XiaoMi-AI文件搜索系统
World File Search System馈送
电动图像EEG信号编码的多视图CNN
目的：卷积神经网络（CNN）最近在解码脑脑成像（MI）脑部计算机界面（BCI）的脑电图（EEG）信号方面引起了很多注意，该信号设计用于改善中风康复策略。然而，脑电图信号的极其非线性，非平稳性质和各个受试者之间的多样性导致CNN模型过度拟合并限制其学习能力。在这项研究中，提出了具有多视图输入的密集连接的卷积网络。方法：首先，通过应用于脑电图信号的带通滤波器的CNN模型输入，从原始EEG信号中产生了不同的数据子集，以基于脑节律生成多个频率子频段信号。然后，分别基于整个频段和滤波器频段信号捕获时间和空间特征。此外，使用多CNN层的两个密集块，它们将每一层连接到馈送路径中的其他层，用于增强模型学习能力并增强信息传播。最后，使用一种串联融合方法来整合提取的特征和完全连接的层来最终化分类。结果：所提出的方法在韩国公立大学EEG数据集上达到了75.16％的平均准确性，该数据集由54个健康受试者组成，用于两级运动成像任务，高于其他最先进的深度学习方法。结论：提出的方法有效地从BCI系统中的EEG信号中提取了更丰富的运动图像信息，并提高了分类精度。
终生并通过细胞改善欧洲医疗保健 -
深度学习（DL）通过启用由多个处理层组成的计算模型来学习数据的抽象表示，从而彻底改变了人工智能的领域（Hinton等，2006； Bengio等，2006）。传统的机器学习方法数十年来一直限制，因为需要专家知识来设计复杂的特征提取算法，这在将原始数据转换为合适的分类形式的过程中。相比之下，深层倾斜的方法作为表示学习技术，使学习模型能够直接用原始数据馈送，以发现分类所需的表示形式（Krizhevsky等，2017； Lecun等，2015）。Currently, an intensive research effort is being devoted to the development of novel neuroimaging techniques to better understand the mechanisms of the central nervous system (CNS) and to early recognize age-related neural diseases ( Payan and Montana, 2015; Sarraf and Tofighi, 2016; Martinez-Murcia et al., 2020; Martinez-Murcia et al., 2018, 2016 ) Ortiz等。。大量多中心研究提供的大量数据调查了与年龄相关的神经疾病的新生物标志物，这为开发更准确的深度学习模型提供了一个机会，以早期认识神经退行性变化以及神经疾病的渐进过程（Cole and Franke，2017; Marzban et et and e an e an Al an Al a al niz and an an an an e an e e e an and and and and and and and and and an e e e e e e e e e e e e e e e e eT an and and and and and and and and and and and and and and and and。等，2018）。
精算科学中的机器学习：增强保险风险管理的预测模型
3哥伦比亚商学院5伊利诺伊理工学院摘要 - 如前所述，就保险公司之间的评估和风险管理而言，ML已成为精算实践的重要工具。通过改进预测模型，精算师可以更好地预测风险，设定适当的价格并做出更好的承保决策。传统的精算实践涉及依赖历史信息和统计公式，但是，当代和大数据需要更好的解决方案。决策树，深度学习的神经网和集成技术，旨在分析大量结构化和非结构化数据的趋势和相关性，这些数据可能很难使用其他技术找到。精算科学中的机器学习涉及在索赔预测，欺诈检测，客户细分和损失建模中使用复杂算法。来自社交媒体，IoT设备和远程信息处理的实时数据具有在馈送ML模型时提供更准确和及时的分析和预测的潜力；这可以提高保险业务和客户满意度的效率（Varney，2019年）。此外，随着使用ML的使用，精算师具有更新模型的能力，并随着时间的流逝而变化的数据和趋势进行必要的更改。尽管如此，精算科学中ML的整合带来了一些挑战。数据质量，模型可解释性以及如何向用户呈现结果。精算的未来在这方面，虽然精算师可以利用复杂算法来开发风险评估的预测模型，但他们还需要确保此类模型是透明的，并遵守设定的法规。因此，本文旨在在精算工作的背景下讨论机器学习方法的机会和局限性，并进一步发展保险风险。
