像和音频生成等领域，并提高了我们建模科学数据的能力。特别是，去噪扩散概率模型 (DDPM) 已被证明可以准确地将时间序列建模为复杂的高维概率分布。实验和临床神经科学也将受益于这一进步，因为准确建模神经生理时间序列，例如脑电图 (EEG)、皮层电图 (ECoG) 和局部场电位 (LFP) 记录及其合成生成可以实现或改进各种神经科学应用。在这里，我们提出了一种使用 DDPM 建模多通道和密集采样的神经生理记录的方法，该方法可以灵活地应用于不同的记录模式和实验配置。首先，我们表明 DDPM 可以为各种数据集 11 生成逼真的合成数据，包括不同的记录技术（LFP、ECoG、EEG）和物种（大鼠、猕猴、人类）。DDPM 生成的时间序列准确捕获单通道和多通道统计数据，例如频谱和 13 相位幅度耦合，以及细粒度和数据集特定特征，例如尖锐的波纹。14 此外，可以根据实验条件或大脑状态等其他信息生成合成时间序列。我们展示了 DDPM 在几种神经科学特定分析中的实用性和灵活性，例如大脑状态分类和缺失通道的归纳以改进神经解码。总之，DDPM 可以作为神经生理记录的精确生成模型，并且在概率生成合成时间序列以用于神经科学应用方面具有广泛的实用性。20
脉冲脑电信号的图形去噪及其图形表示的效果
随着脑监测领域的快速发展，对处理相关信号的创新方法的需求日益增加。最近，图信号处理成为逐个信号分析的有力替代方案，它能够处理信号集合。对于自然接受图形表示的脑电图 (EEG) 信号尤其如此，每个电极对应一个图节点。这些信号经常被以重尾统计数据为特征的脉冲噪声破坏，从而导致传统去噪技术失败。为了解决这个问题，我们提出了一种基于分数低阶矩的有效正则化图滤波方法，该方法可以更好地适应重尾统计数据。对真实 EEG 测量结果（包括公开的 P300 数据集和癫痫信号）的实验评估表明，与成熟的 EEG 信号去噪方法相比，我们的方法具有更优异的去噪性能。