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。
宏基因组学深度学习方法：评论
于2023年12月20日收到； 2024年3月27日接受； 2024年4月17日出版作者分支：1 IRD，索邦大学，Ummisco，32 Avenue Henry Varagnat，Bondy Cedex，法国； 2 Sorbonne University，Inserm，Nutriomics，91 BVD de L'Hopital，法国75013，法国。*信函：加斯帕·罗伊（Gaspar Roy），加斯帕（Gaspar。 Jean-Daniel Zucker，Jean-Daniel。Zucker@ird。FR关键字：微生物组；宏基因组学；深度学习；神经网络；嵌入； binning;疾病预测。缩写：ASV，扩增子序列变体； CAE，卷积自动编码器； CGAN，有条件的生成对抗网络； CNN，卷积神经网络； Dae，Denoing AutoCododer； DL，深度学习； FFN，馈送网络； GAN，生成对抗网络；它的内部转录垫片； LSTM，长期记忆； MAG，元基因组组装基因组； MGS，宏基因组； MIL，多个实例学习； ML，机器学习； MLP，多层感知器； NGS，下一代测序； NLP，自然语言处理； NN，神经网络； RNN，经常性神经网络； SAE，稀疏的自动编码器； Sota，艺术状态； SVM，支持向量机； TNF，四核苷酸频率； Vae，各种自动编码器； WGS，全基因组测序。数据语句：文章或通过补充数据文件中提供了所有支持数据，代码和协议。补充材料可与本文的在线版本一起使用。001231©2024作者
卷积瑜伽姿势估计器
实时身体姿势估计是计算机视觉中的关键组件，在各个域中找到了应用程序。这项研究深入研究了OpenCV和Mediapipe的合并，这是两个可靠的库，以实时实现精确有效的人体姿势估计。OpenCV以其计算机视觉功能而闻名，与MediaPipe联手，该公司提供了预先训练的机器学习模型，该模型明确制作了用于关键点的估计。这项合作能够准确检测和持续跟踪人体地标。该研究的方法是利用OpenCV的能力来管理视频输入和采用MediaPipe的姿势估算模型，以识别解剖关键。OpenCV负责重要的视频流操作，例如框架调整大小，颜色空间转换和降低噪声，优化了MediaPipe的专用模型的输入数据。随后，MediaPipe精巧地查明并跟踪关键的身体接头，从而赋予实时视频流或相机馈送中复杂人类姿势的实时估计。对该系统的全面评估包括对其准确性，实时性能和在不同条件下的鲁棒性的审查，包括遮挡和不同环境环境的情况。该系统在检测和持续跟踪关键点的功效，再加上其实时功能，揭示了其在多方面应用中的潜力，例如Sports Analytics，Healthcare，Healthcare，Human-Computer互动等。OpenCV和MediaPipe的融合封装了实时姿势估计的有希望的轨迹，为精确的人类姿势分析提供了坚固的框架。该研究的发现通过为实时姿势估计提供可靠，有效的解决方案，从而有助于推动计算机视觉领域的进步。这些进步具有影响各种行业和领域的希望，暗示了实时姿势估计技术的重大进步。
制定 AQPI 行动概念的工作计划
（CONOPS）计划第 1 部分：AQPI 概述和状态 1.1 先进定量降水信息系统 (AQPI) 概述 AQPI 是一种降水监测、警报和水文信息系统，供水资源机构和应急管理人员以及旧金山湾区的其他社区利益相关者使用，用于管理水源，并通过改进的降水估计和增强的气象观测，预警山洪、泥石流或合流污水溢流事件等水文灾害。AQPI 系统有几个组件。安装五个气象雷达将填补雷达覆盖空白，并改善降水估计和短期临近预报（<1 小时）。为了支持预测需求，融合了高分辨率快速刷新 (HRRR) 和全球预报系统 (GFS) 预报模型的数据馈送涵盖了 AQPI 基于网页的显示中的 0-10 天，并直接在数据流中发送给 AQPI 成员机构。 AQPI 用户门户上提供可视化效果，并开发了定制数据源，供当地合作机构委员会 (LPAC) 成员在其运营活动中使用。该系统还包括安装新的降水、径流和土壤湿度表面测量数据，并将现有的测量数据汇总到决策支持系统中。沿海风暴建模系统 (CoSMoS) 提供沿海海平面预报，为沿海洪水灾害提供预警和决策支持。AQPI 系统还将结合国家水模型 (NWM) 提供径流预报。1.2 AQPI CONOPS 计划概述 AQPI CONOPS 计划的总体目标是提供全面的指南，以确保在完成加州水资源部 (CA DWR) 系统开发奖后，AQPI 系统在交付后的前五年内继续运行和开发。CONOPS 计划将在斯克里普斯海洋研究所西部天气和水极端事件中心 (CW3E) 的领导下，在大约两年的时间内制定完成。 CONOPS 计划目标、内容和制定过程的详细信息在第 2、3 和 4 节中介绍。1.3 AQPI 系统组件的当前状态（截至 2022 年 1 月 31 日）雷达
俄勒冈州立大学兽医医学
生物医学研究人员的梦想是看到他们的分离被转化为有效的治疗方法。俄勒冈州立大学卡尔森兽医学院的两名教职员工正在接近该目标。Natalia Shulzhenko博士数十年来一直在研究肠道的粘膜免疫反应，并且在大多数情况下，考虑了微生物组在维持动物健康方面的重要性。从一开始就成为研究领域的一部分，她是一个独特的立场，可以欣赏改变患者的微生物组的好处。现在，Shulzhenko博士开始了一个大型项目，以帮助研究犬微生物组的改变如何影响对肿瘤 - 抗原疫苗接种的反应。在与耶鲁大学和犬科联盟的研究人员的一项合作研究中，具有某些肿瘤类型的狗接种了表皮生长因子受体（EGFR）和人类表皮生长受体2（HER2）的共享肽。该疫苗可以诱导靶向过表达的EGFR/HER2蛋白在癌细胞上的过表达的免疫反应，并延长狗的癌症生存。由于微生物组组成对免疫反应具有深远的影响，因此Shulzhenko博士同时研究了疫苗诱导的免疫和微生物组的变化，以发现哪种微生物可以帮助结合癌症。除了微生物组分析外，还评估了包括血细胞组成和转录组在内的数量免疫参数。粪便微生物组移植可能会带来对疫苗反应增强的好处，并且可以用于治疗其他疾病。然后，Shulzhenko博士将将这些测量结果馈送为“ Transkingdom网络分析”，这是她与Andrey Morgun博士（俄勒冈州立大学药学院）合作开发的计算工具，以识别可以驱动有利疫苗反应的候选细菌。下一步将是使用粪便微生物组移植（FMT）改变患者的微生物组或补充为“益生菌”。在人类肿瘤学中，据报道具有反应患者或健康供体的菌群的FMT可增强免疫调节抗癌疗法，但狗缺乏此类研究。小动物内科医学助理教授Stacie Summers博士正在探索使用FMT治疗患有慢性肾脏疾病（CKD）的猫。
3S 暂停
机械外壳结构：挤压铝 6063-T5 合金外壳和 LED 托盘，带有压成型钢内部组件，以确保强度、对准和安装连接。我们的高品质压铸端盖经过精心设计，可以隐藏所有紧固件并将密封垫圈保留在灯具内部，同时完成此灯具的简洁外观。对准/组装：对准系统采用四点对准和连接方法，旨在创建更直的行并最大限度地减少各部分之间的接缝（现场组装）。四个对准销确保外部挤压铝轨对准，而拉紧螺钉固定外壳到外壳的连接。额外的对准饼干兼作遮光罩。长度：3S 的最小长度为 2 英尺（标称），可提供额外的 1 英尺增量（±0.030”）。提供更长的灯具排，并将配置 4 英尺、5 英尺、6 英尺、7 英尺和 8 英尺灯具。一个电源馈送的最大运行长度为 72 英尺。超过 72 英尺的连续运行需要第二个电源。安装方法/硬件：标准悬挂硬件包括 1/16 英寸直径、镀锌钢航空电缆（带有可调节和可锁定的镀镍电缆夹）和白色 18/5 SJT 电源线。标准硬件包括 60 英寸电源线和 54 英寸航空电缆，以适应距离天花板 48 英寸的安装距离。提供天花板遮篷。所有悬挂硬件都经过测试，并符合 UL1598 对负载/灯具支撑的要求。外部饰面：3S 提供白色和黑色聚酯粉末涂层，以确保耐用性。悬挂组件：灯具由 1/16 英寸镀锌航空电缆悬挂。电缆通过 ¼-20 螺纹天花板电缆管连接到天花板悬挂点，电缆管包含一个螺纹环来支撑馈电/吊架罩，从而无需拆除悬挂电缆即可接触接线盒/吊架，从而可以检查/维修导线而不必支撑灯具。馈电罩外径为 5 英寸，吊架罩外径为 2 英寸。电缆长度可指定为 48 英寸、96 英寸和 144 英寸悬挂长度。天花板类型选项为“T1”T 型网格、“T9”T 型网格、“SC”螺丝槽网格、“HC”硬天花板或“JB”硬天花板接线盒安装座。集成控制：3S 提供可选集成控制。传感器设计方便，可安装在孔径中，位于每个灯具的供电端。对于运行，每个灯具部分将配备一个离散传感器，以控制该特定部分。飞利浦 EasySense 是标准日光/占用传感器。需要 DALI 驱动器。如果您的项目需要未列出的组件或系统，请联系 Lumato 以查看要求。
D-Orbit 宣布与 SkyServe STORM 开展在轨边缘计算合作 D-Orbit 将太空边缘计算集成为 SkyServe 任务的一部分
D-Orbit 宣布与 SkyServe STORM 进行在轨边缘计算合作 D-Orbit 将太空边缘计算集成为 SkyServe 马特洪峰任务的一部分 意大利菲诺莫尔纳斯科，2024 年 4 月 18 日：空间基础设施、物流和轨道运输行业的领导者 D-Orbit 今天宣布，他们将利用 SkyServe STORM 平台启用边缘计算功能，搭载在组成公司已经在轨的轨道转移飞行器舰队的部分 ION 卫星运载器上（具体来说，是 ION SCV004 Elysian Eleonora），然后在 2025 年搭载在性能更高的 ION 上。作为马特洪峰任务的一部分，SkyServe STORM 将利用 D-Orbit 的实时地球观测数据馈送、机载计算和数据分发资源，直接在太空中将图像处理成推理，并部署地理空间最终用途应用程序。此次任务旨在使地理空间组织和分析公司能够在卫星上部署人工智能模型，旨在显著增强在轨数据处理和分析能力。“SkyServe STORM 的部署代表着太空数据分析的关键时刻。与 D-Orbit 合作的这次任务使我们能够在轨道上执行复杂的处理任务，并使客户能够更轻松地获取和操作太空数据”，SkyServe 首席执行官 Vinay Simha 表示。“我们很高兴与 D-Orbit 合作，为边缘应用在轨数据处理铺平道路”。SkyServe STORM 部署在 D-Orbit 的 ION 卫星运载器上，将为 D-Orbit 即将执行的任务提供一套数据处理功能，例如智能丢弃、任务分配、压缩和其他深度学习功能。 “我很高兴与 SkyServe 合作完成这项任务。这项任务凸显了领先的太空技术公司之间的合作类型，这些合作为技术、商业和社会带来了有意义的成果”，D-Orbit 业务发展主管 Viney Jean-Francois Dhiri 评论道。“与 SkyServe 的合作不仅促进了他们的在轨 STORM 平台，而且符合我们提供全面在轨服务的使命。将我们的技术与边缘计算机提供商相结合，就像我们与 Unibap 的 iX5 产品相结合一样，使我们能够自 2023 年以来在 24 年及以后为有影响力的解决方案提供一条通往太空的新路线”。D-Orbit 长期以来一直处于在轨部署软件的前沿，在充满活力的生态系统中工作，不断扩展其能力和基础设施以支持创新的空间技术。此次合作彰显了 D-Orbit 推动太空创新的承诺，为客户提供基本服务以展示其在轨道上的能力，同时也为任何希望利用太空独特优势实现其技术和应用的人提供持续支持。关于 D-Orbit D-Orbit 是太空物流和运输服务行业的市场领导者，拥有经过太空验证的服务、技术和成功任务的记录。D-Orbit 成立于 2011 年，是第一家满足太空市场物流需求的公司。例如，ION 卫星运载器是一种太空飞行器，可以将卫星运送到轨道上并将它们分别释放到不同的轨道位置，从而将发射到运营的时间缩短高达 85%，并将整个卫星星座的发射成本降低高达 40%。ION 还可以容纳多个第三方有效载荷，例如创新的